Desigualdades Educacionais no Brasil: Uma Análise por Clusterização de Indicadores Educacionais e de Desempenho Escolar

• Matheus L. de Melo Silva Universidade Federal do Ceará (UFC)
• Lívia Almada Cruz Universidade Federal do Ceará (UFC)
• Regis Pires Magalhães Universidade Federal do Ceará (UFC)
• Tatieures Gomes Pires Universidade Federal do Ceará (UFC)
• José Antonio Macedo Universidade Federal do Ceará (UFC)
• Rossana Maria de Castro Andrade Universidade Federal do Ceará (UFC) https://orcid.org/0000-0002-0186-2994

DOI: https://doi.org/10.5753/sbbd.2025.247053

Resumo

O sistema educacional brasileiro enfrenta desafios estruturais e socioeconômicos, refletidos no acesso desigual à educação e nos baixos índices de desempenho acadêmico, especialmente em regiões vulneráveis. A análise de indicadores educacionais auxilia na identificação de mudanças estruturais no ensino, avaliação da efetividade de políticas implementadas e monitoramento da evolução da qualidade educacional. Este trabalho visa identificar fatores relacionados às desigualdades educacionais no Brasil e compreender a evolução das desigualdades ao longo dos anos, oferecendo informações úteis para a formulação de políticas públicas mais eficazes e a alocação estratégica de recursos. Utilizou-se clusterização de indicadores educacionais e de desempenho escolar, a partir de dados de diversos indicadores educacionais dos anos de 2015, 2019 e 2021 fornecidos pelo INEP. Foi possível identificar grupos de municípios com perfis mais semelhantes e indicadores que melhor discriminam tais grupos. Além disso, uma análise de evolução de clusters permitiu uma avaliação temporal da qualidade do ensino.

Palavras-chave: clusterização, k-means, indicadores educacionais, análise de dados

Referências

CNN (2023). Brasil tem baixo desempenho e estagna em ranking mundial da educação básica. Dados publicados na CNN Brasil.

Cutler, D. M. and Lleras-Muney, A. (2012). Education and health: insights from international comparisons. Encyclopedia of Health Economics.

Dhar, V. (2013). Data science and prediction. Communications of the ACM, 56(12):64–73.

Fernández, R., Correal, J. F., D’Ayala, D., and Medaglia, A. L. (2023). A decision-making framework for school infrastructure improvement programs. Structure and Infrastructure Engineering, pages 1–20.

Gonçalves, T. G. G. L., do Santo, S. C., and dos Santos, N. G. (2017). Indicadores educacionais brasileiros: limites e perspectivas. Educação Em Perspectiva, 8(3):444–461.

Jain, A. K. (2010). Data clustering: 50 years beyond k-means. Pattern recognition letters, 31(8):651–666.

Janiesch, C., Zschech, P., and Heinrich, K. (2021). Machine learning and deep learning. Electronic Markets, 31(3):685–695.

Kriegel, H.-P., Kröger, P., Sander, J., and Zimek, A. (2011). Density-based clustering. Wiley interdisciplinary reviews: data mining and knowledge discovery, 1(3):231–240.

Li, X., Zhang, Y., Cheng, H., Zhou, F., and Yin, B. (2021). An unsupervised ensemble clustering approach for the analysis of student behavioral patterns. Ieee Access, 9:7076–7091.

MacQueen, J. et al. (1967). Some methods for classification and analysis of multivariate observations. In Proceedings of the fifth Berkeley symposium on mathematical statistics and probability, volume 1, pages 281–297. Oakland, CA, USA.

Mohamed Nafuri, A. F., Sani, N. S., Zainudin, N. F. A., Rahman, A. H. A., and Aliff, M. (2022). Clustering analysis for classifying student academic performance in higher education. Applied Sciences, 12(19):9467.

Nikita Sachdeva (2023). Top 12 clustering algorithms in machine learning. Dados publicados no daffodil – Os 12 algorimtos mais populares de clusterização.

Quintero, Y., Ardila, D., Aguilar, J., and Cortes, S. (2022). Analysis of the socioeconomic impact due to covid-19 using a deep clustering approach. Applied Soft Computing, 129:109606.

Rousseeuw, P. J. (1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20:53–65.

Satopaa, V., Albrecht, J., Irwin, D., and Raghavan, B. (2011). Finding a "kneedle"in a haystack: Detecting knee points in system behavior. In 2011 31st International Conference on Distributed Computing Systems Workshops, pages 166–171.

Shinde, P. P. and Shah, S. (2018). A review of machine learning and deep learning applications. In 2018 Fourth international conference on computing communication control and automation (ICCUBEA), pages 1–6. IEEE.

Tan, P.-N., Steinbach, M., and Kumar, V. (2016). Introduction to data mining. Pearson Education India.

Thorndike, R. L. (1953). Who belongs in the family? Psychometrika, 18(4):267–276.

Valles-Coral, M. A., Salazar-Ramírez, L., Injante, R., Hernandez-Torres, E. A., Juárez-Díaz, J., Navarro-Cabrera, J. R., Pinedo, L., and Vidaurre-Rojas, P. (2022). Density-based unsupervised learning algorithm to categorize college students into dropout risk levels. Data, 7(11):165.

Xu, R. and Wunsch, D. (2008). Clustering. John Wiley & Sons.

Zhang, T. and Oles, F. (2000). The value of unlabeled data for classification problems. In Proceedings of the Seventeenth International Conference on Machine Learning,(Langley, P., ed.), volume 20. Citeseer.