Analisando estratégias de intervenção empregadas em resposta à identificação automatizada de riscos acadêmicos: uma revisão sistemática

Abstract

Prever com antecedência a probabilidade de alunos reprovarem em um curso ou desistirem de um programa de graduação surgiu como uma das aplicações amplamente adotadas em Learning Analytics. Embora a literatura aborde extensivamente a identificação de alunos em risco, muitas vezes ela não evolui para intervenções reais, concentrando-se mais em relatar resultados experimentais do que em traduzi-los em impacto no mundo real. O objetivo da identificação precoce é direto, capacitando educadores a intervir antes da reprovação ou evasão real, mas não é dada atenção suficiente ao que acontece depois que os alunos são sinalizados como em risco.Intervenções como feedback personalizado, alertas automatizados e suporte direcionado podem mudar o jogo, reduzindo as taxas de reprovação e evasão. No entanto, como este artigo mostra, poucos estudos realmente investigam a eficácia dessas estratégias ou medem seu impacto nos resultados dos alunos. Ainda mais impressionante é a falta de pesquisas direcionadas a partes interessadas além dos alunos, como educadores, administradores e designers de currículo, que desempenham um papel fundamental na condução de intervenções significativas. O artigo explora a literatura recente sobre previsão automatizada de risco acadêmico, com foco em intervenções nos artigos selecionados. Nossas descobertas destacam que apenas cerca de 14% dos estudos propõem intervenções acionáveis, e ainda menos as implementam. Apesar desses desafios, podemos ver que um ímpeto global está se formando em torno de Learning Analytics, e as instituições estão começando a explorar o potencial dessas ferramentas. No entanto, bancos de dados acadêmicos, carregados de insights valiosos, permanecem massivamente subutilizados. Para levar o campo adiante, propomos estratégias acionáveis, como desenvolver estruturas de intervenção que envolvam várias partes interessadas, criar métricas padronizadas para medir o sucesso e expandir fontes de dados para incluir sistemas acadêmicos tradicionais e conjuntos de dados alternativos. Ao abordar essas questões, este artigo não apenas destaca o que está faltando; ele oferece um roteiro para pesquisadores e profissionais, com o objetivo de fechar a lacuna entre a previsão e a ação.É hora de ir além da identificação de riscos e começar a fazer uma diferença real onde mais importa.