Do Acesso à Resposta: Um Dataset Text-to-SQL em Português para Monitoramento de Políticas Públicas Educacionais
Resumo
Modelos Text-to-SQL permitem consultar bases de dados por linguagem natural, ampliando o acesso a dados públicos. Entretanto, benchmarks amplamente utilizados concentram-se em domínios genéricos e oferecem cobertura limitada para perguntas comuns em políticas públicas. Este trabalho apresenta um dataset em português com 107 pares pergunta–SQL construídos a partir dos microdados do Censo Escolar Brasileiro. As perguntas abordam temas de impacto social, como alimentação, acessibilidade, infraestrutura e desigualdades educacionais, com diferentes níveis de dificuldade e complexidade SQL. O trabalho também discute desafios nas interfaces de linguagem natural e propõe diretrizes para recursos semelhantes em outros domínios públicos.
Palavras-chave:
Text-to-SQL em Português, Construção de Datasets, Políticas Públicas, Dados Governamentais Abertos, Dados Educacionais, Censo Escolar Brasileiro
Referências
Attard, J., Orlandi, F., Scerri, S., and Auer, S. (2015). A systematic review of open government data initiatives. Government Information Quarterly, 32(4):399–418.
Brasil. Ministério da Educação (2026). Plano Nacional de Educação 2026–2036. [link].
Documento preparatório do novo Plano Nacional de Educação (PNE 2026–2036). Acesso em: 20 maio 2026.
Costa, L., Dutra, M. T., Oliveira, G., Silva, M., Soares, D. C., de Cássia Silva Faria, L., Jr., W. M., and Pappa, G. (2024). Ciência de dados e transparência: Experiências com dados públicos do sicom. In Anais Estendidos do XXXIX Simpósio Brasileiro de Bancos de Dados, pages 246–252, Porto Alegre, RS, Brasil. SBC.
Data.gov (2009). The home of the U.S. Government’s open data. [link]. Acesso em: 20 mai. 2026.
Fróes, K. d. C. and Braghetto, K. R. (2025). Exploring temporal Text-to-SQL challenges in brazilian portuguese: Lessons from educational data. Anais do 40º Simpósio Brasileiro de Banco de Dados (SBBD), pages 963–969.
INEP (2026). Microdados do Censo Escolar da Educação Básica. Disponível em: [link]. Acesso em: 26 mai. 2026.
Li, J. et al. (2024). Can LLM already serve as a database interface? a big bench for large-scale database grounded Text-to-SQLs. Advances in Neural Information Processing Systems, 36.
Oliveira, A. H., Martins, S., Rocha, D., and Nascimento, L. R. (2025). InSANdB: Base de dados integrada por município brasileiro para estudos da insegurança alimentar e nutricional no brasil. In Simpósio Brasileiro de Sistemas de Informação.
Open Government Partnership (2011). The open gov challenge. [link]. Acesso em: 20 mai. 2026.
Pourreza, M. and Rafiei, D. (2024). Din-SQL: Decomposed in-context learning of text-to-SQL with self-correction. Advances in Neural Information Processing Systems, 36.
Rodrigues, I., Reis, J., Queiroz, B., and Benevenuto, F. (2025). BRAZIL DATA COM-MONS: Plataforma unificada para análise de dados públicos de diferentes repositórios. In Anais do XX Simpósio Brasileiro de Sistemas Colaborativos, pages 308–316, Porto Alegre, RS, Brasil. SBC.
Sun, R. et al. (2023). SQL-PaLM: Improved large language model adaptation for Text-to-SQL (extended). arXiv preprint arXiv:2306.00739.
Visperas, M. et al. (2023). On modern Text-to-SQL semantic parsing methodologies for natural language interface to databases: A comparative study. In 2023 International Conference on Artificial Intelligence in Information and Communication (ICAIIC), pages 390–396. IEEE.
Yu, T. and et al. (2018). Spider: A large-scale human-labeled dataset for complex and cross-domain semantic parsing and Text-to-SQL task. In Proceedings of the 2018 Conference on Empirical Methods in Natural Language Processing, pages 3911–3921, Brussels, Belgium. Association for Computational Linguistics.
