Palavras-chave
Análise educacional
Bem-estar estudantil
Engajamento comportamental
Sistemas de apoio à decisão
Ensino superior
Tomada de decisão estratégica
Como Citar
Resumo
Purpose: Este estudo propõe um framework de apoio à decisão baseado em Inteligência Competitiva (CI-DSF) para o ensino superior, integrando desempenho acadêmico, bem-estar psicológico e engajamento comportamental como insumos estratégicos para a tomada de decisão institucional.
Metodologia/abordagem: Adotou-se um desenho de integração sintética multi-dataset, combinando dados de quatro bases amplamente utilizadas (PISA 2022, CEPS, OULAD e UCI). A análise foi conduzida por meio de Modelagem de Equações Estruturais (SEM) com bootstrap de 5.000 reamostragens, análise comportamental de dados de ambientes virtuais de aprendizagem e validação cruzada entre bases.
Originalidade/Relevância: O estudo inova ao integrar Inteligência Competitiva com educational analytics, deslocando o foco de abordagens preditivas para uma arquitetura de inteligência estratégica orientada à decisão, posicionando dados estudantis como ativos centrais de inteligência institucional.
Principais resultados: Os resultados indicam que a autorregulação da aprendizagem é o principal preditor do desempenho acadêmico (β = 0,389), seguida pelo engajamento social (β = 0,341) e bem-estar psicológico (β = 0,267), explicando conjuntamente 58,7% da variância. A validação cruzada confirma a robustez dos achados, e análises conceituais sugerem que a capacidade de inteligência competitiva institucional potencializa a relação entre bem-estar e desempenho.
Contribuições teóricas/metodológicas: O estudo contribui ao desenvolver um modelo integrativo de Inteligência Competitiva aplicado ao ensino superior, propondo a transformação de dados acadêmicos, comportamentais e psicológicos em inteligência acionável. Metodologicamente, introduz uma abordagem inovadora de integração multi-dataset para construção teórica e validação cruzada em contextos educacionais heterogêneos.
Referências
Adewusi, A. O., Okoli, U. I., Adaga, E., Olorunsogo, T., Asuzu, O. F., & Daraojimba, D. O. (2024). Business intelligence in the era of big data: A review of analytical tools and competitive advantage. Computer Science & IT Research Journal, 5(2), 415–431. https://doi.org/10.51594/csitrj.v5i2.791
Alkhwaldi, A. F. (2024). Understanding the acceptance of business intelligence from healthcare professionals’ perspective: An empirical study of healthcare organizations. International Journal of Organizational Analysis, 32(9), 2135–2163. https://doi.org/10.1108/IJOA-10-2023-4063
Arizmendi, C. J., Bernacki, M. L., Raković, M., Plumley, R. D., Urban, C. J., Panter, A. T., Greene, J. A., & Gates, K. M. (2023). Predicting student outcomes using digital logs of learning behaviors. Behavior Research Methods, 55(6), 3026–3054. https://doi.org/10.3758/s13428-022-01939-9
Cavallo, A., Sanasi, S., Ghezzi, A., & Rangone, A. (2021). Competitive intelligence and strategy formulation: Connecting the dots. Competitiveness Review, 31(2), 250–275. https://doi.org/10.1108/CR-01-2020-0009
Chun, Z., Ning, Y., Chen, J., & Wijaya, T. T. (2025). Exploring the interplay among artificial intelligence literacy, creativity, self-efficacy, and academic achievement. Education and Information Technologies, 30(15), 21283–21316. https://doi.org/10.1007/s10639-025-13617-2
de Souza Zanirato Maia, J., Bueno, A. P., & Sato, J. R. (2023). Applications of artificial intelligence models in educational analytics and decision making: A systematic review. World, 4(2), 288–313. https://doi.org/10.3390/world4020019
Fahd, K., & Miah, S. J. (2023). Designing and evaluating a big data analytics approach for predicting students’ success factors. Journal of Big Data, 10(1), 159. https://doi.org/10.1186/s40537-023-00835-z
Fahd, K., Miah, S. J., & Ahmed, K. (2025). Predicting student performance in a blended learning environment. Applied Computing and Informatics, 21(3–4), 220–231. https://doi.org/10.1108/ACI-06-2021-0150
Li, Y., & Ho, E. S. (2024). What does PISA tell us about the paradoxes of students’ well-being and academic competencies? Child Indicators Research, 17(4), 1443–1469. https://doi.org/10.1007/s12187-024-10146-1
Peng, Q., Zhang, Y., Liang, S., & Xu, M. (2025). Emotional and psychological determinants of student well-being. Acta Psychologica, 259, 105437. https://doi.org/10.1016/j.actpsy.2025.105437
Pratt, L., Bisson, C., & Warin, T. (2023). Bringing advanced technology to strategic decision-making: The decision intelligence/data science (DI/DS) integration framework. Futures, 152, 103217. https://doi.org/10.1016/j.futures.2023.103217
Ragazou, K., Passas, I., Garefalakis, A., & Zopounidis, C. (2023). Business intelligence model empowering SMEs to make better decisions and enhance their competitive advantage. Discover Analytics, 1(1), 2. https://doi.org/10.1007/s44257-022-00002-3
Rana, S., Singh, V., & Chaturvedi, N. (2024). Emotional intelligence and mental well-being in higher education. Mental Health and Social Inclusion, 28(6), 927–940. https://doi.org/10.1108/MHSI-07-2023-0078
Rico-Juan, J. R., Cachero, C., & Macia, H. (2024). Influence of personality and LMS usage on learning performance. Applied Intelligence, 54(8), 6175–6197. https://doi.org/10.1007/s10489-024-05483-1
Singh, S., Rajest, S. S., Hadoussa, S., Obaid, A. J., & Regin, R. (Eds.). (2023). Data-driven intelligent business sustainability. IGI Global.
Sun, Y., & Liu, L. (2023). Structural equation modeling of academic resilience and well-being. BMC Psychology, 11(1), 347. https://doi.org/10.1186/s40359-023-01366-1
Tao, X., Shannon-Honson, A., Delaney, P., Li, L., Dann, C., Li, Y., & Xie, H. (2022). Data analytics on online student engagement data for academic performance modeling. IEEE Access, 10, 103176–103186. https://doi.org/10.1109/ACCESS.2022.3208953
Tong, B. (2025). Subjective well-being and educational performance in PISA. Social Sciences & Humanities Open, 11, 101486. https://doi.org/10.1016/j.ssaho.2025.101486
Wong, Z. Y., Liem, G. A., Chan, M., & Datu, J. A. (2024). Student engagement and its association with academic achievement and well-being. Journal of Educational Psychology, 116(1), 48.
Younas, M., El-Dakhs, D. A., & Jiang, Y. (2025). Emotional learning and its impact on student behavior and well-being. Scientific Reports, 15(1), 43856. https://doi.org/10.1038/s41598-025-28433-4
Yu, C. H., Xiao, Z., & Hanson, J. (2024). Machine learning for analyzing the relationship between well-being and academic performance. In Machine learning in educational sciences (pp. 267–292). Springer. https://doi.org/10.1007/978-981-99-9379-6_13
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Copyright (c) 2026 Revista Inteligência Competitiva