O protocolo do Classificador Neural Híbrido Quântico-Clássico com Meta-Aprendizagem (ML-HQNC) integra modelagem cognitiva inspirada em quântica, pré-processamento de dados, seleção de características e aprendizado neural híbrido para identificar os interesses de estudantes de engenharia. Este protocolo apresenta um fluxo de trabalho reprodutível de aprendizado de máquina híbrido inspirado em quântica para análise educacional, demonstrado por meio da identificação dos interesses de estudantes de engenharia utilizando dados educacionais multidimensionais.
Artigo de investigação
Identificação de Interesses dos Estudantes Baseada em Dados para Sistemas Inteligentes de Gestão de Ensino em Faculdades de Engenharia
Neste artigo
Resumo
Resumo
Este protocolo apresenta um framework computacional inspirado na mecânica quântica para identificar os interesses de estudantes de engenharia utilizando dados educacionais e comportamentais multidimensionais. O objetivo é fornecer um fluxo de trabalho sistemático e reprodutível que integre pré-processamento de dados, análise de padrões comportamentais, seleção de características e aprendizado neural híbrido para apoiar a tomada de decisões educacionais e o aprendizado personalizado. O fluxo de trabalho inicia com a Escala Robusta por IQR com Box-Cox (BCRIS, na sigla em inglês) para pré-processar e normalizar dados educacionais, reduzindo o ruído semântico e melhorando a qualidade dos dados. Os comportamentos de aprendizagem dos estudantes são posteriormente analisados usando o Modelo de Estado Cognitivo Quântico (QCSM), que representa transições comportamentais e preferências de aprendizagem em evolução sob condições de incerteza. As características relevantes são então selecionadas utilizando o algoritmo de Seleção de Características por Otimização Híbrida de Enxame e Baleia com Aumento Quântico (QES-WOFS), com o objetivo de reduzir a redundância de características e identificar traços comportamentais informativos. Por fim, o Classificador Neural Híbrido Meta-Aprendizagem Quântico-Clássico (ML-HQNC) integra aprendizado inspirado na mecânica quântica com redes neurais profundas para classificar os interesses dos estudantes. O protocolo foi validado utilizando um conjunto de dados educacionais de acesso público. O desempenho do modelo foi avaliado por meio de métricas convencionais, incluindo acurácia, pontuação F1 e área sob a curva da característica de operação do receptor (AUC), juntamente com a Precisão na Detecção de Interesses (IDP), Índice de Estabilidade de Padrões Quânticos (QPSI) e Ganho de Adaptabilidade Interdomínios (CDAG). O framework alcançou uma acurácia geral de classificação de 96,17% no conjunto de dados avaliado. Este protocolo fornece um fluxo de trabalho computacional reprodutível para análise de dados educacionais multidimensionais, apoiando aplicações de gestão educacional inteligente e aprendizado personalizado.
Introdução
Sistemas de gestão educacional são cada vez mais utilizados em todo o setor educacional, impulsionados pelos rápidos avanços em tecnologia da informação e redes de computadores. O crescimento contínuo do ensino superior tem sido acompanhado por um aumento na matrícula de estudantes, particularmente entre os alunos de engenharia, resultando em um aumento substancial nos dados de gestão educacional. Esse crescimento apoia o desenvolvimento educacional sustentável, acelera a informatização do ensino e facilita a criação de sistemas padronizados de gestão educacional que melhoram a consistência e a eficiência da administração acadêmica. A Aprendizagem de Máquina (ML) fornece técnicas computacionais que permitem aos sistemas analisar dados, aprender com padrões e melhorar continuamente o desempenho preditivo sem programação explícita1,2.
A qualidade educacional é um componente fundamental do ensino superior. Nos últimos anos, exames têm sido amplamente utilizados para avaliar a compreensão dos estudantes de engenharia sobre o conteúdo do curso e sua capacidade de adquirir novos conhecimentos, promovendo assim melhorias contínuas na qualidade educacional. Ambientes centrados no aluno podem ser estabelecidos aproveitando diversos recursos de aprendizagem disponíveis por meio de plataformas educacionais online e aplicando múltiplas teorias de aprendizagem para atender às necessidades de diferentes aprendizes. O ensino eficaz desempenha um papel fundamental na melhoria dos resultados de aprendizagem entre estudantes de engenharia em universidades e faculdades3,4. Além disso, o ensino eficaz promove um ambiente de aprendizagem positivo, apoia a compreensão dos alunos sobre o conteúdo do curso e aprimora o desempenho acadêmico. A qualidade educacional é avaliada utilizando múltiplos indicadores ao longo do processo de aprendizagem, incluindo estrutura do currículo, ambiente em sala de aula e conteúdo de ensino.
O ensino superior promove o desenvolvimento intelectual, pessoal e social dos estudantes. Ao mesmo tempo, o engajamento do estudante — incluindo dimensões comportamentais, emocionais e cognitivas — e a persistência acadêmica tornaram-se determinantes importantes dos resultados de aprendizagem. Níveis elevados de engajamento dos estudantes contribuem significativamente para o sucesso acadêmico de longo prazo5,6. Os avanços na tecnologia educacional criaram novas oportunidades para análises educacionais baseadas em dados, por meio da modelagem de relações não lineares complexas entre as características cognitivas, comportamentais e acadêmicas dos estudantes, utilizando técnicas de Aprendizado de Máquina (ML) e Aprendizado Profundo (DL).
Um grande desafio permanece a observação e avaliação eficazes da dinâmica em sala de aula, levando em conta os comportamentos estudantis em evolução. As abordagens tradicionais para avaliar a qualidade educacional e analisar o comportamento de estudantes de engenharia são frequentemente demoradas e suscetíveis ao julgamento subjetivo humano. A desatenção dos estudantes durante as atividades em sala de aula afeta negativamente os resultados de aprendizagem e o desempenho acadêmico7,8. No entanto, manter a atenção sustentada entre estudantes de engenharia permanece desafiador devido a distrações internas e externas e flutuações na motivação.
Avaliar e melhorar o engajamento dos alunos tornou-se cada vez mais importante com a ampla adoção do ensino on-line, salas de aula inteligentes e outras tecnologias educacionais interativas. Garantir a inclusão entre grupos diversos de estudantes de engenharia destaca ainda mais a necessidade de estruturas abrangentes que integrem abordagens orientadas por tecnologia à prática educacional, mantendo padrões de privacidade e ética. Além disso, a limitada transparência dos modelos e os desafios associados à integração tecnológica9,10, incluindo vieses metodológicos e equidade educacional, continuam a dificultar o desenvolvimento de sistemas preditivos capazes de apoiar os alunos por meio de monitoramento contínuo.
Abordagens de aprendizado de máquina têm sido amplamente utilizadas para enfrentar desafios educacionais, como a previsão de risco de estudantes e taxas de evasão. Essas abordagens demonstraram a capacidade de identificar estudantes em alto risco, apoiando assim intervenções que melhoram o desempenho acadêmico11. Sistemas de gestão educacional baseados em Inteligência Artificial (AI) também foram desenvolvidos para aprimorar tanto processos administrativos quanto acadêmicos em instituições de ensino superior. Conjuntos de dados educacionais geralmente incluem registros acadêmicos, como notas de disciplinas, frequência e histórico de matrículas12.
Estudos anteriores analisaram o comportamento do aluno a partir de três perspectivas: dados de avaliação, métodos e resultados13,14. Foram desenvolvidos modelos preditivos baseados na alfabetização em informação para analisar as características comportamentais de estudantes universitários. Esses estudos concentram-se principalmente na avaliação do comportamento do aprendiz utilizando métodos de Aprendizado Profundo (DL). No entanto, a pesquisa sobre avaliação inteligente do comportamento do professor ainda está em estágio inicial, limitando o avanço nessa área. Redes Neurais Convolucionais Baseadas em Regiões Rápidas (Fast R-CNNs) foram aplicadas a conjuntos de dados educacionais para melhorar a detecção de atividades em sala de aula, demonstrando melhorias significativas de desempenho em comparação com métodos tradicionais15.
