Estilos de aprendizagem e evasão universitária: uma abordagem metacognitivae de análise preditiva
DOI:
https://doi.org/10.18800/educacion.202602.M003Palavras-chave:
Estilos de aprendizagem, Metacognição, Evasão universitária, Análise preditiva, Aprendizado de máquinaResumo
A evasão universitária é um fenômeno multifatorial associado a variáveis acadêmicas, pessoais e de aprendizagem. Este estudo analisa a relação entre estilos de aprendizagem, metacognição e evasão universitária em um curso na modalidade e-learning de uma universidade italiana. Foi realizado um estudo exploratório com 257 estudantes e 22 variáveis preditoras derivadas do questionário CAMEA40, do percurso educacional, de características pessoais e de registros acadêmicos. Foram treinados seis modelos de classificação: regressão logística, máquinas de vetores de suporte (SVM), K-vizinhos mais próximos, Random Forest, Naive Bayes e perceptron multicamadas. O desempenho foi avaliado por meio da acurácia, precisão, sensibilidade (recall) e F1-score. O modelo Random Forest obteve os melhores resultados: acurácia de 0,91, precisão de 0,91, sensibilidade de 0,83 e F1-score de 0,86. Os resultados indicam que a análise preditiva pode auxiliar na detecção precoce e na tutoria, embora necessitem de validação com amostras mais amplas.
Downloads
Referências
Aco Tito, E. A., Hancco Condori, B. O., & Pérez Vera, Y. (2023). Análisis comparativo de técnicas de Machine Learning para la predicción de casos de deserción universitaria. Risti, Revista Ibérica de Sistemas e Tecnologias de Informação, (51), 84-98. https://doi.org/10.17013/risti.51.84-98
Alfredo, R., Echeverria, V., Jin, Y., Yan, L., Swiecki, Z., Gašević, D., & MartinezMaldonado, R. (2024). Human-centred learning analytics and AI in education: A systematic literature review. Computers and Education: Artificial Intelligence, 6. https://doi.org/10.1016/j.caeai.2024.100215
Allen, K.-A., Slaten, C., Hong, S., Ma, L., Craig, H., May, F., & Counted, V. (2024). Belonging in higher education: A twenty-year systematic review. Journal of University Teaching and Learning Practice, 21(5), 1-55. https://open-publishing.org/journals/index.php/jutlp/article/view/767
Alonso, C., Gallego, D., & Honey, P. (1994). Los estilos de aprendizaje. Procedimientos de diagnóstico y mejora. Mensajero.
Agenzia Nazionale di Valutazione del Sistema Universitario e della Ricerca. (26 de marzo, 2026). ANVUR publishes the 2026 report on the higher education and research system. Home, Press releases. https://www.anvur.it/en/press-releases/anvur-publishes-2026-report-higher-education-and-research-system
Barrios, A. B. (2011). Deserción universitaria en Chile: Incidencia del financiamiento y otros factores asociados. Revista CIS, 9(14), 59-72.
Bernardo, A. B., Galve-González, C., Núñez, J. C., & Almeida, L. S. (2022). A path model of university dropout predictors: The role of satisfaction, the use of self-regulation learning strategies and students’ engagement. Sustainability, 14(3). https://doi.org/10.3390/su14031057
Castro-Maldonado, J. J., Londoño-Gallego, J. A., Rodríguez-Marín, P. A., & Martínez-Vargas, J. D. (2026). Applicazione di modelli di Machine Learning per la previsione dell’abbandono scolastico degli studenti di un istituto colombiano di formazione per competenze. Comunicare, 34(85), 171-202. https://doi.org/10.5281/zenodo.19690782
Constante-Amores, A., Florenciano Martínez, E., Navarro Asencio, E., & Fernández-Mellizo, M. (2020). Factores asociados al abandono universitario. Educación XX1, 24(1). https://doi.org/10.5944/educxx1.26889
Dancey, C. P., & Reidy, J. (2019). Estatística sem matemática para psicologia (7.ª ed.). Penso.
Hoyos, J. K., & Daza, G. (2023). Modelo predictivo para identificar estudiantes universitarios con alto grado de deserción. Revista Electrónica de Investigación Educativa, 25. https://doi.org/10.24320/redie.2023.25.e13.5398
Madrigal Gil, A. J., & Trujillo Torres, J. M. (2017). CAMEA40: Una opción para el acompañamiento tutorial. Revista de Estilos de Aprendizaje, 10(20). https://doi.org/10.55777/rea.v10i20.1063
Ovtšarenko, O. (2026). Using AI to forecast student dropout risk in technical education using a learning analytics approach. Scientific Reports, 16. https://doi.org/10.1038/s41598-026-44919-1
Pacheco, A. J., Boude Figueredo, O. R., Chiappe, A., & Fontán de Bedout, L. (2025). AI-powered learning analytics for metacognitive and socioemotional development: A systematic review. Frontiers in Education, 10. https://www.frontiersin.org/journals/education/articles/10.3389/feduc.2025.1672901
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., Duchesnay, E., & Louppe, G. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12, 2825-2830. https://jmlr.org/papers/v12/pedregosa11a.html
Pulcini, G. G. (2025). Conócete a ti mismo: Herramientas metacognitivas para comprender y optimizar tus estilos de aprendizaje. En M. V. Afonso, M. Giuliano, S. Pérez, & R. B. Vallejos (Comps.), Enseñanza e innovación (pp. 96-111). EDUNO.
Pulcini, G. G., Polzonetti, V., Cappellacci, L., & Cesaretti, L. (2022). Prevenire l’abbandono universitario: Stili di apprendimento e machine learning. En J. M. Esteve Faubel, A. Fernández-Sogorb, R. Martínez-Roig, & J.-F. Álvarez-Herrero (Eds.), Transformando la educación a través del conocimiento (pp. 1046-1060). Ediciones Octaedro. https://octaedro.com/wpcontent/uploads/2022/11/9788419506733.pdf
Pulcini, G. G., Porcarelli, A., Angeletti, M., & Polzonetti, V. (2018). Alla ricerca di strumenti per l’orientamento universitario: Prima traduzione ufficiale del Cuestionario adaptado de estilos de aprendizaje (CAMEA40) in lingua italiana. Sperimentazione avviata all’Università di Camerino. IUSVEducation, (11), 174-205 https://iusveducation.it/alla-ricerca-di-strumenti-per-lorientamento-universitario-prima-traduzione-ufficiale-del-cuestionario-adaptado-de-estilos-deaprendizaje/
Vinces-Vinces, F. V., & Flores-Sanchéz, M. (2025). Aplicación de Machine Learning para predecir y explicar el rendimiento académico universitario. Comunicar, 33(82), 12-23. https://doi.org/10.5281/zenodo.16121350
Zapata-Zapata, A., Vesga Bravo, G. J., Puente Ferreras, A., & Alvarado Izquierdo, J. M. (2024). Juicios metacognitivos en los procesos de aprendizaje en la educación superior: una revisión sistemática 2018-2023. Revista Latinoamericana de Psicología, 56(15), 147-155. https://doi.org/10.14349/rlp.2024.v56.15
Downloads
Publicado
Edição
Seção
Licença
Direitos autorais (c) 2026 Educacion
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
