Segmentação de perfis de participação em formações continuadas por clusterização a partir de microdados educacionais do SGF e Moodle
Resumo
Este artigo segmenta perfis de participação em formações continuadas por clusterização, integrando microdados do Sistema de Gestão da Formação com rastros comportamentais do Moodle. Uma arquitetura em duas rotas combina redução de dimensionalidade (PCA) e clusterização por K-means em 191.412 inscrições. A Rota B (34.985 casos) revelou dois perfis: Engajamento Pleno (87,7%) e Atrito Intermediário (12,3%). A Rota A revelou quatro perfis: Certificação Expressa (45,3%), Evasão Crônica (38,2%), Engajamento Orgânico (14,6%) e Resiliência com Fricção (1,8%). O trabalho contribui com uma estratégia analítica para segmentar a participação em redes públicas de ensino.
Palavras-chave:
Learning Analytics, Clusterização, Formação Continuada
Referências
Alam, S., Ayub, M. S., Arora, S., and Khan, M. A. (2023). An investigation of the imputation techniques for missing values in ordinal data enhancing clustering and classification analysis validity. Decision Analytics Journal, 9:100341.
Alfredo, R., Echeverria, V., Jin, Y., Yan, L., Swiecki, Z., Gašević, D., and Martinez-Maldonado, R. (2024). Human-centred learning analytics and AI in education: A systematic literature review. Computers and Education: Artificial Intelligence, 6:100215.
Aulakh, K., Roul, R. K., and Kaushal, M. (2023). E-learning enhancement through educational data mining with Covid-19 outbreak period in backdrop: A review. International Journal of Educational Development, 101:102814.
Baker, R. S. and Yacef, K. (2009). The state of educational data mining in 2009: A review and future visions. Journal of Educational Data Mining, 1(1):3–17.
Borges, V. R. P., Esteves, S. L., Araújo, P. D. N., Oliveira, L. C., and Holanda, M. (2018). Using principal component analysis to support students' performance prediction and data analysis. In Anais do XXIX Simpósio Brasileiro de Informática na Educação (SBIE 2018), pages 1383–1392, Fortaleza. SBC.
BRASIL (2018). Lei n. 13.709, de 14 de agosto de 2018. Lei Geral de Proteção de Dados Pessoais (LGPD).
BRASIL (2024). Lei n. 14.945, de 31 de julho de 2024. Altera a Lei n. 9.394/1996 e define diretrizes para o ensino médio.
BRASIL. Conselho Nacional de Educação (2020). Resolução CNE/CP n. 1, de 27 de outubro de 2020. Dispõe sobre as Diretrizes Curriculares Nacionais para a Formação Continuada de Professores da Educação Básica.
BRASIL. Conselho Nacional de Educação (2022). Parecer CNE/CEB n. 2, de 17 de fevereiro de 2022. Normas sobre Computação na Educação Básica – complemento à BNCC.
BRASIL. Conselho Nacional de Educação (2024). Resolução CNE/CP n. 4, de 29 de maio de 2024. Dispõe sobre as Diretrizes Curriculares Nacionais para a Formação Inicial em Nível Superior de Profissionais do Magistério da Educação Escolar Básica.
BRASIL. Conselho Nacional de Educação (2025). Resolução CNE/CEB n. 2, de 21 de março de 2025. Institui diretrizes operacionais nacionais sobre o uso de dispositivos digitais e a integração curricular da educação digital e midiática.
BRASIL. Conselho Nacional de Saúde (2016). Resolução n. 510, de 7 de abril de 2016. Dispõe sobre as normas aplicáveis a pesquisas em ciências humanas e sociais.
Brito, R. d. S. and Nunes, C. P. (2025). Políticas de formação continuada de professores no brasil: avanços e retrocessos. Revista Brasileira de Política e Administração da Educação, 41(1).
Caliński, T. and Harabasz, J. (1974). A dendrite method for cluster analysis. Communications in Statistics - Theory and Methods, 3(1):1–27.
Cerezo, R., Lara, J. A., Azevedo, R., and Romero, C. (2024). Reviewing the differences between learning analytics and educational data mining: Towards educational data science. Computers in Human Behavior, 154:108155.
Chew, B., Satpathy, A., and Wong, E. (2020). Geospatial analyses to determine academic success factors in California's K-12 education. Annals of GIS, 26(2):81–100.
Costa, J. A. R., Lima, G. D. O., Araújo, R. D., and Dorça, F. A. (2025). Exploring self-regulated learning in virtual environments: An experimental clustering-based approach. In Anais do XXXVI Simpósio Brasileiro de Informática na Educação (SBIE 2025). SBC.