Modelos de Memória Longa de Curto Prazo Bidirecionais (Bi-LSTM) que incorporam mecanismos de autocontrole também melhoraram a precisão da previsão de notas para estudantes universitários. De forma semelhante, modelos de previsão desenvolvidos utilizando conjuntos de dados de comportamento em aprendizagem online demonstraram desempenho preditivo aprimorado16,17,18. Além disso, o agrupamento k-means (KMC) tem sido utilizado para identificar as características de diferentes grupos de estudantes por meio de análise de agrupamento, fornecendo insights sobre o comportamento dos alunos que auxiliam na melhoria do ensino, da gestão e da aprendizagem. Estratégias baseadas em aprendizado profundo também foram propostas para aprimorar a detecção e avaliação de comportamentos de ensino em sala de aula. Nessas abordagens, características comportamentais em sala de aula são utilizadas para estabelecer relações entre representações de características e hiperplanos, usando valores iniciais linearmente separáveis para a Máquina de Vetores de Suporte (SVM)19,20. No entanto, desafios como oclusão, detalhes comportamentais finos e interferência ambiental continuam limitando a precisão do reconhecimento de comportamentos de estudantes de engenharia em ambientes de sala de aula.
A aprendizagem profunda também tem sido aplicada à avaliação baseada em resultados de cursos universitários, incluindo a avaliação educacional na educação política e ideológica21,22. A eficácia desses modelos de predição foi demonstrada utilizando conjuntos de dados educacionais disponíveis publicamente. Redes Neurais com Pulsos Alimentadas Diretamente (FSNNs) têm sido utilizadas para prever o desempenho acadêmico dos estudantes com base em dados coletados de plataformas de aprendizagem online e sistemas de gestão de aprendizagem. Conforme ilustrado na Figura 1, o fluxo de trabalho computacional proposto incorpora um conjunto de dados de avaliação educacional para identificar os interesses de estudantes de engenharia por meio de etapas sequenciais de pré-processamento de dados, análise de padrões comportamentais, seleção de características e classificação. Tabela 123,24,25,26,27,28,29,30,31,32 resume métodos representativos relatados em estudos anteriores, juntamente com as técnicas empregadas e suas limitações associadas para identificar o interesse dos estudantes dentro de sistemas de gestão de aprendizagem.
Figura 1: Estrutura para identificação do interesse do estudante. Fluxo geral da estrutura proposta para identificação do interesse do estudante de engenharia, incluindo aquisição de dados, pré-processamento, análise de padrões comportamentais, seleção de características e classificação. Clique aqui para visualizar uma versão maior desta figura.
Tabela 1: Análise do comportamento do aluno na gestão do ensino. Resumo dos métodos, técnicas, conjuntos de dados, métricas de avaliação e limitações relatadas representativas para a análise do comportamento do aluno na gestão do ensino. Clique aqui para baixar esta tabela.
O Transformador Swin e a Rede Piramidal de Características Leve (FPN) foram aplicados à detecção de comportamento de alunos em sala de aula ao processar eficientemente mapas de características multi-escala33. Além disso, a Rede Neural Recorrente Ajustável Otimizada por Mosca-das-Frutas (PFFO-ARNN) tem sido utilizada para analisar o comportamento de aprendizagem online dos alunos e prever o desempenho nas disciplinas34. Estudos baseados em dados de comportamento dos alunos coletados de sistemas de gerenciamento de aprendizagem universitários também destacaram a ineficiência e o caráter demorado do monitoramento de comportamento em sala de aula com métodos convencionais de aprendizado profundo35. Tabela 236,37,38,39,40,41,42,43,44,45,46,47 resume métodos representativos de classificação, conjuntos de dados, métricas de avaliação e limitações relatadas para sistemas inteligentes de gerenciamento de ensino na educação em engenharia.
Tabela 2: Sistemas inteligentes de gestão de ensino baseados em aprendizado profundo para a educação em engenharia. Comparação de sistemas representativos de gestão de ensino baseados em aprendizado profundo, conjuntos de dados, métricas de avaliação e limitações relatadas. Clique aqui para baixar esta tabela.
Um estudo anterior48 desenvolveu um modelo de avaliação da qualidade do ensino baseado em Redes de Crença Profundas (DBNs) e propôs uma estratégia de avaliação mista para avaliar a qualidade do ensino em universidades. A abordagem proposta superou o Algoritmo Genético (GA) convencional tanto na precisão de classificação quanto no tempo de execução, alcançando mais de 95% de precisão em menos de 5,4 ms. O modelo foi treinado utilizando conjuntos de dados educacionais rotulados e avaliado usando uma estratégia de teste independente49,50. Os resultados relatados demonstraram alto desempenho preditivo, com um Erro Médio Absoluto (MAE) de 0,593% e um Erro Quadrático Médio (RMSE) de 0,785%.
Arquiteturas recentes com realce de atenção, como a KANFormer51, integram a autoatenção multi-cabeça com redes de Kolmogorov-Arnold para melhorar a predição do desempenho do aluno ao capturar interações complexas entre características. Modelos de rastreamento do conhecimento baseados em transformadores também demonstraram maior precisão e interpretabilidade nas previsões, aproveitando mecanismos de atenção para modelar as trajetórias de aprendizagem dos alunos52. Embora arquiteturas baseadas em transformadores e atenção tenham aprimorado o desempenho em tarefas de predição educacional ao modelar dependências contextuais e interações de características de longo alcance, essas abordagens focam-se principalmente na predição do desempenho do aluno ou no rastreamento do conhecimento, em vez da identificação de interesses dos alunos com base em incerteza, por meio de modelagem cognitiva inspirada em quântica, seleção otimizada de características e meta-aprendizagem híbrida.
Apesar dos avanços recentes em aprendizado de máquina e aprendizado profundo para análise educacional, os métodos existentes para identificar os interesses de estudantes de engenharia apresentam várias limitações. Muitas abordagens convencionais concentram-se principalmente na precisão preditiva, negligenciando a natureza multifacetada do comportamento dos alunos, incluindo preferências de aprendizagem em evolução, incerteza comportamental, relações contextuais e interações semânticas. Além disso, esses métodos frequentemente dependem de engenharia tradicional de características e estratégias determinísticas de aprendizagem, que podem não capturar adequadamente padrões comportamentais não lineares nem se adaptar a ambientes dinâmicos de aprendizagem. Consequentemente, é necessário um framework mais abrangente que integre pré-processamento robusto de dados, modelagem comportamental inteligente, seleção adaptativa de características e técnicas híbridas de aprendizagem para aprimorar a análise de dados educacionais complexos.
Para superar essas limitações, o framework proposto integra pré-processamento robusto de dados, modelagem comportamental inspirada em quântica, seleção otimizada de características e aprendizado neural híbrido quântico-clássico em um fluxo de trabalho computacional unificado para identificar os interesses de estudantes de engenharia. Ao combinar esses componentes complementares, o protocolo proposto oferece uma abordagem sistemática e reprodutível para analisar dados educacionais complexos, apoiando a aprendizagem personalizada e a tomada de decisões educacionais.
O objetivo deste estudo é desenvolver e validar o framework CQEI utilizando dados multidimensionais educacionais e comportamentais para a identificação do interesse de estudantes de engenharia. O framework combina pré-processamento robusto de dados, modelagem de estado cognitivo inspirada em quântica, seleção otimizada de características e o Classificador Neural Híbrido Quântico-Clássico com Meta-Aprendizagem (ML-HQNC) para analisar os comportamentos de aprendizagem dos estudantes e facilitar a identificação precisa de interesses. O desempenho é avaliado por meio de métricas padrão, incluindo acurácia, pontuação F1 e área sob a curva ROC (AUC), juntamente com a Precisão na Detecção de Interesse (IDP), Índice de Estabilidade de Padrão Quântico (QPSI) e Ganho de Adaptabilidade Interdomínios (CDAG). Ao integrar esses componentes complementares em um único fluxo de trabalho computacional, o framework proposto oferece uma abordagem sistemática para a análise educacional e a tomada inteligente de decisões educativas.
Protocolo
Este estudo utilizou um conjunto de dados anonimizado e de acesso público obtido do repositório Kaggle. Nenhum participante humano foi recrutado ou envolvido diretamente, e nenhuma informação pessoal identificável foi coletada. Portanto, a aprovação ética institucional e o consentimento informado não foram necessários. As ferramentas de pesquisa utilizadas neste estudo estão listadas na Tabela de Materiais.
