Revisão sistemática da literatura sobre uso de gamificação e machine learning na predição de desempenho acadêmico

Abstract

As disciplinas introdutórias de programação representam um desafio significativo para estudantes dos cursos da área de tecnologia, estando frequentemente associadas a dificuldades de aprendizagem e elevados índices de reprovação. Nesse contexto, a gamificação surge como uma estratégia capaz de tornar o processo de ensino-aprendizagem mais interativo e motivador, estimulando o engajamento e o rendimento acadêmico dos estudantes. Além disso, técnicas de Machine Learning podem ser utilizadas para prever alunos em risco de baixo desempenho, possibilitando a adoção antecipada de intervenções pedagógicas. Este trabalho apresenta uma Revisão Sistemática da Literatura com o objetivo de investigar como a gamificação associada ao Machine Learning tem sido aplicada na predição do desempenho acadêmico em disciplinas introdutórias de programação no ensino superior. A metodologia contemplou etapas de busca em bases como o ACM, IEEE Xplore, Scopus, Science Direct e Web of Science, seleção, avaliação da qualidade e extração de dados dos estudos analisados. Ao todo, foram selecionados 30 artigos. Os resultados indicaram que algoritmos como Redes Neurais, Random Forest, SVM e KNN são amplamente empregados na predição do desempenho estudantil, sendo as Redes Neurais Artificiais (RNAs) as que apresentaram melhor desempenho. Além disso, estratégias gamificadas apresentaram contribuições positivas para o engajamento e a aprendizagem. Também foram identificadas métricas de avaliação como Accuracy, F1-score, Precision, Recall, R² e AUC, sendo a Accuracy a métrica mais utilizada nos estudos analisados. Observou-se, ainda, uma tendência crescente na adoção de abordagens que integram gamificação e técnicas de Machine Learning, com o objetivo de aumentar o engajamento dos estudantes e possibilitar a identificação precoce de alunos com risco de baixo desempenho acadêmico. Contudo, a literatura revela que ainda é reduzido o número de estudos que combinam essas duas abordagens de forma integrada para a detecção antecipada de estudantes em situação de risco acadêmico, evidenciando uma lacuna de pesquisa que merece maior atenção por parte da comunidade científica.