Learning analytics: prever o sucesso sem aprisionar os alunos

Cada interação com uma plataforma de aprendizagem deixa um rasto: tempo despendido, exercícios tentados, erros recorrentes. O learning analytics transforma esses rastos em informação acionável — detetar um aluno com dificuldades antes do insucesso, ajustar um curso, personalizar um acompanhamento. A promessa é forte; as armadilhas éticas não o são menos.

Prever para agir: os sistemas de alerta precoce

Os sistemas de alerta precoce combinam dados de plataforma e modelos preditivos para sinalizar os alunos em risco. Trabalhos recentes mostram ciclos completos «prever-intervir-avaliar» que associam a previsão algorítmica a redes de apoio humano ^[1], bem como modelos de risco de abandono a partir da atividade em linha ^[2]. Conjuntos de dados abertos, como o OULAD (mais de 32 000 estudantes), padronizam a investigação e a identificação precoce ^[3].

A armadilha das variáveis estáticas

Um risco maior espreita estes modelos: apoiar-se em características estáticas em vez da aprendizagem real. Um estudo mostra que variáveis demográficas podem dominar as previsões de risco (até cerca de dois terços da importância), o que permite uma deteção precoce, mas ameaça perpetuar as desigualdades quando a demografia funciona como proxy de barreiras sistémicas ^[4]. Prever que um aluno de um certo perfil vai fracassar não é um diagnóstico: é um espelho dos enviesamentos do passado.

Ética, transparência e consentimento

A comunidade do learning analytics leva estas questões a sério. Referenciais de «responsible AI» propõem princípios operacionais — transparência, equidade, responsabilização — para evitar apoios desiguais consoante os grupos ^[5]. Trabalhos centrados nos estudantes mostram que estes veem a transparência como algo a cultivar ativamente e defendem um consentimento contínuo e mensurável, em vez de binário ^[6]. A conferência LAK, montra da área, coloca agora o uso responsável dos dados em primeiro plano ^[7].

• Associar toda a previsão a uma intervenção humana atenciosa.
• Auditar os modelos para evitar que a demografia se torne um destino.
• Tornar os critérios explicáveis e o consentimento revisível.
• Avaliar o impacto real no sucesso, e não apenas a precisão do modelo.

Um modelo que prevê o insucesso sem ajudar a evitá-lo não analisa a aprendizagem: julga-a.

Síntese Learnya

O learning analytics lida, por natureza, com dados pessoais sensíveis; a sua legitimidade assenta numa governação rigorosa — um imperativo reforçado no contexto europeu e suíço. Bem enquadrado, ajuda a agir cedo e a distribuir melhor a atenção; mal enquadrado, vigia e aprisiona.

Previsão, correlação, causalidade: não confundir

Um modelo preditivo deteta regularidades, não causas. Saber que um conjunto de sinais anuncia um risco de abandono não explica porquê, nem o que se deve fazer. Confundir correlação e causalidade pode conduzir a intervenções inúteis, ou mesmo contraproducentes — por exemplo, visar um aluno com base no seu perfil e não nas suas dificuldades reais. O valor de um sistema de alerta reside na pertinência da ação que desencadeia, e não apenas na sua precisão estatística ^[1].

O perigo mais bem documentado é a profecia autorrealizável. Se as variáveis estáticas dominarem a previsão ^[4], o sistema arrisca-se a rotular de forma duradoura certos alunos, orientando a atenção e os recursos de um modo que confirma o prognóstico. Um painel de indicadores que exibe um «risco» sem contexto pode assim pesar sobre o olhar do professor e sobre a autoestima do aluno. A transparência sobre o que o modelo mede — e não mede — é essencial.

É por isso que a comunidade desloca a exigência do desempenho para a responsabilização: equidade, prestação de contas, consentimento contínuo e revisível ^[5][6]. Sendo os dados de aprendizagem intrinsecamente pessoais e sensíveis, a sua exploração exige uma governação rigorosa e uma finalidade claramente ao serviço do aluno. Bem governado, o learning analytics ajuda a agir cedo e com acerto; mal governado, torna-se uma ferramenta de vigilância que julga em vez de ajudar.

Da análise à ação justa

O valor do learning analytics não se mede pela sofisticação dos seus modelos, mas pela qualidade das decisões humanas que ilumina. Um painel de indicadores só faz sentido se desencadear uma ação atenciosa e pertinente: uma conversa, um apoio, uma adaptação. Sem este ciclo, o dado permanece uma observação estéril, na melhor das hipóteses inútil, na pior estigmatizante.

A evolução responsável da área passará por mais transparência para os alunos, um consentimento verdadeiramente revisível e auditorias sistemáticas aos enviesamentos. O dado de aprendizagem pertence, antes de mais, ao aluno; analisá-lo é um serviço que se lhe presta, não uma vigilância que se lhe impõe. É mantendo este princípio no centro, e dominando a governação dos dados, que a análise da aprendizagem cumprirá as suas promessas sem trair a confiança.