Em salas de aula presenciais e em turmas com um número razoável de alunos, os professores conseguem extrair informações sobre o conhecimento do aluno observando seu comportamento e como eles respondem às atividades didáticas e avaliativas. No caso de turmas com muitos alunos, principalmente no ensino remoto, essa observação fica bastante limitada, precisando de ferramentas para dar suporte a essa tarefa. Uma alternativa é utilizar ambientes de aprendizado online e analisar as interações dos alunos com o ambiente. Nesse contexto, este projeto objetiva aprimorar a inovação do ambiente de aprendizado Machine Teaching, um ambiente de aprendizado online utilizado desde 2018 em cursos de introdução a programação, tendo sido usado por mais de 100 turmas, 3200 alunos e 40 professores, somando mais de 484k interações em sua base de dados. No entanto, a maioria de suas funcionalidades atuais se baseia no desempenho geral da turma, oferecendo poucas percepções individualizadas. Este projeto visa agregar funcionalidades para personalização da experiência baseadas no histórico de interação do aluno com o ambiente. Como principais metas, propomos a criação de modelos de previsão de abandono e desempenho dos alunos, a geração de feedbacks automatizados a partir da clusterização de códigos e visualizações que permitam um melhor entendimento do aluno e do professor da situação do curso, aprimorando a consciência situacional em sala de aula. O projeto segue a metodologia CRISP-DM para desenvolvimento de projetos em Ciência de Dados e a metodologia ágil para desenvolvimento de software, sendo esperado que os modelos resultantes estejam implementados e validados no sistema final.