DEFESA DE TESE DE DOUTORADO Nº 33

Aluno: Pricylla Santos Cavalcante do Nascimento

Título: “Uma Abordagem Híbrida e Aplicada para a Predição Educacional com Modelagem Multinível e Aprendizado Supervisionado"

Orientadora: Fernanda Maria Ribeiro de Alencar

Examinadora Externa: Marcia Jacyntha Nunes Rodrigues Lucena (UFRN)

Examinador Externo: Ricardo Argenton Ramos (UNIVASF)

Examinadora Externa: Ana Cláudia Ribeiro Tavares (UPE)

Examinadora Interna: Maria Lencastre Pinheiro de Menezes Cruz

Data-hora: 03 de setembro de 2025 às 14h

Local: Formato remoto

---

Resumo:

         "Esta tese propõe uma abordagem computacional híbrida para analisar a relação entre a gestão do tempo de estudo e o desempenho acadêmico de estudantes que prestam o Exame Nacional do Ensino Médio (ENEM). A proposta se fundamenta na aplicação integrada de modelagem estatística multinível e algoritmos supervisionados de machine learning, com o objetivo de superar limitações identificadas em estudos anteriores, que desconsideram a estrutura hierárquica dos dados educacionais. O problema de pesquisa é evidenciado pela complexidade em se capturar, simultaneamente, os efeitos de fatores individuais, escolares e regionais sobre o desempenho acadêmico. Para investigar essa relação, a metodologia adotada compreende: (i) levantamento dos microdados educacionais do ENEM, estruturados hierarquicamente; (ii) aplicação de modelos multiníveis para captar as variações entre os níveis hierárquicos; e (iii) implementação de algoritmos de machine learning, incluindo Regressão Linear, Random Forest, XGBoost e Redes Neurais, para predizer o desempenho dos estudantes. Os resultados demonstram que os modelos que consideram a hierarquia dos dados superam os tradicionais em termos de acurácia e interpretabilidade, além de possibilitarem a formulação de estratégias personalizadas de gestão do tempo de estudo. A análise multinível permitiu identificar diferenças significativas entre regiões e perfis escolares, enquanto os algoritmos supervisionados apontaram variáveis críticas para o desempenho. Conclui-se que a integração entre modelagem multinível e aprendizado supervisionado possibilita uma predição educacional mais precisa e contextualizada, contribuindo para práticas pedagógicas e políticas públicas fundamentadas em evidências."