1. Visão geral do framework CQEI
O framework proposto de Inteligência Educacional Conceitual Inspirada em Quântica (CQEI) integrou pré-processamento de dados, análise de padrões comportamentais, seleção de características e classificação para identificar os interesses de estudantes de engenharia utilizando o conjunto de dados de Avaliação da Qualidade do Ensino obtido do repositório Kaggle. O conjunto de dados foi inicialmente pré-processado pelo método de Escalonamento Robusto IQR Box–Cox (BCRIS) para reduzir o ruído semântico e normalizar as características de entrada. Os padrões comportamentais dos estudantes foram posteriormente analisados usando o Modelo de Estado Cognitivo Quântico (QCSM). Em seguida, o algoritmo de Seleção de Características por Otimização de Enxame-Baleia com Aprimoramento Quântico (QES-WOFS) foi aplicado para identificar características informativas, ao mesmo tempo que reduzia a redundância de características, modelando a seleção quântico-ótima, a significância do feedback e as variações comportamentais transitórias. Por fim, o Classificador Neural Híbrido Quântico-Clássico com Meta-Aprendizagem (ML-HQNC) integrou aprendizado inspirado em quântica com camadas semânticas residuais profundas para identificar os interesses dos estudantes.
O fluxo geral do framework proposto ML-HQNC é ilustrado na Figura 2. O protocolo compreendeu seis etapas sequenciais, começando pela aquisição do conjunto de dados educacionais do repositório Kaggle, seguida pelo pré-processamento dos dados usando a Escala Robusta IQR de Box–Cox (BCRIS), transformação de características e representação comportamental utilizando o Modelo de Estado Cognitivo Quântico (QCSM) e seleção de características com o algoritmo de Otimização por Enxame–Baleia Quântica Aprimorada (QES-WOFS). As características selecionadas foram posteriormente utilizadas para treinamento e validação do Classificador Neural Híbrido Quântico-Clássico de Meta-Aprendizagem (ML-HQNC), e o framework foi finalmente avaliado por meio de acurácia, pontuação F1, área sob a curva da característica operacional do receptor (AUC), precisão na detecção de interesse (IDP), índice de estabilidade de padrões quânticos (QPSI) e ganho de adaptabilidade cruzada de domínio (CDAG).
Figura 2: Estrutura do classificador neural híbrido quântico-clássico por meta-aprendizagem (ML-HQNC). Arquitetura geral da estrutura proposta ML-HQNC integrando a Escala Robusta IQR Box–Cox (BCRIS) para pré-processamento de dados, o Modelo de Estado Cognitivo Quântico (QCSM) para análise de padrões comportamentais, o algoritmo de seleção de características por otimização enxame-baleia quântico aprimorado (QES-WOFS) para seleção de características e aprendizado neural híbrido quântico-clássico para classificação do interesse do estudante. Clique aqui para visualizar uma versão maior desta figura.
2. Conjunto de dados de avaliação da qualidade do ensino
O quadro proposto foi desenvolvido utilizando o conjunto de dados de Avaliação da Qualidade do Ensino, de acesso público, obtido do repositório Kaggle. O conjunto de dados continha 1.014 registros educacionais com 14 características multidimensionais que representavam desempenho acadêmico, notas de avaliação, frequência, características instrucionais e indicadores comportamentais dos alunos, coletados por meio da Plataforma Abrangente de Gestão Educacional (CEMP). Esses atributos forneceram as informações educacionais multidimensionais necessárias para modelar relações não lineares associadas à identificação dos interesses dos alunos de engenharia.
Conforme mostrado na Figura 3, o conjunto de dados foi dividido em subconjuntos de treinamento (80%) e teste (20%). Um total de 800 registros foi utilizado para treinar o modelo proposto, com 200 reservados para avaliação de desempenho. O conjunto de dados está disponível publicamente em: https://www.kaggle.com/datasets/ziya07/teaching-quality-evaluation-dataset. Os conjuntos de dados de treinamento e teste foram posteriormente processados usando o framework proposto para construir o modelo de aprendizado e aprimorar sua capacidade preditiva.
Embora o conjunto de dados subjacente seja intitulado Conjunto de Dados de Avaliação da Qualidade do Ensino, este estudo teve como objetivo identificar os interesses dos estudantes de engenharia. Os atributos educacionais, comportamentais e instrucionais contidos no conjunto de dados serviram como variáveis de entrada para o treinamento e avaliação do framework proposto. Consequentemente, todos os resultados de previsão relatados e as métricas de desempenho descrevem a eficácia do framework em identificar os interesses dos estudantes de engenharia, e não a avaliação da qualidade do ensino. Antes do pré-processamento dos dados, o conjunto de dados importado foi verificado para garantir que todos os 1.014 registros tivessem sido carregados com sucesso, que o esquema do conjunto de dados correspondesse ao formato esperado e que quaisquer registros ausentes ou duplicados tivessem sido identificados e tratados.
3. Pré-processamento de dados usando escalonamento robusto IQR com Box–Cox (BCRIS)
O método de Escalonamento Robusto IQR com Box–Cox (BCRIS) foi utilizado para pré-processar e normalizar o conjunto de dados educacionais, combinando a transformação Box–Cox com escalonamento robusto baseado no intervalo interquartílico (IQR) para reduzir a influência de valores extremos. A correção de simetria juntamente com a normalização centrada na mediana gerou representações de características estatisticamente estáveis e escaláveis, adequadas para análises posteriores. No âmbito do framework proposto de inteligência educacional, o BCRIS transformou indicadores multidimensionais educacionais, instrucionais e comportamentais em representações de características com variância controlada. Características como attendance_rate, interactive_sessions_percentage e outras variáveis educacionais relacionadas foram normalizadas para melhorar a consistência dos conjuntos de dados de treinamento e teste. Explicações matemáticas detalhadas são fornecidas no Arquivo Suplementar 1 (Seção S1). O método BCRIS forneceu uma estratégia de pré-processamento compatível com computação quântica que normalizou dados educacionais heterogêneos antes da análise estatística subsequente, preservando ao mesmo tempo as características comportamentais subjacentes necessárias para modelagem posterior. Antes da análise comportamental, o pipeline de pré-processamento foi verificado para garantir que o conjunto de dados normalizado não contivesse valores inválidos ou ausentes, que o ruído semântico tivesse sido reduzido e que as características processadas fossem adequadas para modelagem comportamental subsequente.
4. Transformação de características e representação comportamental usando o modelo de estado cognitivo quântico (QCSM)
O Modelo de Estado Cognitivo Quântico (QCSM) foi implementado para modelar a dinâmica dos interesses de estudantes de engenharia utilizando representações probabilísticas inspiradas na mecânica quântica. O interesse do estudante foi representado como uma sobreposição de múltiplos estados conceituais que refletiam a hierarquia de conceitos cognitivos, incerteza, sobreposição conceitual, engajamento simultâneo com múltiplos temas, comportamentos de aprendizagem hesitantes ou indecisos e a probabilidade de mudanças nas preferências de aprendizagem. Os indicadores multidimensionais do conjunto de dados de Avaliação da Qualidade do Ensino em Engenharia, incluindo Student_Avg_Score, Attendance_rate e Student_Feedback_Rating, foram representados como transições cognitivas ponderadas por amplitude dentro de um espaço de estado quântico normalizado. O QCSM combinou transições de estado quântico com alinhamento conceitual baseado em interferência para gerar representações cognitivas inspiradas na mecânica quântica que refletiam a estabilidade e a evolução do interesse do estudante ao longo do tempo. Formulações matemáticas detalhadas são fornecidas no Arquivo Suplementar 1 (Seção S2). O QCSM modelou estados cognitivos probabilísticos para representar a aquisição de conhecimento, mudança conceitual, engajamento na aprendizagem e interesse pela disciplina por meio de representações normalizadas de estados quânticos. As representações comportamentais foram verificadas em todos os registros de estudantes para garantir que as características extraídas dos estados cognitivos capturassem com precisão os comportamentos de aprendizagem e as transições entre temas.
