Como a inteligência artificial ajuda a reduzir a evasão escolar?

Em Wisconsin (Estados Unidos), Victoria (Austrália) e a Província de Buenos Aires (Argentina), a inteligência artificial (IA) tem sido usada para ajudar no desenvolvimento de modelos de detecção precoce de risco de abandono escolar. A análise desses três casos ilustra como o uso dessa tecnologia emergente pode ajudar a melhorar a permanência dos alunos durante o curso de sua escolaridade.

O projeto de Wisconsin é o mais abrangente porque é o que tem maior permanência ao longo do tempo (desde 2012).  Gera resultados de impacto nas variáveis que pretendia intervir e supera algumas das dificuldades que surgiram no uso de modelos de detecção precoce de deserção. Também permite a análise de subgrupos, integrou (no caso de Milwaukee) o monitoramento dos alunos no ensino superior e tem auxiliado instituições na concepção de políticas para enfrentar problemas detectados a partir das informações.

O modelo para detecção antecipada dos possíveis abandonos (DEWS) Drop Out Early Warning System faz parte de um projeto mais amplo sobre o uso de dados no sistema educacional (WISE). Esse sistema completo de informações foi disponibilizado a todos os membros do sistema educacional, através de um portal no qual são encontradas múltiplas variáveis com diferentes níveis de consulta, úteis para diferentes públicos, o que facilita a ampla disseminação dentro de um quadro de proteção de dados.

É especialmente importante o acompanhamento que é feito a partir do projeto WISE aos gestores educacionais e às instituições, para o uso das informações. Com isso, é possível que o planejamento educacional leve em conta as informações que o sistema lança para estabelecer as ações a se seguir e voltadas a enfrentar os problemas educacionais.  Da mesma forma, o uso das informações permite que as instituições estabeleçam processos mais personalizados de acordo com as características de seus alunos, e até mesmo elaborem respostas mais personalizadas.

Os casos de Victoria e da província de Buenos Aires

A análise do caso de Victoria, na Austrália, chamada Student Mapping Tool (SMT) ilustra como uma ferramenta muito simples permite às instituições de ensino um maior conhecimento dos alunos, para evitar abandonos. Essa ferramenta reforça a elaboração de ações para enfrentar as condições que fazem prever a evasão, uma vez que essas são registradas na mesma ferramenta para que sejam monitoradas e avaliadas. Essa experiência interessante, no entanto, teve uma curta duração que serve para destacar as condições necessárias para a continuidade de projetos semelhantes: a necessidade do envolvimento dos gestores educacionais no projeto e de estabelecer incentivos para uso pelas instituições de ensino.

O caso da Argentina, que foi projetado e implementado na Província de Buenos Aires, ilustra a possibilidade de estabelecer modelos com séries não muito longas. Como no caso australiano, aponta a importância de garantir um período suficiente de tempo para alcançar a implementação completa do projeto e a necessidade de fornecer incentivos para uso pelas escolas.

Sobre o estudo

Esse três casos foram analisados em estudo a ser publicado como parte de um relatório do CAF sobre o uso estratégico de dados e inteligência artificial (IA) no setor público ExperiencIA; Dados e Inteligência Artificial no Setor Público na América Latina, estudo que teve como objetivo documentar casos de implementação de projetos que utilizaram dados e Inteligência Artificial (IA) no setor educacional a nível internacional, para a concepção, implementação e monitoramento de políticas públicas, a fim de propor recomendações sobre o possível uso dessa tecnologia pelas administrações do setor educacional na América Latina e que os ajuda a melhorar sua eficiência e eficácia.

O trabalho iniciado a partir de uma revisão do estado da arte em termos de uso de dados e IA no setor educacional, a partir do qual se conclui que a análise de dados para aprendizagem desenvolvida nas últimas décadas responde à necessidade de buscar ferramentas que permitam personalizar o ensino porque, gerando maior conhecimento e acompanhamento de cada aluno, permite a elaboração de soluções de aprendizagem personalizadas.  As ferramentas utilizadas têm focado nos alertas precoces e na identificação das intervenções, mas ainda não propõem as ações que devem ser realizadas para esse fim, por isso tem sido muito difícil medir seu impacto.

Da mesma forma, são descritas as limitações dos sistemas de detecção precoce de risco de evasão desenvolvidos, relacionados à operação, ao monitoramento de trajetórias além da escola, bem como a possibilidade de utilização de modelos mais sofisticados que permitam identificar subgrupos específicos.

As experiências que superam as limitações descritas foram investigadas, uma vez que aproveitam o uso da IA para enfrentar a evasão escolar, buscam identificar alunos em risco, tomam medidas para retê-los e apoiam a formulação de estratégias para sua permanência no sistema educacional.

Esse estudo foi desenvolvido no âmbito de uma iniciativa regional da Diretoria de Inovação Digital do Estado da Vice-Presidência de Conhecimento do CAF, banco de desenvolvimento da América Latina, que promove o uso estratégico de dados e inteligência artificial (IA) pelo setor público dos países latino-americanos, para gerar valor social e econômico.

No próximo dia 15 de setembro será realizada uma conferência ExperiencIA, dados e inteligência artificial no setor público, onde esse e outros casos serão discutidos em profundidade, relatados pelos responsáveis por outras experiências.