Davies, D. L. and Bouldin, D. W. (1979). A cluster separation measure. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1(2):224–227.
de La Hoz-Ruiz, J., Khalil, M., Domingo Segovia, J., and Liu, Q. (2024). Learning analytics for enhanced professional capital development: a systematic review. Frontiers in Psychology, 15:1302658.
ESPÍRITO SANTO. Secretaria da Educação (2026). Diretrizes operacionais da formação continuada dos profissionais da educação: 2026. Documento institucional do Cefope/SEDU.
Fayyad, U., Piatetsky-Shapiro, G., and Smyth, P. (1996). From data mining to knowledge discovery in databases. AI Magazine, 17(3):37–54.
Gamage, S. H. P. W., Ayres, J. R., and Behrend, M. B. (2022). A systematic review on trends in using moodle for teaching and learning. International Journal of STEM Education, 9(1):9.
Gatti, B. A. (2021). Formação de professores no brasil: Políticas e programas. Revista Paradigma, 42(Extra 2):1–17.
Greenacre, M., Groenen, P. J. F., Hastie, T., Iodice D'Enza, A., Markos, A., and Tuzhilina, E. (2022). Principal component analysis. Nature Reviews Methods Primers, 2:100.
Hakimi, L., Eynon, R., and Murphy, V. A. (2021). The ethics of using digital trace data in education: A thematic review of the research landscape. Review of Educational Research, 91(5):671–717.
Hamina, S. (2024). Data reduction using principal component analysis: theoretical underpinnings and practical applications in public health. Journal of Contemporary Medical Education, 14(1):1–14.
Han, J., Kamber, M., and Pei, J. (2012). Data Mining: Concepts and Techniques. Morgan Kaufmann, Waltham, MA, 3 edition.
Huang, F. and Keller, B. (2025). Working with missing data in large-scale assessments. Large-scale Assessments in Education, 13:13.
Huang, L., Liang, M., Xiong, Y., Wu, X., and Lim, C. P. (2024). A systematic review of technology-enabled teacher professional development during covid-19 pandemic. Computers & Education, 223:105168.
Kakampakou, L., Stokes, J., Hoehn, A., de Kamps, M., Lawniczak, W., Arnold, K. F., Hensor, E. M. A., Heppenstall, A. J., and Gilthorpe, M. S. (2025). Simulating hierarchical data to assess the utility of ecological versus multilevel analyses in obtaining individual-level causal effects. BMC Medical Research Methodology, 25:79.
Lu, Y., Yeom, S., Maktoubian, J., Rahman, M. M., and Kim, S.-H. (2025). Improve student risk prediction with clustering techniques: A systematic review in education data mining. Education Sciences, 15(12):1695.
Marcolino, M. R., Porto, T. R., Primo, T. T., Targino, R., Ramos, V., Queiroga, E. M., Munoz, R., and Cechinel, C. (2025). Student dropout prediction through machine learning optimization: insights from Moodle log data. Scientific Reports, 15:9840.
Paolucci, C., Vancini, S., Bex II, R. T., Cavanaugh, C., Salama, C., and de Araujo, Z. (2024). A review of learning analytics opportunities and challenges for K-12 education. Heliyon, 10:e25767.
Pecuchová, J. and Drlík, M. (2024). Enhancing the early student dropout prediction model: A comprehensive analysis of clustering algorithms. IEEE Access, 12:159342–159367.
Porto, B. and Battestin, V. (2025). Learning Analytics no Moodle: desenvolvimento e aplicação de um painel de indicadores para apoio à prática pedagógica. Revista EaD & Tecnologias Digitais na Educação, 13(20):350–366.
Priyanto, E., Berlilana, and Tahyudin, I. (2025). Enhancing clustering performance through benchmarking of dimensionality reduction techniques on educational data. Jurnal Teknik Informatika (JUTIF), 6(2):641–654.
Ramos, J. L. C., Santos, L. F. L., Silva, J. C. S., and Rodrigues, R. L. (2020). Identificação de perfis de interação de estudantes de educação a distância por meio de técnicas de agrupamentos. In Anais do XXXI Simpósio Brasileiro de Informática na Educação (SBIE 2020), pages 932–941.
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.
Siemens, G. (2013). Learning analytics: The emergence of a discipline. American Behavioral Scientist, 57(10):1380–1400.
Velu, S., Gangathulasi, J., Dineshkumar, K. S. A., and Sankayya, M. (2023). Design of self-regulated learning framework for professional development program through learning analytics. In 2023 ASEE Annual Conference & Exposition.
Wang, Y., Chen, X., and Xue, F. (2024). A review of bayesian spatiotemporal models in spatial epidemiology. ISPRS International Journal of Geo-Information, 13(3):97.
Winter, M., Mordel, J., Mendzheritskaya, J., Biedermann, D., Ciordas-Hertel, G.-P., Hahnel, C., Bengs, D., Wolter, I., Goldhammer, F., Drachsler, H., Artelt, C., and Horz, H. (2024). Behavioral trace data in an online learning environment as indicators of learning engagement in university students. Frontiers in Psychology, 15:1396881.