5. Seleção de características usando o algoritmo Seletor de Características Otimizado por Enxame–Baleia com Aumento Quântico (QES-WOFS)
O algoritmo de Seleção de Características Otimizado por Enxame–Baleia com Aumento Quântico (QES-WOFS) foi utilizado para identificar o subconjunto ótimo de características e determinar características comportamentais com alto teor informativo a partir de dados educacionais multidimensionais. Mecanismos de busca inspirados na mecânica quântica aprimoraram a integração de estratégias de busca global e local para a otimização de características. Variáveis educacionais, incluindo interactive_sessions_percentage, assignments_time_percentage e course_completion_rate, foram avaliadas de acordo com sua correlação com o resultado alvo. Subconjuntos candidatos de características foram modelados usando representações de probabilidade quântica, enquanto um mecanismo de tunelamento quântico permitiu transições probabilísticas além dos ótimos locais. A importância das características foi estimada usando verossimilhança marginal para quantificar a contribuição de cada característica no desempenho da classificação e nos estados adaptativos do enxame. O algoritmo QES-WOFS selecionou características estáveis e significativas do ponto de vista comportamental, melhorando a robustez frente ao ruído, às variações entre semestres e às flutuações comportamentais periódicas.
Para superar as limitações associadas ao uso independente do Algoritmo de Otimização de Baleias (WOA) ou do Algoritmo de Otimização por Enxame de Partículas (PSO), o algoritmo QES-WOFS combinou a exploração global baseada em PSO com a exploração local baseada em WOA. Um mecanismo de tunelamento quântico permitiu ainda transições probabilísticas além dos ótimos locais, aumentando assim a diversidade da população, reduzindo a redundância de características e melhorando a convergência em direção a um subconjunto ótimo de características para identificar o interesse de estudantes de engenharia.
Formulações matemáticas detalhadas são fornecidas no Arquivo Suplementar 1 (Seção S3). O algoritmo QES-WOFS combinou codificação quântica probabilística de características, uma estratégia de velocidade adaptada do PSO e um mecanismo de busca em espiral inspirado em baleias para identificar as características educacionais mais informativas. Os hiperparâmetros foram otimizados empiricamente utilizando o conjunto de dados de treinamento. Valores candidatos foram avaliados por meio de experimentação sistemática, e a combinação que produziu o melhor desempenho na validação foi selecionada. Especificamente, o parâmetro da transformação Box–Cox (λ = 0,25), a margem da perda contrastiva (m = 1,0) e os coeficientes de tunelamento quântico (α = 0,7 e β = 0,3) foram selecionados com base na acurácia de validação, no valor-F1 e no comportamento de convergência. Antes do treinamento do classificador, os resultados da seleção de características foram verificados para garantir que o algoritmo QES-WOFS tivesse selecionado o subconjunto ótimo de características e removido características redundantes ou de baixa importância.
6. Treinamento e validação do modelo utilizando o classificador neural híbrido quântico-clássico com meta-aprendizagem (ML-HQNC)
O Classificador Neural Híbrido Quântico-Clássico com Meta-Aprendizagem (ML-HQNC) foi implementado combinando redes neurais profundas com computações inspiradas na mecânica quântica para identificar os interesses de estudantes de engenharia. Mecanismos de atenção quântica com múltiplas saídas e camadas semânticas residuais profundas capturaram relações não lineares complexas nos dados educacionais multidimensionais representados por meio de circuitos quânticos variacionais (VQCs). Características derivadas do comportamento, incluindo student_average_grade, attendance_rate e student_feedback_rating, foram projetadas em um espaço de estados quânticos, onde entradas normalizadas foram transformadas em representações quânticas baseadas em amplitude para modelar padrões de engajamento sobrepostos e probabilísticos. Vetores normalizados de características comportamentais dos estudantes foram calculados conforme as equações fornecidas no Arquivo Suplementar 1 (Seção S4). O ML-HQNC subsequentemente classificou e identificou os interesses dos estudantes de engenharia.
O classificador ML-HQNC empregou uma estratégia de meta-aprendizagem episódica durante o treinamento. Uma tarefa de meta-aprendizagem selecionada aleatoriamente do conjunto de dados de treinamento foi atribuída a cada episódio. Mantendo a distribuição de classes, os dados de treinamento foram divididos em um conjunto de suporte (80%) e um conjunto de consulta (20%). O conjunto de suporte foi usado para adaptação de parâmetros específicos da tarefa por meio do loop interno de otimização, enquanto o conjunto de consulta avaliou o modelo adaptado e calculou a perda meta utilizada para atualizar os parâmetros compartilhados. Um total de 100 tarefas de meta-aprendizagem foi gerado durante cada ciclo de treinamento. Foram utilizados cinco passos de atualização por gradiente com uma taxa de aprendizado interna de 0,001 para a adaptação no loop interno, enquanto o otimizador Adam com uma taxa de aprendizado externa de 0,0005 otimizou os parâmetros meta. A amostragem aleatória de tarefas foi repetida a cada época de treinamento para expor o modelo a padrões comportamentais diversos e melhorar a generalização para perfis de estudantes previamente não vistos. A estimativa de perda para o alinhamento contrastivo quântico é descrita no Arquivo Suplementar 1 (Equações 41–45). O treinamento do modelo foi verificado para garantir convergência bem-sucedida sem erros computacionais e que as curvas de perda de treinamento e validação tinham se estabilizado ao longo das épocas sucessivas.
Resultados
O framework proposto ML-HQNC foi avaliado em comparação com Fast R-CNN, Bi-LSTM, CNN e XGBoost utilizando métricas de classificação convencionais, incluindo Acurácia, Precisão, Revocação, Pontuação F1 e a área sob a curva característica de operação do receptor (AUC), juntamente com as métricas de avaliação propostas Precisão na Detecção de Interesse (IDP), Índice de Estabilidade de Padrão Quântico (QPSI) e Ganho de Adaptabilidade Cruzada de Domínio (CDAG). As definições matemáticas dessas métricas são fornecidas no Arquivo Suplementar 1 (Seção S5).
Para avaliar a robustez do framework proposto, todos os experimentos foram repetidos cinco vezes utilizando diferentes inicializações aleatórias. Os valores de desempenho relatados são apresentados como média ± desvio padrão ao longo das cinco execuções. A significância estatística entre o framework proposto e os modelos de referência foi avaliada utilizando um teste t pareado, com p < 0,05 considerado estatisticamente significativo.
Conforme resumido na Tabela Suplementar 1, experimentos de simulação foram conduzidos utilizando o Conjunto de Dados de Avaliação da Qualidade do Ensino, contendo 1.014 registros. Um total de 800 registros foi utilizado para o treinamento do modelo, enquanto 200 registros foram reservados para testes. O framework proposto ML-HQNC e os modelos comparativos foram implementados no ambiente Jupyter Notebook usando Python. O atributo Teaching_Quality serviu como a variável-alvo original no Conjunto de Dados de Avaliação da Qualidade do Ensino de acesso público e consistia em duas classes, Boa e Excelente. Essas etiquetas foram usadas como alvos de predição para o treinamento e avaliação do framework ML-HQNC. As categorias resultantes de predição são resumidas na Tabela 3. A Tabela Suplementar 2 resume os resultados de validação da etapa de pré-processamento Box–Cox Robust IQR Scaling (BCRIS). O pipeline de pré-processamento removeu registros ausentes e duplicados, reduziu a influência de valores atípicos, normalizou as distribuições das características e melhorou a consistência semântica e comportamental antes da transformação de características e do treinamento do modelo.
Tabela 3: Variável-alvo do Conjunto de Dados de Avaliação da Qualidade do Ensino. Descrição da variável-alvo original Teaching_Quality e suas categorias de classificação (Bom e Excelente) utilizadas para o treinamento e avaliação do modelo. Clique aqui para baixar esta tabela.
Tabela Suplementar 3 apresenta características representativas geradas pelo Modelo de Estado Cognitivo Quântico (QCSM). As características extraídas descrevem o comportamento de aprendizagem dos alunos, incluindo estado cognitivo, engajamento, incerteza, transições entre tópicos e consistência comportamental, e serviram como entrada para a etapa subsequente de seleção de características QES-WOFS. A Tabela Suplementar S4 lista as características finais selecionadas pelo algoritmo QES-WOFS, juntamente com suas categorias de características, níveis relativos de influência e papéis funcionais dentro do framework proposto. As características das características comportamentais multidimensionais extraídas são resumidas na Tabela Suplementar 5. Tabela Suplementar 6 apresenta estruturas de arestas representativas geradas durante a representação comportamental para as duas classes de predição (Bom e Excelente).
Conforme mostrado na Figura 4 e na Tabela 4, o framework proposto ML-HQNC alcançou o maior valor de F1 (87,9%) entre os métodos avaliados. Os valores correspondentes de F1 para Fast R-CNN, Bi-LSTM, CNN e XGBoost foram 77,9%, 80,2%, 82,8% e 85,8%, respectivamente. A significância estatística foi avaliada utilizando um teste t independente bicaudal (p < 0,05).
