Análise Comparativa entre Métodos Tradicionais de Aprendizado de Máquina e Aprendizado Ativo na Predição da Evasão Escolar

Este artigo propõe uma abordagem automatizada para a predição da evasão no ensino superior, comparando modelos supervisionados tradicionais com estratégias baseadas em aprendizado ativo. O estudo buscou responder a duas questões centrais: (1) Como construir modelos preditivos eficazes de forma automatizada? e (2) Como minimizar a rotulagem manual sem comprometer o desempenho? Para isso, foram desenvolvidas duas pipelines. A tradicional avaliou algoritmos como XGBoost, LightGBM e Random Forest, com seleção via F1-Score e otimização de hiperparâmetros por Grid Search, Random Search, BayesSearchCV e Optuna. A pipeline com aprendizado ativo priorizou a redução da rotulagem, mantendo resultados competitivos. Os achados indicam que ambas as abordagens são eficazes na antecipação do risco de evasão, oferecendo suporte estratégico à tomada de decisão baseada em dados.