A Inferência e Aprendizagem Automática Causal na Ciência de Dados Educativos: Uma Revisão da Literatura

Résumé

A Ciência de Dados Educativos procura obter conhecimento e prever eventos futuros com base em dados educativos. No entanto, muitas análises ainda se limitam à descrição e previsão, sem identificar as causas subjacentes. Este artigo integra duas revisões da literatura: uma narrativa sobre métodos clássicos de inferência causal (Propensity Score Matching, Regressão Descontínua, Diferença-em-Diferenças e Controlo Sintético) e uma revisão de revisões sobre técnicas de Causal Machine Learning (CML), como a Transformação de Resultados, os Meta-learners e os algoritmos Causal Tree e Causal Forest. A análise evidencia o potencial destas metodologias para avaliar o impacto real das intervenções pedagógicas e personalizar o ensino a distância e e-learning, destacando a necessidade de maior formação técnica e literacia causal entre investigadores e analistas.