Figura 5 e Tabela 5 resumem os resultados da Precisão na Detecção de Interesse (IDP). O framework proposto ML-HQNC alcançou uma IDP de 89,3%, comparada a 79,11%, 82,12%, 84,6% e 87,10% do Fast R-CNN, Bi-LSTM, CNN e XGBoost, respectivamente. Figura 6 e Tabela 6 apresentam os resultados do Índice de Estabilidade de Padrão Quântico (QPSI). O framework proposto alcançou um valor de QPSI de 92,7%, enquanto o Fast R-CNN, Bi-LSTM, CNN e XGBoost alcançaram 81,1%, 84,11%, 87,4% e 90,9%, respectivamente. Figura 7 e Tabela 7 resumem os resultados do Ganho de Adaptabilidade Cruzada de Domínio (CDAG). O framework proposto ML-HQNC alcançou o maior valor de CDAG (0,95), comparado ao Fast R-CNN (0,78), Bi-LSTM (0,83), CNN (0,80) e XGBoost (0,86). Conforme mostrado na Figura 8 e Tabela 8, o framework proposto ML-HQNC alcançou a maior precisão de classificação (96,17%). As precisões correspondentes para o Fast R-CNN, Bi-LSTM, CNN e XGBoost foram 85,10%, 87,21%, 90,14% e 93,19%, respectivamente. Figura 9 e Tabela 9 apresentam o tempo computacional exigido por cada método. O framework proposto ML-HQNC exigiu 9,02 ms, enquanto o Fast R-CNN, Bi-LSTM, CNN e XGBoost exigiram 31,2 ms, 27,5 ms, 22,4 ms e 17,6 ms, respectivamente. Figura 10 apresenta a análise da curva característica de operação do receptor (ROC). O framework proposto ML-HQNC alcançou uma AUC de 0,944, indicando uma alta taxa de verdadeiros positivos e uma baixa taxa de falsos positivos ao longo do limiar de classificação avaliado.
Figura 4: Comparação do escore F1 em diferentes tamanhos de conjunto de dados. Comparação do escore F1 obtido pelo ML-HQNC e modelos concorrentes em diferentes tamanhos de conjunto de dados. Os resultados são apresentados como média ± desvio padrão de cinco execuções experimentais independentes (n = 5). As barras de erro representam um desvio padrão. A significância estatística foi avaliada utilizando um teste t independente bicaudal (p < 0,05). Clique aqui para visualizar uma versão maior desta figura.
Tabela 4: Comparação do F1-score em diferentes tamanhos de conjunto de dados. Comparação do F1-score obtido pelo ML-HQNC e modelos concorrentes. Os resultados são apresentados como média ± desvio padrão de cinco execuções experimentais independentes (n = 5). Clique aqui para baixar esta tabela.
Figura 5: Comparação da Precisão na Detecção de Interesse (IDP) em diferentes tamanhos de conjunto de dados. Comparação da Precisão na Detecção de Interesse (IDP) obtida pelo ML-HQNC e modelos concorrentes em diferentes tamanhos de conjunto de dados. Os resultados são apresentados como média ± desvio padrão de cinco execuções experimentais independentes (n = 5). As barras de erro representam um desvio padrão. A significância estatística foi avaliada utilizando um teste t independente bicaudal (p < 0,05). Clique aqui para visualizar uma versão maior desta figura.
Tabela 5: Comparação da Precisão na Detecção de Interesse (IDP) em diferentes tamanhos de conjunto de dados. Comparação da Precisão na Detecção de Interesse (IDP) obtida pelo ML-HQNC e modelos concorrentes. Os resultados são apresentados como média ± desvio padrão de cinco execuções experimentais independentes (n = 5). Clique aqui para baixar esta Tabela.
Figura 6: Comparação do Índice de Estabilidade de Padrão Quântico (QPSI) em diferentes tamanhos de conjunto de dados. Comparação do Índice de Estabilidade de Padrão Quântico (QPSI) obtido pelo ML-HQNC e modelos concorrentes em diferentes tamanhos de conjunto de dados. Os resultados são apresentados como média ± desvio padrão de cinco execuções experimentais independentes (n = 5). As barras de erro representam um desvio padrão. A significância estatística foi avaliada utilizando um teste t independente bicaudal (p < 0,05). Clique aqui para visualizar uma versão maior desta figura.
Tabela 6: Comparação do Índice de Estabilidade de Padrão Quântico (QPSI) em diferentes tamanhos de conjunto de dados. Comparação do Índice de Estabilidade de Padrão Quântico (QPSI) obtido pelo ML-HQNC e modelos concorrentes. Os resultados são apresentados como média ± desvio padrão de cinco execuções experimentais independentes (n = 5). Clique aqui para baixar esta tabela.
Figura 7: Comparação do ganho de adaptabilidade entre domínios (CDAG) em diferentes tamanhos de conjunto de dados. Comparação do ganho de adaptabilidade entre domínios (CDAG) obtido pelo ML-HQNC e modelos concorrentes em diferentes tamanhos de conjunto de dados. Os resultados são apresentados como média ± desvio padrão de cinco execuções experimentais independentes (n = 5). As barras de erro representam um desvio padrão. A significância estatística foi avaliada utilizando um teste t independente bicaudal (p < 0,05). Clique aqui para visualizar uma versão maior desta figura.
Tabela 7: Comparação do ganho de adaptabilidade entre domínios (CDAG) em diferentes tamanhos de conjunto de dados. Comparação do ganho de adaptabilidade entre domínios (CDAG) alcançado pelo ML-HQNC e modelos concorrentes. Os resultados são apresentados como média ± desvio padrão de cinco execuções experimentais independentes (n = 5). Clique aqui para baixar esta tabela.
Figura 8: Comparação da precisão de classificação em diferentes tamanhos de conjunto de dados. Comparação da precisão de classificação obtida pelo ML-HQNC e modelos concorrentes em diferentes tamanhos de conjunto de dados. Os resultados são apresentados como média ± desvio padrão de cinco execuções experimentais independentes (n = 5). As barras de erro representam um desvio padrão. A significância estatística foi avaliada utilizando um teste t independente bicaudal (p < 0,05). Clique aqui para visualizar uma versão ampliada desta figura.
Tabela 8: Comparação da precisão de classificação em diferentes tamanhos de conjunto de dados. Comparação da precisão de classificação alcançada pelo ML-HQNC e modelos concorrentes. Os resultados são apresentados como média ± desvio padrão de cinco execuções experimentais independentes (n = 5). Clique aqui para baixar esta tabela.
Figura 9: Comparação do tempo computacional em diferentes tamanhos de conjunto de dados. Comparação do tempo de execução computacional do ML-HQNC e modelos concorrentes em diferentes tamanhos de conjunto de dados. Os resultados são apresentados como média ± desvio padrão de cinco execuções experimentais independentes (n = 5). As barras de erro representam um desvio padrão. Valores menores indicam tempo de execução computacional mais curto. A significância estatística foi avaliada utilizando um teste t independente bicaudal (p < 0,05). Clique aqui para visualizar uma versão maior desta figura.
Tabela 9: Comparação do tempo computacional em diferentes tamanhos de conjunto de dados. Comparação do tempo de execução computacional do ML-HQNC e modelos concorrentes. Os resultados são apresentados como média ± desvio padrão de cinco execuções experimentais independentes (n = 5). Valores menores indicam tempo de execução computacional mais curto. Clique aqui para baixar esta tabela.
Figura 10: Comparação da área sob a curva ROC (AUC). Comparação do valor de AUC alcançado pelo ML-HQNC e pelos modelos concorrentes na identificação do interesse de estudantes de engenharia. Os valores de AUC relatados correspondem a uma única execução experimental; portanto, não são apresentadas barras de erro nem análises de significância estatística. Clique aqui para visualizar uma versão maior desta figura.
