O objetivo principal desta dissertação consistiu em analisar em que medida os métodos e instrumentos de avaliação têm influência nos resultados dos alunos do ensino superior bem como quais os métodos que têm maior impacto na aprovação, na qualidade e no sucesso escolar. Para atingir os objetivos propostos desenvolveu-se um estudo composto por duas fases. Na primeira fase, determinou-se o grau de influência de diversos métodos e instrumentos de avaliação nos alunos de Ensino Superior, utilizando a modelação de equações estruturais. Na segunda fase, foram aplicados os modelos de previsão RANDOMFOREST; KSVM; MLPE; MLP; MARS; RPART; MR; CV.GLMNET; RVM e XGBOOST, utilizando a metodologia KDD (Knowledge Discovery in Databases), a partir dos modelos gerados na primeira fase para prever os resultados dos alunos e as potenciais melhorias. Para o desenvolvimento do estudo, foi utilizada uma amostra constituída por 797 médias das classificações de uma Instituição do Ensino Superior pertencente ao distrito de Lisboa em cursos das áreas de Informática e de Gestão entre 2013/2014 e 2017/2018. Os resultados evidenciaram que (1) a utilização de laboratórios, projetos, apresentações, trabalhos individuais e de grupo são os elementos mais explicativos para o conjunto de todas as médias e para o conjunto que contém apenas as médias positivas; enquanto que (2) a utilização de uma avaliação em frequência combinada com o trabalho individual são os elementos mais explicativos para as médias elevadas.

The main objective of this dissertation was to the analyse the extent to which the assessment methods and instruments influence student’s results in higher education as well as which methods have the greatest impact on approval and quality of academic success. To achieve the proposed objectives, a twostep study was developed. In the first stage, the degree of influence of several methods and instruments of assessment on higher education students was determined by using structural equations modelling. In the second phase, the prediction models RANDOMFOREST; KSVM; MLPE; MLP; MARS; RPART; MR; CV.GLMNET; RVM, and XGBOOST were applied using the KDD (Knowledge Discovery in Databases) methodology from the first phase's models to predict student outcomes and potential improvements. In the development of the study, it was used a sample of 797 averages calculated from the grades of a Higher Education Institution located in Lisbon district. The courses of the sample belonged to the areas of Informatics and Management between the academic years 2013/2014 and 2017/2018. The results showed that (1) the use of laboratories, projects, oral presentations, individual and group work are the most explanatory elements for the set of all averages and for the set of only positive averages; while (2) the use of the frequency evaluation method combined with individual work are the most explanatory elements for high averages.