(2026-02-12) Pacheco, Melissa Araújo; Albuquerque Junior, Gabriel Alves de; http://lattes.cnpq.br/1399502815770584
A evasão no ensino superior é crítica, e modelos de Machine Learning usados para combatê-la podem replicar desigualdades. Este trabalho audita um modelo de predição de evasão treinado com dados reais, utilizando métricas de justiça e Explainable AI (SHAP). Apesar da acurácia global de 87%, detectou-se uma dicotomia de erros: um viés punitivo contra estudantes de STEM (altos falsos positivos) e um viés de negligência em relação a mulheres (altos falsos negativos), invisibilizando alunas em risco real. O SHAP confirmou que gênero e localização influenciam indevidamente as decisões, evidenciando que a validação ética é indispensável para evitar a exclusão automatizada na gestão acadêmica.