Figura Suplementar 1 apresenta a matriz de correlação das variáveis comportamentais representativas. Foram observadas correlações positivas fortes entre Avg_Score e Course_Completion_Rate (0,81) e entre Attendance_Rate e Course_Completion_Rate (0,75). Correlações moderadas foram observadas entre Avg_Score e Course_Completion (0,72) e entre Attendance_Rate e Time_Assignment_Percentage (0,74). Figuras Suplementares 2 e 3, juntamente com a Tabela 10, resumem os mapas de precisão de treinamento e teste. O framework proposto ML-HQNC alcançou uma precisão de treinamento de 96,1% e uma precisão de teste de 93,8%, superando o desempenho dos métodos comparativos. Figuras Suplementares 4 e 5, juntamente com a Tabela 11, resumem a análise de convergência. O framework proposto ML-HQNC alcançou a menor perda de treinamento (0,21) e perda de teste (0,26), com convergência estável ao longo de todo o processo de otimização.
Table 12 resume o desempenho geral do framework proposto ML-HQNC e dos métodos de comparação em todas as métricas de avaliação. O framework proposto alcançou o desempenho mais alto em Acurácia, F1-score, AUC, IDP, QPSI e CDAG, ao mesmo tempo que exigiu o menor tempo computacional entre os métodos avaliados. Table 13 apresenta a análise de ablação por componente do framework proposto. A incorporação progressiva da etapa de pré-processamento BCRIS, da representação comportamental QCSM, do algoritmo de seleção de características QES-WOFS e do classificador completo ML-HQNC resultou em melhorias incrementais no desempenho de classificação, demonstrando a contribuição de cada componente para o framework geral.
Tabela 10: Comparação da precisão no treinamento e no teste. Comparação da precisão no treinamento e no teste alcançada pelo ML-HQNC e pelos modelos concorrentes. Os valores relatados correspondem a uma única execução experimental. Clique aqui para baixar esta Tabela.
Tabela 11: Comparação entre perda no treinamento e no teste. Comparação da perda no treinamento e no teste obtida pelo ML-HQNC e modelos concorrentes. Os valores informados correspondem a uma única execução experimental. Clique aqui para baixar esta Tabela.
Tabela 12: Comparação do desempenho geral. Comparação entre o ML-HQNC e modelos concorrentes utilizando múltiplas métricas de avaliação. Os resultados são apresentados como média ± desvio padrão ao longo de cinco execuções experimentais independentes (n = 5). Clique aqui para baixar esta tabela.
DISPONIBILIDADE DE DADOS:
O conjunto de dados original de Avaliação da Qualidade do Ensino utilizado neste estudo está publicamente disponível no repositório Kaggle (https://www.kaggle.com/datasets/ziya07/teaching-quality-evaluation-dataset). O acesso ao conjunto de dados pode exigir autenticação do usuário e está sujeito aos termos de uso do Kaggle. Para apoiar a reprodutibilidade e ao mesmo tempo cumprir as condições de licenciamento do conjunto de dados original, os recursos gerados pelo estudo — incluindo o conjunto de dados sintético, o código-fonte, arquivos de implementação e configuração, descrições de características, fluxo de trabalho de pré-processamento e documentação complementar necessária para reproduzir os experimentos relatados — foram depositados em um repositório Zenodo de acesso aberto: https://doi.org/10.5281/zenodo.21393413.
Figura 3: Coleção de características do conjunto de dados de Avaliação da Qualidade do Ensino. Estrutura e composição de características do Conjunto de Dados de Avaliação da Qualidade do Ensino utilizado para a identificação do interesse de estudantes de engenharia. Clique aqui para visualizar uma versão maior desta figura.
Figura Suplementar 1: Matriz de correlação de características. Matriz de correlação que mostra as relações aos pares entre variáveis educacionais e comportamentais representativas utilizadas no framework proposto ML-HQNC. Clique aqui para baixar este arquivo.
Figura Suplementar 2: Comparação da precisão no treinamento. Comparação da precisão no treinamento alcançada pelo ML-HQNC e modelos concorrentes ao longo do processo de treinamento. Clique aqui para baixar este arquivo.
Figura Suplementar 3: Comparação da precisão no teste. Comparação da precisão no teste alcançada pelo ML-HQNC e pelos modelos concorrentes ao longo do processo de teste. Clique aqui para baixar este arquivo.
Figura Suplementar 4: Análise da perda durante o treinamento. Comparação da perda durante o treinamento alcançada pelo ML-HQNC e modelos concorrentes durante a otimização do modelo. Clique aqui para baixar este arquivo.
Figura Suplementar 5: Análise da perda no teste. Comparação da perda no teste obtida pelo ML-HQNC e modelos concorrentes durante a avaliação do modelo. Clique aqui para baixar este arquivo.
Tabela Suplementar 1: Parâmetros de simulação e configurações experimentais. Resumo dos parâmetros de simulação, ambiente de implementação, particionamento do conjunto de dados e configurações experimentais utilizados para avaliar o framework proposto ML-HQNC. Clique aqui para baixar este arquivo.
Tabela Suplementar 2: Resultados da validação da etapa de pré-processamento de Escalonamento Robusto IQR Box–Cox (BCRIS). Comparação das características representativas do conjunto de dados antes e após o pré-processamento, incluindo valores ausentes, registros duplicados, tratamento de valores atípicos, normalização de características e consistência dos dados. Clique aqui para baixar este arquivo.
Tabela Suplementar 3: Características representativas geradas pelo Modelo de Estado Cognitivo Quântico (QCSM). Características comportamentais representativas geradas pelo QCSM após o pré-processamento dos dados, incluindo características de estado cognitivo, engajamento, incerteza, transição de tópico e consistência comportamental. Clique aqui para baixar este arquivo.
Tabela Suplementar 4: Características selecionadas pelo algoritmo de Seleção de Características por Otimização de Enxame–Baleia com Reforço Quântico (QES-WOFS). Subconjunto final de características selecionado pelo algoritmo QES-WOFS, juntamente com as categorias de características correspondentes, níveis relativos de influência e papéis funcionais dentro do framework proposto. Clique aqui para baixar este arquivo.
Tabela Suplementar 5: Categorias de previsão da qualidade de ensino. Descrição das categorias de previsão e características comportamentais representativas utilizadas pelo framework proposto ML-HQNC. Clique aqui para baixar este arquivo.
Tabela Suplementar 6: Análise de sensibilidade da margem. Resumo da análise de sensibilidade da margem utilizada durante a avaliação do modelo. Clique aqui para baixar este arquivo.
Arquivo Suplementar 1: Métodos Suplementares, Formulações Matemáticas, Métricas de Avaliação e Tabelas Suplementares. Este arquivo contém formulações matemáticas detalhadas para a Escala Robusta do IQR de Box–Cox (BCRIS), Modelo Quântico de Estado Cognitivo (QCSM), Seleção de Características por Otimização Híbrida de Enxame e Baleia com Reforço Quântico (QES-WOFS) e Classificador Neural Híbrido Quântico-Clássico com Meta-Aprendizagem (ML-HQNC) descritos no protocolo principal. Também inclui definições das métricas de avaliação, parâmetros de simulação, configurações experimentais e Tabelas Suplementares S1–S6 que apoiam os resultados apresentados no manuscrito principal. Clique aqui para baixar este arquivo.
Discussão
O framework proposto ML-HQNC demonstrou desempenho aprimorado na identificação do interesse de estudantes de engenharia ao integrar modelagem comportamental inspirada em quântica, seleção adaptativa de características e meta-aprendizagem em um fluxo de trabalho computacional unificado. Em comparação com Fast R-CNN, Bi-LSTM, CNN e XGBoost, o framework alcançou consistentemente um desempenho superior em métricas convencionais de classificação e nas métricas comportamentais propostas de avaliação. Esses resultados sugerem que a combinação da representação de estado cognitivo inspirada em quântica com a otimização adaptativa de características aprimorou a capacidade do framework de modelar comportamentos educacionais complexos, mantendo um desempenho de classificação robusto. O baixo tempo computacional e a pequena diferença entre o desempenho de treinamento e teste indicam ainda uma otimização estável e boa generalização.
As métricas de avaliação propostas complementaram as medidas convencionais de classificação ao fornecer informações adicionais sobre a modelagem comportamental. A Precisão na Detecção de Interesse (IDP) quantificou a exatidão da identificação de interesse, o Índice de Estabilidade de Padrões Quânticos (QPSI) avaliou a estabilidade das representações comportamentais inspiradas em quântica, e o Ganho de Adaptabilidade Cruzada (CDAG) analisou a capacidade da estrutura de generalizar entre diferentes partições de dados. Em conjunto, essas medidas proporcionaram uma avaliação mais abrangente do desempenho do modelo do que as métricas de predição convencionais isoladamente.
