Estudantes universitários dos EUA com especialização em áreas STEM atualmente se formam com cerca de 20% menos frequência do que seus colegas não STEM, um apelo retumbante para melhor ajudar esses estudantes, especialmente nos primeiros semestres. Embora mudanças sistémicas e de longo prazo – longe das palestras, em direção à partilha de práticas de ensino baseadas em evidências – devam ajudar, a inércia do meio académico pode por vezes retardar a sua adopção.

Alguns educadores e investigadores procuraram complementar essas mudanças mais grandiosas com alguns empurrões na direção certa. Um candidato promissor: intervenções periódicas destinadas a ajudar os alunos com dificuldades a encontrar o seu caminho.

Mohammad Hasan e Bilal Khan, do Nebraska, investigaram recentemente se a aprendizagem automática – uma forma de IA que pode identificar padrões em dados e depois utilizar esse reconhecimento aprendido para prever resultados – pode contribuir para a causa. Para começar, Hasan e Khan treinaram um modelo com base nos deveres de casa, testes e notas intermediárias, juntamente com as notas finais, de 537 alunos que fizeram um curso de ciência da computação entre 2015 e 2018.

Posteriormente, aplicaram o modelo a uma turma de 65 alunos matriculados nesse mesmo curso. Em três momentos do semestre – seis semanas, nove semanas e 12 semanas depois – 32 dos alunos receberam uma mensagem automática através do sistema de gerenciamento de cursos da universidade. Essa mensagem transmitia a projeção do modelo de um aluno aprovado no curso: "Bom", "Regular", "Propenso a riscos" ou "Em risco". Os 33 alunos restantes, do grupo de controle, sempre recebiam a mensagem “Incapaz de fazer uma previsão”.

Entre o grupo de controle , 24 dos 33 alunos – cerca de 73% – foram aprovados no curso. Enquanto isso, aqueles que receberam previsões reais com base em suas trajetórias tiveram resultados substancialmente melhores: 29 dos 32 alunos foram aprovados, o que representa uma taxa de quase 91%. E dos estudantes inquiridos que relataram verificar ativamente o seu estado, 86% disseram que aumentaram o seu esforço depois de verem as previsões.

A pesquisa é publicada na revista PLOS ONE .

Hasan e Khan disseram que as descobertas, embora iniciais, apontam para o valor da integração de intervenções baseadas em IA em cursos STEM. A dupla planeia realizar um estudo maior e de longo prazo que poderá ajudar a determinar se as variáveis para além das pontuações – comportamentos relacionados com o curso, percepções da ciência, demografia – podem generalizar e expandir a utilização das intervenções para além de um único curso uniforme.