Aprendizado de máquina aplicado a sinais fisiológicos para análise de engajamento estudantil

Abstract

A avalição de engajamento estudantil é um grande desafio, principalmente por ser bastante subjetiva, baseada em observações e questionários, trazendo assim um viés para essas análises. Este trabalho propõe uma análise objetiva para entender o engajamento estudantil, por meio de algoritmos de aprendizado de máquina, analisando dados fisiológicos: atividade eletrodérmica (EDA), frequência cardíaca (HR) e temperatura da pele (ST). A base de dados foi obtida a partir de um experimento com cinquenta estudantes de engenharias, submetidos a metodologias de ensino ativa e tradicional. Após o pré-processamento e a extração de variáveis derivadas (SCL, NS.SCRs, EDASymp e TVSymp), aplicaram-se três algoritmos supervisionados: Redes Neurais, Random Forest e Máquinas de Vetores de Suporte (SVM). Os modelos foram avaliados por matriz de confusão e métricas de acurácia. Os resultados mostraram que o SVM apresentou o melhor desempenho, com 98,15% de acurácia, seguido pelas Redes Neurais (95,33%) e Random Forest (89,04%). Conclui-se que o uso de técnicas de aprendizado de máquina combinadas a dados fisiológicos permite uma análise mais objetiva e precisa do engajamento estudantil, contribuindo para o desenvolvimento de ambientes educacionais inteligentes e personalizados.

Assessing student engagement is a major challenge, mainly because it is highly subjective, based on observations and questionnaires, which introduces bias into such analyses. This study proposes an objective approach to understanding student engagement through machine learning algorithms by analyzing physiological data: electrodermal activity (EDA), heart rate (HR), and skin temperature (ST). The dataset was obtained from an experiment with fifty engineering students who were exposed to active and traditional teaching methodologies. After preprocessing and extracting derived variables (SCL, NS.SCRs, EDASymp, and TVSymp), three supervised algorithms were applied: Neural Networks, Random Forest, and Support Vector Machines (SVM). The models were evaluated using confusion matrices and accuracy metrics. The results showed that SVM achieved the best performance, with 98.15% accuracy, followed by Neural Networks (95.33%) and Random Forest (89.04%). It is concluded that the use of machine learning techniques combined with physiological data enables a more objective and precise analysis of student engagement, contributing to the development of intelligent and personalized educational environments.