A análise de ablação por componentes (Tabela 13) demonstrou ainda mais a contribuição de cada etapa do fluxo de trabalho proposto. A inclusão da etapa de pré-processamento com a Escala Robusta IQR Box–Cox (BCRIS) melhorou a consistência dos dados ao reduzir a influência de valores atípicos e gerar representações normalizadas das características. O Modelo Quântico de Estado Cognitivo (QCSM) transformou variáveis educacionais multidimensionais em representações comportamentais que capturaram incerteza, engajamento e preferências de aprendizagem em evolução. A seleção subsequente de características usando o algoritmo de Seleção de Características por Otimização de Enxame–Baleia com Reforço Quântico (QES-WOFS) reduziu a redundância das características, mantendo as características comportamentais informativas. Por fim, a integração desses componentes no Classificador Neural Híbrido Quântico-Clássico com Meta-Aprendizagem (ML-HQNC) melhorou o desempenho e a generalização da classificação em comparação com os modelos de referência.
O protocolo proposto destina-se à identificação do interesse de estudantes de engenharia por meio de dados educacionais e comportamentais multidimensionais coletados de ambientes digitais de aprendizagem. O fluxo de trabalho computacional pode apoiar a aprendizagem personalizada, o aconselhamento acadêmico, o planejamento curricular e a gestão educacional inteligente, fornecendo uma abordagem sistemática para analisar os comportamentos de aprendizagem dos estudantes e identificar interesses em evolução. A estrutura é particularmente adequada para conjuntos de dados educacionais estruturados que contêm variáveis comportamentais, acadêmicas e contextuais.
A implementação bem-sucedida depende da disponibilidade de dados educacionais de alta qualidade e de recursos computacionais adequados. Antes da análise, os conjuntos de dados educacionais devem ser examinados quanto a valores ausentes, registros duplicados e inconsistências, pois a qualidade dos dados influencia diretamente o pré-processamento e a modelagem comportamental subsequente. Representações estáveis de características também dependem de um pré-processamento adequado, transformação de características e otimização de hiperparâmetros. Durante o treinamento do modelo, a convergência deve ser monitorada por meio das curvas de perda no treinamento e na validação, e os parâmetros de otimização devem ser ajustados quando necessário para manter um comportamento de aprendizado estável.
Embora o framework tenha demonstrado desempenho eficaz com o conjunto de dados avaliado, várias limitações devem ser consideradas. O protocolo foi validado utilizando um único conjunto de dados educacionais publicamente disponível, sendo necessária uma avaliação adicional com conjuntos de dados educacionais maiores, multi-institucionais e mais diversos para avaliar melhor a generalização. Além disso, o framework híbrido inspirado em computação quântica exige recursos computacionais maiores do que as abordagens convencionais de aprendizado de máquina, devido aos seus componentes de pré-processamento, otimização e aprendizado híbrido. O framework também depende de dados educacionais bem anotados, e seu desempenho pode ser afetado por conjuntos de dados incompletos, ruidosos ou altamente desbalanceados.
Trabalhos futuros se concentrarão em estender a estrutura para identificação multiclasse mais refinada de interesses dos alunos, incorporando modalidades adicionais de dados educacionais, como feedback textual, comportamentos temporais de aprendizagem e registros de atividades em tempo real de sistemas de gestão de aprendizagem, além de avaliar o protocolo em diversos ambientes de ensino em engenharia. Uma otimização adicional do fluxo de trabalho computacional também pode melhorar a escalabilidade e facilitar a implantação em sistemas de gestão educacional em larga escala.
Em resumo, o framework proposto ML-HQNC fornece um fluxo de trabalho computacional reprodutível para a identificação do interesse de estudantes de engenharia utilizando dados educacionais multidimensionais. Ao integrar pré-processamento robusto, modelagem comportamental inspirada em quântica, seleção adaptativa de características e aprendizado neural híbrido quântico-clássico, o framework alcançou um desempenho aprimorado na classificação, mantendo ao mesmo tempo uma otimização estável e um cálculo eficiente. Essas características apoiam seu potencial de aplicação em análises educacionais inteligentes e na gestão da educação em engenharia.
Divulgações
O autor declara não haver conflitos de interesses.
Agradecimentos
O autor agradece à Universidade de Bengbu, Bengbu, China, pelo apoio acadêmico e ambiente de pesquisa que facilitaram este estudo. Nenhum financiamento externo foi recebido para este estudo. Este trabalho foi apoiado pelo Projeto de Engenharia da Qualidade em Nível Institucional de 2025 da Universidade de Bengbu (nº 2025zhkc1).
Materiais
| Nome | Empresa | Número de catálogo | Comentários |
|---|---|---|---|
| Modelos de linha de base (Fast R-CNN, Bi-LSTM, CNN, XGBoost) | Implementações de código aberto | Fast R-CNN (2015); implementação TensorFlow/Keras v2.16; XGBoost v2.1.1 | Modelos de referência utilizados para avaliação comparativa de desempenho. |
| Módulo de Pré-processamento BCRIS | Desenvolvido neste estudo | Versão 1.0 | Módulo personalizado de pré-processamento que implementa transformação Box-Cox e normalização robusta por IQR. |
| Jupyter Notebook | Project Jupyter | Versão 7.2.2 | Ambiente de desenvolvimento interativo utilizado para implementação, treinamento e testes. |
| Classificador ML-HQNC | Desenvolvido neste estudo | Versão 1.0 | Classificador por rede neural quântica-clássica híbrida proposto com estrutura de meta-aprendizagem. |
| Python | Fundação Python Software | Versão 3.11.9 | Linguagem de programação utilizada para o desenvolvimento e experimentação do modelo. |
| PyTorch | Fundação PyTorch | Versão 2.5.1 | Plataforma de aprendizado profundo utilizada para implementação e treinamento do modelo. |
| Modelo QCSM | Desenvolvido neste estudo | Versão 1.0 | Modelo de Estado Cognitivo Quântico Proposto para representação de padrões comportamentais. |
| Algoritmo QES-WOFS | Desenvolvido neste estudo | Versão 1.0 | Enxame Proposto com Reforço Quântico–Algoritmo de Seleção de Características por Otimização de Baleia |
| Scikit-learn | Desenvolvedores do Scikit-learn | Versão 1.6.1 | Biblioteca de aprendizado de máquina utilizada para pré-processamento, seleção de características e avaliação. |
Referências
- Xu Q, Deng H. Research on education management system based on machine learning and multidimensional data modeling. Applied Mathematics and Nonlinear Sciences. 2024;9(1). https://dialnet.unirioja.es/servlet/articulo?codigo=9386765
- Li D. An interactive teaching evaluation system for preschool education in universities based on machine learning algorithm. Comput Hum Behav. 2024;157:108211. https://doi.org/10.1016/j.chb.2024.108211
- Chunhua H, Kaabar MKA, Qiuju X, Zhang G. Fuzzy comprehensive evaluation of students' classroom experience in online teaching. International Journal of Emerging Technologies in Learning. 2023;18(21):79-88.
- He Z, et al. Assessment of influencing factors of college and universities' teaching effects using fuzzy and deep learning techniques. Scientific Reports. 2026;16:5168. https://doi.org/10.1038/s41598-026-35940-5
- Liu J. Innovation and practice of educational management system in colleges and universities based on the concept of data analysis education. Applied Mathematics and Nonlinear Sciences. 2023;9(1). https://www.researchgate.net/publication/377568313
- Li C, Cao Z. Deep learning-based AI model for predicting academic success and engagement among physical higher education students. Scientific Reports. 2025;15:45471. https://doi.org/10.1038/s41598-025-29000-7
- Kong Y, Dong R, Zhang H. Classroom behavior analysis and digital teaching quality evaluation based on spatiotemporal graph neural network. Discover Artificial Intelligence. 2025;5:404. https://doi.org/10.1007/s44163-025-00623-z
- Zedan F, Jabali RR, Raiyn J. Detecting student inattention using deep learning and behavioral analysis. Journal of International Education Practice. 2026;9(1):1-17.
