摘要：Objetivo: Esta pesquisa propõe identificar o risco de reprovação de discentes do ensino superior usando algoritmos de Machine Learning (ML), com base nos registros administrativos e acadêmicos da Universidade Federal da Paraíba (UFPB) e da Plataforma Lattes, para o período de 2010 a 2016 da disciplina de Cálculo Diferencial e Integral I. Metodologia: Foi verificado que os modelos com a melhor performance de previsão foram Ridge, Regressão Logística, LASSO e Elastic Net, sem diferenças estatísticas de desempenho entre si. Resultado: A partir da modelagem sobre os dados de treinamento, os resultados encontrados explicitam que, das 1.903 observações que compõem um novo conjunto de dados, o conjunto de teste, a frequência dos alunos com status (reprovados e aprovados) previstos corretamente pela Accuracy foi de 67%, em ambos os modelos. Por sua vez, 65% dos discentes foram previstos corretamente como reprovados (Sensitivity). Contribuição: Esses achados ratificam que os algoritmos de ML podem ser instrumentos viáveis para auxiliar ações pedagógicas e gerenciais acadêmicas preventivas que visem à redução dos índices de reprovação no ensino superior.
关键词：Predição de Risco;Reprovação;Ensino Superior;Machine Learning.