Zhong, V., Xiong, C., and Socher, R. (2017). Seq2sql: Generating structured queries from natural language using reinforcement learning. arXiv preprint arXiv:1709.00103.
Brasil. Ministério da Educação (2026). Plano Nacional de Educação 2026–2036. [link].
Documento preparatório do novo Plano Nacional de Educação (PNE 2026–2036). Acesso em: 20 maio 2026.
Costa, L., Dutra, M. T., Oliveira, G., Silva, M., Soares, D. C., de Cássia Silva Faria, L., Jr., W. M., and Pappa, G. (2024). Ciência de dados e transparência: Experiências com dados públicos do sicom. In Anais Estendidos do XXXIX Simpósio Brasileiro de Bancos de Dados, pages 246–252, Porto Alegre, RS, Brasil. SBC.
Data.gov (2009). The home of the U.S. Government’s open data. [link]. Acesso em: 20 mai. 2026.
Fróes, K. d. C. and Braghetto, K. R. (2025). Exploring temporal Text-to-SQL challenges in brazilian portuguese: Lessons from educational data. Anais do 40º Simpósio Brasileiro de Banco de Dados (SBBD), pages 963–969.
INEP (2026). Microdados do Censo Escolar da Educação Básica. Disponível em: [link]. Acesso em: 26 mai. 2026.
Li, J. et al. (2024). Can LLM already serve as a database interface? a big bench for large-scale database grounded Text-to-SQLs. Advances in Neural Information Processing Systems, 36.
Oliveira, A. H., Martins, S., Rocha, D., and Nascimento, L. R. (2025). InSANdB: Base de dados integrada por município brasileiro para estudos da insegurança alimentar e nutricional no brasil. In Simpósio Brasileiro de Sistemas de Informação.
Open Government Partnership (2011). The open gov challenge. [link]. Acesso em: 20 mai. 2026.
Pourreza, M. and Rafiei, D. (2024). Din-SQL: Decomposed in-context learning of text-to-SQL with self-correction. Advances in Neural Information Processing Systems, 36.
Rodrigues, I., Reis, J., Queiroz, B., and Benevenuto, F. (2025). BRAZIL DATA COM-MONS: Plataforma unificada para análise de dados públicos de diferentes repositórios. In Anais do XX Simpósio Brasileiro de Sistemas Colaborativos, pages 308–316, Porto Alegre, RS, Brasil. SBC.
Sun, R. et al. (2023). SQL-PaLM: Improved large language model adaptation for Text-to-SQL (extended). arXiv preprint arXiv:2306.00739.
Visperas, M. et al. (2023). On modern Text-to-SQL semantic parsing methodologies for natural language interface to databases: A comparative study. In 2023 International Conference on Artificial Intelligence in Information and Communication (ICAIIC), pages 390–396. IEEE.
Yu, T. and et al. (2018). Spider: A large-scale human-labeled dataset for complex and cross-domain semantic parsing and Text-to-SQL task. In Proceedings of the 2018 Conference on Empirical Methods in Natural Language Processing, pages 3911–3921, Brussels, Belgium. Association for Computational Linguistics.
Zhong, V., Xiong, C., and Socher, R. (2017). Seq2sql: Generating structured queries from natural language using reinforcement learning. arXiv preprint arXiv:1709.00103.
Publicado
08/09/2026
Como Citar
FRÓES, Karina de Carvalho; BRAGHETTO, Kelly Rosa.
Do Acesso à Resposta: Um Dataset Text-to-SQL em Português para Monitoramento de Políticas Públicas Educacionais. In: DATA SCIENCE FOR SOCIAL GOOD BRAZILIAN WORKSHOP (DS4SG) - SIMPÓSIO BRASILEIRO DE BANCO DE DADOS (SBBD), 41. , 2026, São Carlos/SP.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 563-572.
DOI: https://doi.org/10.5753/sbbd_estendido.2026.249695.
