Sem EducaPrev AI
Risco estimado
12/100
IFTO · Campus Araguaína · Edital nº 18/2026 PAP/INOVA
A diferença entre um diploma e uma matrícula cancelada acontece na Semana 3.
Antecipe sinais silenciosos de abandono e entregue assistência estudantil personalizada antes que a evasão se torne irreversível.
Mesma estudante. Dois semestres possíveis.
Arraste, use as setas do teclado ou escolha um marco para percorrer as 15 semanas.
Cenário ilustrativo
Com EducaPrev AI
Risco estimado
12/100
Ver a comparação das duas trajetórias em tabela
| Semana | Sem EducaPrev AI | Com EducaPrev AI |
|---|
Trajetória composta a partir dos fatores empíricos e dos municípios documentados por Santos (2025) no Campus Araguaína. Não representa uma estudante específica.
O diagnóstico
Cinco fatores que não agem sozinhos
Santos (2025) analisou 346 matrículas e entrevistou evadidos do curso de Gestão da Produção Industrial. Os fatores identificados operam como rede de causas mutuamente reforçantes — e é exatamente essa interação que pesos fixos não conseguem modelar.
Incidência entre os estudantes evadidos
Fonte: Santos (2025) — dados verificados, curso GPI, Campus Araguaína, 2017–2024.
58,9%
de evasão global
198 de 336 ingressantes abandonaram o curso entre 2017 e 2024.
57,5%
de evasão entre cotistas
76 de 132 estudantes cotistas, mesmo com auxílios de permanência.
Os fatores se correlacionam
Trabalho Deslocamento r = 0,32
Trabalho Cansaço r = 0,25
Um modelo que trata cada fator isoladamente subestima o risco de quem está exposto a vários ao mesmo tempo.
A ponte
Da entrevista qualitativa à variável computável
Décadas de pesquisa brasileira sobre evasão permaneceram no plano qualitativo. O EducaPrev AI traduz cada fator em campos que já existem no SUAP — sem coleta nova, sem formulário adicional.
Fator empíricoProxy computável no SUAP
Pressão por trabalho
turno noturno + idade > 22 + ausência de bolsa integral
Cansaço e exaustão
queda progressiva de frequência + reprovações por falta
Deslocamento
município de residência ≠ município do campus
Dificuldade acadêmica
reprovações acumuladas + notas abaixo da média do curso
Desalinhamento curricular
trancamentos parciais frequentes
Random Forest
XGBoost
SMOTE
Validação cruzada estratificada k=5
Bayesian Optimization
Platt Scaling
Dados anonimizados · LGPD
Explicabilidade
Um score sem explicação não vira intervenção
Coordenação e assistência estudantil não precisam de um número — precisam saber o que fazer. Cada predição é decomposta por SHAP, separando o que empurra o estudante para a evasão do que o segura no curso.
Estudante #A-2291 · 3º período · noturno
Cenário ilustrativo
Contribuição de cada variável para o score final. Barras à direita, em vinho e com o sinal +, aumentam o risco; barras à esquerda, em verde e com o sinal −, reduzem.
- Turno noturno + jornada de trabalho+24
- Queda de frequência (4 semanas)+21
- Deslocamento intermunicipal+18
- Reprovações acumuladas+11
- Auxílio permanência ativo−9
- Média acima do corte em 2 disciplinas−6
Score resultante
59/100
Alerta automático é disparado quando o score cruza 70
Cada intervenção registrada fica vinculada ao desfecho do estudante — é assim que o sistema mede a efetividade das ações, e não só a acurácia do modelo.
Maturidade tecnológica
Onde o projeto está — e onde quer chegar
O protótipo já opera sobre dados reais do SUAP do Campus Araguaína, calculando score de risco por regras fixas. O que este projeto propõe é substituir essas regras por modelos de aprendizado de máquina.
- TRL 1–4
Princípios, conceito, prova de conceito e validação em laboratório
Concluído - TRL 5
Score de risco calculado com dados reais do Campus Araguaína
Estado atual - TRL 6
Dashboard com ML demonstrado a coordenadores e assistência estudantil
Meta - TRL 7
Sistema validado com estudantes ativos no semestre 2027.1
Meta
Os três primeiros cartões são metas de projeto, não resultados obtidos. Os modelos serão treinados e validados ao longo da execução (ago/2026 – jul/2027).
O custo de esperar
Cada semestre sem predição é uma janela que fecha
1.280
alunos no Campus Araguaína
R$ 1.741
por aluno, por mês
Investimento público segundo a Plataforma Nilo Peçanha (MEC).
3º
lugar em evasão
Entre os 100 países de maior IDH, com taxa de 24,3%.
Nenhuma das revisões sistemáticas da literatura brasileira sobre evasão identificou modelos preditivos ou sistemas de alerta precoce.
Nascimento et al. (2020) · Silva e Mendes (2023) · Santos, A. M. et al. (2023)
O primeiro sistema preditivo de evasão da rede IFTO
Arquitetura multi-tenant, pensada para replicação nos 11 campi do IFTO e em outros Institutos Federais. Conversamos sobre a validação no seu campus?
Iury Gomes de Oliveira (coordenação) · Rennzo Rodrigues Diedrichs · Walmir Jacinto de Sousa · Cassilda Alves dos Santos