You, Y. and Hidiroglou, M. (2023). Application of sampling variance smoothing methods for small area proportion estimation. Journal of Official Statistics, 39(4):571–590.
Alfredo, R., Echeverria, V., Jin, Y., Yan, L., Swiecki, Z., Gašević, D., and Martinez-Maldonado, R. (2024). Human-centred learning analytics and AI in education: A systematic literature review. Computers and Education: Artificial Intelligence, 6:100215.
Aulakh, K., Roul, R. K., and Kaushal, M. (2023). E-learning enhancement through educational data mining with Covid-19 outbreak period in backdrop: A review. International Journal of Educational Development, 101:102814.
Baker, R. S. and Yacef, K. (2009). The state of educational data mining in 2009: A review and future visions. Journal of Educational Data Mining, 1(1):3–17.
Borges, V. R. P., Esteves, S. L., Araújo, P. D. N., Oliveira, L. C., and Holanda, M. (2018). Using principal component analysis to support students' performance prediction and data analysis. In Anais do XXIX Simpósio Brasileiro de Informática na Educação (SBIE 2018), pages 1383–1392, Fortaleza. SBC.
BRASIL (2018). Lei n. 13.709, de 14 de agosto de 2018. Lei Geral de Proteção de Dados Pessoais (LGPD).
BRASIL (2024). Lei n. 14.945, de 31 de julho de 2024. Altera a Lei n. 9.394/1996 e define diretrizes para o ensino médio.
BRASIL. Conselho Nacional de Educação (2020). Resolução CNE/CP n. 1, de 27 de outubro de 2020. Dispõe sobre as Diretrizes Curriculares Nacionais para a Formação Continuada de Professores da Educação Básica.
BRASIL. Conselho Nacional de Educação (2022). Parecer CNE/CEB n. 2, de 17 de fevereiro de 2022. Normas sobre Computação na Educação Básica – complemento à BNCC.
BRASIL. Conselho Nacional de Educação (2024). Resolução CNE/CP n. 4, de 29 de maio de 2024. Dispõe sobre as Diretrizes Curriculares Nacionais para a Formação Inicial em Nível Superior de Profissionais do Magistério da Educação Escolar Básica.
BRASIL. Conselho Nacional de Educação (2025). Resolução CNE/CEB n. 2, de 21 de março de 2025. Institui diretrizes operacionais nacionais sobre o uso de dispositivos digitais e a integração curricular da educação digital e midiática.
BRASIL. Conselho Nacional de Saúde (2016). Resolução n. 510, de 7 de abril de 2016. Dispõe sobre as normas aplicáveis a pesquisas em ciências humanas e sociais.
Brito, R. d. S. and Nunes, C. P. (2025). Políticas de formação continuada de professores no brasil: avanços e retrocessos. Revista Brasileira de Política e Administração da Educação, 41(1).
Caliński, T. and Harabasz, J. (1974). A dendrite method for cluster analysis. Communications in Statistics - Theory and Methods, 3(1):1–27.
Cerezo, R., Lara, J. A., Azevedo, R., and Romero, C. (2024). Reviewing the differences between learning analytics and educational data mining: Towards educational data science. Computers in Human Behavior, 154:108155.
Chew, B., Satpathy, A., and Wong, E. (2020). Geospatial analyses to determine academic success factors in California's K-12 education. Annals of GIS, 26(2):81–100.
Costa, J. A. R., Lima, G. D. O., Araújo, R. D., and Dorça, F. A. (2025). Exploring self-regulated learning in virtual environments: An experimental clustering-based approach. In Anais do XXXVI Simpósio Brasileiro de Informática na Educação (SBIE 2025). SBC.
Davies, D. L. and Bouldin, D. W. (1979). A cluster separation measure. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1(2):224–227.
de La Hoz-Ruiz, J., Khalil, M., Domingo Segovia, J., and Liu, Q. (2024). Learning analytics for enhanced professional capital development: a systematic review. Frontiers in Psychology, 15:1302658.
ESPÍRITO SANTO. Secretaria da Educação (2026). Diretrizes operacionais da formação continuada dos profissionais da educação: 2026. Documento institucional do Cefope/SEDU.
Fayyad, U., Piatetsky-Shapiro, G., and Smyth, P. (1996). From data mining to knowledge discovery in databases. AI Magazine, 17(3):37–54.
Gamage, S. H. P. W., Ayres, J. R., and Behrend, M. B. (2022). A systematic review on trends in using moodle for teaching and learning. International Journal of STEM Education, 9(1):9.
Gatti, B. A. (2021). Formação de professores no brasil: Políticas e programas. Revista Paradigma, 42(Extra 2):1–17.
