Evolução Temporal de Perfis Escolares e Associações de Habilidades no SAEB: Uma Análise em Mossoró e Parnamirim
Resumo
Este artigo analisa a evolução de perfis escolares em Mossoró e Parnamirim a partir de microdados do Sistema de Avaliação da Educação Básica em cinco ciclos bienais entre 2011 e 2019. O estudo combina clusterização K-Means e mineração de regras de associação via FP-Growth sobre descritores de Matemática. Os resultados mostram maior estabilidade dos perfis intermediários em Mossoró, enquanto Parnamirim apresenta maior polarização e fragilidade estrutural após 2015. As associações identificadas indicam que os déficits de aprendizagem ocorrem em cadeias de dependência entre habilidades. Os achados reforçam a utilidade da mineração de dados educacionais para diagnósticos mais precisos e apoio à gestão pública educacional.
Palavras-chave:
Mineração de Dados Educacionais, Clusterização, Regras de Associação
Referências
Agrawal, R. and Srikant, R. (1994). Fast algorithms for mining association rules. In Proceedings of the 20th International Conference on Very Large Data Bases (VLDB), pages 487–499, San Francisco, CA, USA. Morgan Kaufmann.
Alves, M. T. G. and Soares, J. F. (2013). Contexto escolar e indicadores educacionais: condições desiguais para a efetivação de uma política de avaliação educacional. Educação e Pesquisa, 39(1):211–228.
Baker, R. S. J. D. (2010). Data mining for education. In International Encyclopedia of Education. Elsevier, Oxford, 3 edition.
Brasil (2021a). Matriz de referência de matemática: SAEB. Technical report, Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (INEP), Brasília.
Brasil (2021b). Sistema de avaliação da educação básica (SAEB): Documento básico. Technical report, Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (INEP), Brasília.
Costa, J. A. R. S. and Lima, M. V. d. A. (2025). Análise comparativa dos resultados da prova de Matemática do SAEB nas capitais do Nordeste do Brasil no ano de 2019. Regae: Revista de Gestão e Avaliação Educacional, page e90533.
Fayyad, U., Piatetsky-Shapiro, G., and Smyth, P. (1996). From data mining to knowledge discovery in databases. AI Magazine, 17(3):37–54.
Gomes, M. A. and Melo, F. (2021). Evolução e desigualdades no financiamento da educação no RN (1996–2019). In Anais do Encontro Nacional de Economia.
Han, J., Pei, J., and Yin, Y. (2000). Mining frequent patterns without candidate generation. In Proceedings of the ACM SIGMOD International Conference on Management of Data, pages 1–12.
Kassambara, A. (2017). Practical Guide to Cluster Analysis in R. STHDA.
Kaufman, L. and Rousseeuw, P. J. (1990). Finding Groups in Data: An Introduction to Cluster Analysis. John Wiley & Sons, Hoboken, NJ.
Lima, M. V. d. A. (2023). (Re)estruturação do modelo de planejamento das ações de formação continuada em serviço de professores na rede municipal de Fortaleza: novas possibilidades por meio da ciência de dados educacionais. Tese de doutorado, Universidade Estadual do Ceará, Fortaleza.
MacQueen, J. (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, Berkeley, CA, USA. University of California Press.
Nagaswetha, R., Kumar, S., Patel, V., and Sharma, N. (2022). Data mining for student performance analysis by clustering k-means algorithm. In Proceedings of the International Conference on Innovative Computing and Communications.
Romero, C. and Ventura, S. (2010). Educational data mining: A review of the state of the art. IEEE Transactions on Systems, Man, and Cybernetics – Part C: Applications and Reviews, 40(6):601–618.
Romero, C. and Ventura, S. (2013). Data mining in education. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 3(1):12–27.
Silva, M. L. d. M. (2025). Desigualdades educacionais no Brasil: uma análise por clusterização de indicadores educacionais e desempenho escolar.
Sousa, G. B. d. and Lima, M. V. d. A. (2025). Um estudo comparativo da análise dos erros nos descritores do spaece entre Fortaleza e o interior do Ceará com uso do algoritmo fp-growth. RENOTE, 23(1):560–571.
