Este trabalho foi publicado pelo Galoá e tem um DOI depositado. Para citar este trabalho, use um dos padrões abaixo:
Caso você seja um dos co-autores e queira cadastrar esse trabalho no seu Currículo Lattes, use o seguinte código: doi > 10.59254/sbpo-2026-232647
Se você NUNCA registrou um DOI no seu Lattes, veja nosso tutorial!A evasão no ensino superior é um desafio relevante, especialmente em cursos com grande número de alunos e recursos limitados para intervenções. A identificação precoce de estudantes em risco é essencial para apoiar a tomada de decisão institucional. Este trabalho propõe uma abordagem baseada em few-shot learning, utilizando Prototypical Networks, para predição de evasão em cenários com poucos dados. O modelo é integrado a uma estratégia de priorização, permitindo a construção de rankings de risco para otimizar a alocação de recursos. A abordagem foi avaliada com dados reais e comparada a modelos tradicionais aprendizado de máquina. Os resultados mostram um ganho expressivo na métrica de recall, superior a 90%, em comparação com cerca de 60% em modelos convencionais, indicando maior capacidade de identificar alunos em risco. Testes estatísticos confirmam a significância dos resultados, e a solução apresenta alta escalabilidade para análise eficiente de estudantes em risco, mesmo com poucos dados.
Com ~200 mil publicações revisadas por pesquisadores do mundo todo, o Galoá impulsiona cientistas na descoberta de pesquisas de ponta por meio de nossa plataforma indexada.
Confira nossos produtos e como podemos ajudá-lo a dar mais alcance para sua pesquisa:
Esse proceedings é identificado por um DOI , para usar em citações ou referências bibliográficas. Atenção: este não é um DOI para o jornal e, como tal, não pode ser usado em Lattes para identificar um trabalho específico.
Verifique o link "Como citar" na página do trabalho, para ver como citar corretamente o artigo