Greenacre, M., Groenen, P. J. F., Hastie, T., Iodice D'Enza, A., Markos, A., and Tuzhilina, E. (2022). Principal component analysis. Nature Reviews Methods Primers, 2:100.
Hakimi, L., Eynon, R., and Murphy, V. A. (2021). The ethics of using digital trace data in education: A thematic review of the research landscape. Review of Educational Research, 91(5):671–717.
Hamina, S. (2024). Data reduction using principal component analysis: theoretical underpinnings and practical applications in public health. Journal of Contemporary Medical Education, 14(1):1–14.
Han, J., Kamber, M., and Pei, J. (2012). Data Mining: Concepts and Techniques. Morgan Kaufmann, Waltham, MA, 3 edition.
Huang, F. and Keller, B. (2025). Working with missing data in large-scale assessments. Large-scale Assessments in Education, 13:13.
Huang, L., Liang, M., Xiong, Y., Wu, X., and Lim, C. P. (2024). A systematic review of technology-enabled teacher professional development during covid-19 pandemic. Computers & Education, 223:105168.
Kakampakou, L., Stokes, J., Hoehn, A., de Kamps, M., Lawniczak, W., Arnold, K. F., Hensor, E. M. A., Heppenstall, A. J., and Gilthorpe, M. S. (2025). Simulating hierarchical data to assess the utility of ecological versus multilevel analyses in obtaining individual-level causal effects. BMC Medical Research Methodology, 25:79.
Lu, Y., Yeom, S., Maktoubian, J., Rahman, M. M., and Kim, S.-H. (2025). Improve student risk prediction with clustering techniques: A systematic review in education data mining. Education Sciences, 15(12):1695.
Marcolino, M. R., Porto, T. R., Primo, T. T., Targino, R., Ramos, V., Queiroga, E. M., Munoz, R., and Cechinel, C. (2025). Student dropout prediction through machine learning optimization: insights from Moodle log data. Scientific Reports, 15:9840.
Paolucci, C., Vancini, S., Bex II, R. T., Cavanaugh, C., Salama, C., and de Araujo, Z. (2024). A review of learning analytics opportunities and challenges for K-12 education. Heliyon, 10:e25767.
Pecuchová, J. and Drlík, M. (2024). Enhancing the early student dropout prediction model: A comprehensive analysis of clustering algorithms. IEEE Access, 12:159342–159367.
Porto, B. and Battestin, V. (2025). Learning Analytics no Moodle: desenvolvimento e aplicação de um painel de indicadores para apoio à prática pedagógica. Revista EaD & Tecnologias Digitais na Educação, 13(20):350–366.
Priyanto, E., Berlilana, and Tahyudin, I. (2025). Enhancing clustering performance through benchmarking of dimensionality reduction techniques on educational data. Jurnal Teknik Informatika (JUTIF), 6(2):641–654.
Ramos, J. L. C., Santos, L. F. L., Silva, J. C. S., and Rodrigues, R. L. (2020). Identificação de perfis de interação de estudantes de educação a distância por meio de técnicas de agrupamentos. In Anais do XXXI Simpósio Brasileiro de Informática na Educação (SBIE 2020), pages 932–941.
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.
Siemens, G. (2013). Learning analytics: The emergence of a discipline. American Behavioral Scientist, 57(10):1380–1400.
Velu, S., Gangathulasi, J., Dineshkumar, K. S. A., and Sankayya, M. (2023). Design of self-regulated learning framework for professional development program through learning analytics. In 2023 ASEE Annual Conference & Exposition.
Wang, Y., Chen, X., and Xue, F. (2024). A review of bayesian spatiotemporal models in spatial epidemiology. ISPRS International Journal of Geo-Information, 13(3):97.
Winter, M., Mordel, J., Mendzheritskaya, J., Biedermann, D., Ciordas-Hertel, G.-P., Hahnel, C., Bengs, D., Wolter, I., Goldhammer, F., Drachsler, H., Artelt, C., and Horz, H. (2024). Behavioral trace data in an online learning environment as indicators of learning engagement in university students. Frontiers in Psychology, 15:1396881.
You, Y. and Hidiroglou, M. (2023). Application of sampling variance smoothing methods for small area proportion estimation. Journal of Official Statistics, 39(4):571–590.
Publicado
05/10/2026
Como Citar
DE ANDRADE, Leonardo Cruz; DE SOUZA, Sandro Ricardo; CARLETTI NETO, Almir; SIMÕES, Sérgio Nery.
Segmentação de perfis de participação em formações continuadas por clusterização a partir de microdados educacionais do SGF e Moodle. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 37. , 2026, Goiânia/GO.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 832-848.
DOI: https://doi.org/10.5753/sbie.2026.27342.