- Feng F. Deep learning-based model for analyzing student engagement in activities. Scientific Reports. 2025;16:2552. https://doi.org/10.1038/s41598-025-32521-w
- Turkmenbayev A, et al. The application of machine learning in predicting student performance in university engineering programs: A rapid review. Frontiers in Education. 2025;10:1562586. https://doi.org/10.3389/feduc.2025.1562586
- Albreiki B, Zaki N, Alashwal H. A systematic literature review of student performance prediction using machine learning techniques. Education Sciences. 2021;11(9):552. https://doi.org/10.3390/educsci11090552
- Lai Q. Research on the refinement of college student education management based on artificial intelligence. Discover Artificial Intelligence. 2026;6:31. https://doi.org/10.1007/s44163-025-00651-9
- Yuanyuan L, et al. Research on the application framework of intelligent technologies to promote teachers' classroom teaching behavior evaluation. Frontiers of Education in China. 2023;18(1):12–35. https://doi.org/10.3868/s110-008-023-0012-8
- Shi Y, Sun F, Zuo H, Peng F. Analysis of learning behavior characteristics and prediction of learning effect for improving college students' information literacy based on machine learning. IEEE Access. 2023;11:50447-50461.
- Liu S, Zhang J, Su W. An improved method of identifying learner's behaviors based on deep learning. Journal of Supercomputing. 2022;78(10):12861-12872.
- Yang J. Accurate prediction and analysis of college students' performance from online learning behavior data. IEIE Transactions on Smart Processing and Computing. 2023;12(3):404-411.
- Xie Y, Zhang S, Liu Y. Abnormal behavior recognition in classroom pose estimation of college students based on spatiotemporal representation learning. Traitement du Signal. 2021;38(6):1769-1778.
- Shen X, Yuan C. A college student behavior analysis and management method based on machine learning technology. Wireless Communications and Mobile Computing. 2021;2021:6611630. https://doi.org/10.1155/2021/6611630
- Li G, et al. A convolutional neural network-based approach for the recognition and evaluation of classroom teaching behavior. Scientific Programming. 2021;2021:5513886. https://doi.org/10.1155/2021/5513886
- Feng C, et al. IMRMB-Net: A lightweight student behavior recognition model for complex classroom scenarios. PLoS ONE. 2025;20(2):e0318817. https://doi.org/10.1371/journal.pone.0318817
- Zhang Y, Liu T, Ru B. Effect evaluation and student behavior design method of moral education in colleges and universities under the environment of deep learning. Scientific Programming. 2022;2022:6056117. https://doi.org/10.1155/2022/6056117
- Liu C, Wang H, Yuan Z. A method for predicting the academic performances of college students based on education system data. Mathematics. 2022;10(19):3737. https://doi.org/10.3390/math10193737
- Vora DR, Iyer KR. Deep learning in engineering education: performance prediction using cuckoo-based hybrid classification. In: Machine Learning and Deep Learning in Real-Time Applications. Studies in Computational Intelligence, Vol. 841, pp. 187-218. Springer; Singapore; 2020.
- Li H, Liu Z. An intelligent educational system: analyzing student behavior and academic performance using multi-source data. Electronics. 2024;14(16):3328. https://doi.org/10.3390/electronics14163328
- Zhang Y, Li J. Deep learning-based model for predicting student learning behavior: a pathway to early intervention and enhanced outcomes. Journal of Computational Methods in Sciences and Engineering. 2025;25(2):1169-1184.
- Jia Q, He J. Student behavior recognition in classroom based on deep learning. Applied Sciences. 2024;14(18):7981. https://doi.org/10.3390/app14187981
- Luo H. Prediction of student decision-making behaviour based on machine learning algorithms. Pakistan Journal of Life and Social Sciences. 2024;22(2):11045-11058.
- Abdi A, Sedrakyan G, Veldkamp B. Students' feedback analysis model using deep learning-based method and linguistic knowledge for intelligent educational systems. Soft Computing. 2023;27(38):14073-14094.
- Ning X. Behavior recognition of college students based on improved deep learning algorithm. International Journal of Web-Based Learning and Teaching Technologies. 2023;18(1):1-16.
- Sravya MN, Prashanth D, Saifa S, Reddy LS. A comprehensive analysis of learning behaviour characteristics and predictive modeling of learning outcomes to enhance college-level academic performance. International Journal of Pharmacy and Medical Sciences. 2025;5(2):94-100.
- Kalita E, et al. Predicting student academic performance using Bi-LSTM: a deep learning framework with SHAP-based interpretability and statistical validation. Frontiers in Education. 2025;10:1581247. https://doi.org/10.3389/feduc.2025.1581247
- Alias MAH, Hambali N, Aziz MAA. Feature selection techniques and classification algorithms for student performance classification: a review. International Journal of Electrical and Computer Engineering. 2024;14(3):3230-3242.
- Wang Z, et al. Students' classroom behavior detection system incorporating deformable DETR with Swin Transformer and lightweight feature pyramid network. Systems. 2023;11(7):372. https://doi.org/10.3390/systems11070372
- Zou X. Design of student behavior analysis and management system based on deep learning. International Journal of High Speed Electronics and Systems. 2024;33(1):2450005. https://doi.org/10.1142/S012915642450005X
- Zhang Q. The impact of machine learning-based student behaviour detection on teaching in classroom scenarios. Journal of Information and Knowledge Management. 2025;24(1):2450101. https://doi.org/10.1142/S021964922450101X
- Yu C, Wang Y. College student management system based on K-means clustering algorithm. Int J New Dev Educ. 2022;4(2):28-33.
- Chen J, Lu H. Evaluation method of classroom teaching effect under intelligent teaching mode. Mobile Networks and Applications. 2022;27(3):1262-1270.
- Han X, Chen X. The evaluation model of engineering practice teaching with complex network analytic hierarchy process based on deep learning. Scientific Reports. 2025;15:14733. https://doi.org/10.1038/s41598-025-14733-x
- Guo S, et al. The analysis of teaching quality evaluation for college sports dance by convolutional neural network model and deep learning. Heliyon. 2024;10(8):e36067. https://doi.org/10.1016/j.heliyon.2024.e36067
- Gao Y. Deep learning-based strategies for evaluating and enhancing university teaching quality. Computers and Education: Artificial Intelligence. 2025;8:100362. https://doi.org/10.1016/j.caeai.2025.100362
- Li Y, Lu B. Intelligent educational systems based on adaptive learning algorithms and multimodal behavior modeling. PeerJ Computer Science. 2025;11:e3157. https://doi.org/10.7717/peerj-cs.3157
- Geng F, John AD, Chinnappan CV. Analysis of the teaching quality using novel deep learning-based intelligent classroom teaching framework. Progress in Artificial Intelligence. 2023;12(2):147-162.
- Veluri RK, et al. Learning analytics using deep learning techniques for efficiently managing educational institutes. Materials Today: Proceedings. 2022;51(Part 8):2317-2320.
- Chen W, Min L. The evaluation model of physical education teaching performance based on deep learning algorithm. Scalable Computing: Practice and Experience. 2025;26(3):458-466.
- Zhang Y. A comprehensive evaluation system for physical education teaching effectiveness supported by multimodal machine learning. Discover Artificial Intelligence. 2026;6:75. https://doi.org/10.1007/s44163-026-00075-x
- Pei Y, Lu G. Design of an intelligent educational evaluation system using deep learning. IEEE Access. 2023;11:29790-29799.
- Ding J, Su Y. A teaching management system for physical education in colleges and universities using the theory of multiple intelligences and SVM. Soft Computing. 2024;28(2):685-701.
- Li Y, Zhang L, Tian Y, Qi W. Research on teaching practice of blended higher education based on deep learning route. Computational Intelligence and Neuroscience. 2022;2022:5751843. https://doi.org/10.1155/2022/5751843
- Jiang X, Du Y, Zheng Y. Evaluation of physical education teaching effect using Random Forest model under artificial intelligence. Heliyon. 2024;10(1):e23576. https://doi.org/10.1016/j.heliyon.2024.e23576
- Li S, Liu T. Performance prediction for higher education students using deep learning. Complexity. 2021;2021:6620684. https://doi.org/10.1155/2021/6620684
- Alnasyan B, Basheri M, Alassafi MO, Alnasyan K. Kanformer: An Attention-Enhanced Deep Learning Model for Predicting Student Performance in Virtual Learning Environments. Social Network Analysis and Mining. 2025;15:25. https://doi.org/10.1007/s13278-025-01446-7
- Lu Y, Tong L, Cheng Y. Advanced Knowledge Tracing: Incorporating Process Data and Curricula Information via an Attention-Based Framework for Accuracy and Interpretability. Journal of Educational Data Mining. 2024;16(2):58-84.