Aplicando Cadeias de Markov para Previsão de Permanência Escolar e Renovação de Matrículas
Ao estudar as Cadeias de Markov, percebi que sua aplicação pode ir muito além da previsão do tempo apresentada na aula. Como atuo na área educacional e venho desenvolvendo a Plataforma Inteligente de Gestão, Análise e Comunicação da Avaliação Formativa do Aprendiz (AFA), resolvi adaptar a atividade proposta para aplicá-la a um problema real enfrentado pelas escolas: a previsão do risco de não renovação de matrícula.
Optei por realizar essa adaptação porque acredito que a aprendizagem se torna mais significativa quando conseguimos transferir os conceitos estudados para desafios concretos de nossa área de atuação. Embora o exemplo da previsão do tempo seja bastante adequado para compreender o funcionamento das Cadeias de Markov, meu objetivo foi demonstrar como o mesmo raciocínio probabilístico pode apoiar a tomada de decisão em contextos educacionais.
Atualmente, venho desenvolvendo a Plataforma Inteligente de Gestão, Análise e Comunicação da Avaliação Formativa do Aprendiz (AFA), um sistema voltado para o acompanhamento acadêmico, comportamental e socioemocional dos estudantes. Ao estudar as Cadeias de Markov, percebi que a lógica utilizada para prever mudanças climáticas poderia ser aplicada à previsão de transições nos estados de permanência escolar dos alunos.
A proposta consiste em alimentar a plataforma AFA com planilhas Excel contendo dados de engajamento, desempenho, comportamento e participação dos estudantes, além de registros de atendimentos pedagógicos, psicológicos e históricos de relacionamento das famílias com a escola. Esses dados seriam importados periodicamente para a plataforma, formando uma base histórica capaz de representar o estado atual de cada estudante e de sua família.
A partir dessas informações, o sistema aplicaria Cadeias de Markov para analisar a probabilidade de transição entre diferentes estados de permanência escolar. Assim, um aluno poderia evoluir entre estados como Estável, Atenção, Risco e Crítico, enquanto as famílias poderiam ser classificadas em perfis como Parceira, Delegadora, Vinculada ou Insatisfeita. Com base no estado atual identificado nas planilhas, a Cadeia de Markov estimaria os estados futuros mais prováveis e o risco de não renovação da matrícula.
A escolha desse contexto se justifica porque a decisão de permanência em uma escola raramente depende de um único fator. Normalmente ela resulta da combinação entre desempenho acadêmico, participação escolar, aspectos socioemocionais, experiências vividas pelo estudante e percepção da família sobre a capacidade da instituição de atender às suas necessidades.
Por exemplo, um estudante que apresenta aumento de faltas, queda nas notas, relato de bullying, envolvimento em situações de agressão, redução da participação em eventos e viagens escolares e procura frequente por apoio psicológico pode estar demonstrando sinais de enfraquecimento de seu vínculo com a escola. Da mesma forma, a família pode influenciar esse processo de maneiras distintas. Uma família participativa e parceira pode optar por permanecer na instituição por confiar no trabalho pedagógico, mas também pode considerar a transferência caso perceba que as necessidades do estudante não estão sendo atendidas. Já uma família pouco participativa pode permanecer por delegar à escola a gestão dos problemas do estudante ou, ao contrário, decidir pela transferência ao considerar que a instituição não conseguiu resolvê-los.
Dessa forma, o sistema deixa de atuar apenas de maneira reativa, quando a transferência já está sendo solicitada, e passa a atuar preventivamente, identificando padrões de risco e apoiando a gestão escolar na construção de estratégias de retenção, acolhimento e fortalecimento do vínculo entre aluno, família e escola.
Além de aplicar os conceitos estudados na aula, essa proposta busca demonstrar como modelos probabilísticos podem ser utilizados para transformar dados educacionais em informações estratégicas. Ao final do processamento, a plataforma gera dashboards por turma, permitindo que a equipe gestora visualize alunos em situação de atenção, risco ou criticidade, identifique perfis familiares que demandam maior aproximação institucional e desenvolva ações preventivas baseadas em evidências.
Dessa forma, a atividade deixa de ser apenas uma simulação de previsão climática e passa a representar uma aplicação concreta da Inteligência Artificial na gestão educacional, demonstrando como as Cadeias de Markov podem apoiar a permanência escolar, a retenção de estudantes e a sustentabilidade institucional.
Fluxo de funcionamento
Planilhas Excel
↓
Importação para a AFA
↓
Tratamento dos dados
↓
Classificação dos estados
↓
Aplicação das Cadeias de Markov
↓
Previsão de permanência
↓
Dashboard por turma
↓
Tomada de decisão da gestão
Estados do Aluno
- Estável
- Atenção
- Risco
- Crítico