UFRN (2022). Desigualdades educacionais: Diagnóstico aponta avanços e desafios no ensino do RN. Technical report, Agência de Comunicação da UFRN, Natal.
Wulandari, D. A. N., Susanto, R., and Wijaya, T. (2020). Educational data mining for student academic prediction using k-means clustering and naïve bayes classifier. In Proceedings of the International Conference on Electrical Engineering and Informatics.
Alves, M. T. G. and Soares, J. F. (2013). Contexto escolar e indicadores educacionais: condições desiguais para a efetivação de uma política de avaliação educacional. Educação e Pesquisa, 39(1):211–228.
Baker, R. S. J. D. (2010). Data mining for education. In International Encyclopedia of Education. Elsevier, Oxford, 3 edition.
Brasil (2021a). Matriz de referência de matemática: SAEB. Technical report, Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (INEP), Brasília.
Brasil (2021b). Sistema de avaliação da educação básica (SAEB): Documento básico. Technical report, Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (INEP), Brasília.
Costa, J. A. R. S. and Lima, M. V. d. A. (2025). Análise comparativa dos resultados da prova de Matemática do SAEB nas capitais do Nordeste do Brasil no ano de 2019. Regae: Revista de Gestão e Avaliação Educacional, page e90533.
Fayyad, U., Piatetsky-Shapiro, G., and Smyth, P. (1996). From data mining to knowledge discovery in databases. AI Magazine, 17(3):37–54.
Gomes, M. A. and Melo, F. (2021). Evolução e desigualdades no financiamento da educação no RN (1996–2019). In Anais do Encontro Nacional de Economia.
Han, J., Pei, J., and Yin, Y. (2000). Mining frequent patterns without candidate generation. In Proceedings of the ACM SIGMOD International Conference on Management of Data, pages 1–12.
Kassambara, A. (2017). Practical Guide to Cluster Analysis in R. STHDA.
Kaufman, L. and Rousseeuw, P. J. (1990). Finding Groups in Data: An Introduction to Cluster Analysis. John Wiley & Sons, Hoboken, NJ.
Lima, M. V. d. A. (2023). (Re)estruturação do modelo de planejamento das ações de formação continuada em serviço de professores na rede municipal de Fortaleza: novas possibilidades por meio da ciência de dados educacionais. Tese de doutorado, Universidade Estadual do Ceará, Fortaleza.
MacQueen, J. (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, Berkeley, CA, USA. University of California Press.
Nagaswetha, R., Kumar, S., Patel, V., and Sharma, N. (2022). Data mining for student performance analysis by clustering k-means algorithm. In Proceedings of the International Conference on Innovative Computing and Communications.
Romero, C. and Ventura, S. (2010). Educational data mining: A review of the state of the art. IEEE Transactions on Systems, Man, and Cybernetics – Part C: Applications and Reviews, 40(6):601–618.
Romero, C. and Ventura, S. (2013). Data mining in education. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 3(1):12–27.
Silva, M. L. d. M. (2025). Desigualdades educacionais no Brasil: uma análise por clusterização de indicadores educacionais e desempenho escolar.
Sousa, G. B. d. and Lima, M. V. d. A. (2025). Um estudo comparativo da análise dos erros nos descritores do spaece entre Fortaleza e o interior do Ceará com uso do algoritmo fp-growth. RENOTE, 23(1):560–571.
UFRN (2022). Desigualdades educacionais: Diagnóstico aponta avanços e desafios no ensino do RN. Technical report, Agência de Comunicação da UFRN, Natal.
Wulandari, D. A. N., Susanto, R., and Wijaya, T. (2020). Educational data mining for student academic prediction using k-means clustering and naïve bayes classifier. In Proceedings of the International Conference on Electrical Engineering and Informatics.
Publicado
05/10/2026
Como Citar
COSTA, Heitor Nunes; LIMA, Marcos Vinicius de Andrade; PARADEDA, Raul Benites; ALOISE, Dario José.
Evolução Temporal de Perfis Escolares e Associações de Habilidades no SAEB: Uma Análise em Mossoró e Parnamirim. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 37. , 2026, Goiânia/GO.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 332-345.
DOI: https://doi.org/10.5753/sbie.2026.27095.
