Learning Analytics Aplicada ao Desempenho Escolar Brasileiro com Dados da PeNSE e IDEB
Resumo
Introdução: O PISA 2022 evidenciou baixo desempenho dos estudantes brasileiros em matemática, leitura e ciências. Objetivo: Investigar fatores associados ao rendimento escolar por meio do algoritmo K-Means aplicado à PeNSE e ao IDEB. Metodologia: Foram analisados dados da PeNSE (2009, 2015 e 2019) em associação ecológica com o IDEB para identificar perfis de estudantes. Resultados: Baixa supervisão parental, alimentação inadequada, sedentarismo e uso precoce de álcool e drogas associaram-se a menor desempenho no IDEB, enquanto hábitos saudáveis e apoio socioemocional relacionaram-se a melhores resultados. Desigualdades socioeconômicas permaneceram determinantes do desempenho escolar.
Palavras-chave:
Learning Analytics, Mineração de Dados Educacionais, K-Means, Desempenho Escolar, Aprendizagem de Máquina
Referências
Alves Filho, E. M. A. (2024). A importância da alimentação e atividade física na educação infantil. Revista Ibero-Americana de Humanidades, Ciências e Educação, 10(4):1527–1528.
Corcovia, L. O. e Alves, R. S. (2019). Aprendizagem de máquina e mineração de dados: avaliação de métodos de aprendizagem. Revista Interface Tecnológica, 16(1):90–101.
Costa, E., Baker, R. S., Amorim, L., Magalhães, J., e Marinho, T. (2012). Mineração de dados educacionais: conceitos, técnicas, ferramentas e aplicações. Jornada de Atualização em Informática na Educação, 1(1):1–29.
Cui, M. et al. (2020). Introduction to the k-means clustering algorithm based on the elbow method. Accounting, Auditing and Finance, 1(1):5–8.
da Silva, G. C., da Cunha, R. S. B. P., Rodrigues, R. L., e Maciel, A. M. A. (2023). Utilização da mineração de dados educacionais na educação infantil. Revista Novas Tecnologias na Educação, 21(1):251–260.
de Araújo, J. M., de Almeida, F. M., Gonzaga Martin, D., Marques Ferreira, M. A., e Rodrigues de Faria, E. (2021). Fatores escolares como determinantes do desempenho dos alunos da educação básica. Linhas Críticas, 27.
Diaz-Papkovich, A., Anderson-Trocmé, L., e Gravel, S. (2021). A review of umap in population genetics. Journal of Human Genetics, 66(1):85–91.
Furlanetto, G. C., de Carvalho, V. O., Baldassin, A., e Manacero, A. (2022). Algoritmos de agrupamento aplicados à detecção de fraudes. In Escola Regional de Alto Desempenho de São Paulo (ERAD-SP), pages 29–32. SBC.
Gomes, M. M. (2018). Fatores que facilitam e dificultam a aprendizagem. Revista Educação Pública, Rio de Janeiro, 18(14):28–38.
Hernández-Leal, E., Duque-Méndez, N. D., e Cechinel, C. (2021). Unveiling educational patterns at a regional level in colombia: data from elementary and public high school institutions. Heliyon, 7(9).
IBGE (2009). Pesquisa nacional de saúde do escolar (pense). [link]. Acesso em: 2026-08-04.
INEP (2025). Índice de desenvolvimento da educação básica (ideb). [link]. Acesso em: 2026-08-04.
Lenz, M., NEUMAN, F., Santarelli, R., e Salvador, D. (2020). Fundamentos de aprendizagem de máquina. Porto Alegre: SAGAH.
Maaten, L. v. d. e Hinton, G. (2008). Visualizing data using t-sne. Journal of machine learning research, 9(Nov):2579–2605.
Mello, F. C. M., Silva, J. L. d., Oliveira, W. A. d., Prado, R. R. d., Malta, D. C., e Silva, M. A. I. (2017). A prática de bullying entre escolares brasileiros e fatores associados, pesquisa nacional de saúde do escolar 2015. Ciência & Saúde Coletiva, 22:2939–2948.
Naeem, S., Ali, A., Anam, S., e Ahmed, M. M. (2023). An unsupervised machine learning algorithms: Comprehensive review. International Journal of Computing and Digital Systems.
OCDE (2022). Pisa 2022 results (volume i and ii) - country notes: Brazil. Acesso em 13 jul. 2024.
Reis, A. A. C. d., Malta, D. C., e Furtado, L. A. C. (2018). Desafios para as políticas públicas voltadas à adolescência e juventude a partir da pesquisa nacional de saúde do escolar (pense). Ciência & saúde coletiva, 23(9):2879–2890.
Silva, F. M. (2025). A educação estadual de goiás à beira da aprovação automática dos estudantes. Revista Terceiro Incluído, 15(1):e15104–e15104.
Soares, C. A. M., Leão, O. A. d. A., Freitas, M. P., Hallal, P. C., e Wagner, M. B. (2023). Tendência temporal de atividade física em adolescentes brasileiros: análise da pesquisa nacional de saúde do escolar de 2009 a 2019. Cadernos de Saúde Pública, 39(10):e00063423.
Soares, Maria Livanete, R. B. (2018). Desestrutura familiar e desinteresse escolar: uma avaliação multidimensional. Revista Atlante: Cuadernos de Educación y Desarrollo (septiembre 2018). [link], 11763.
UNICEF et al. (2023). As múltiplas dimensões da pobreza na infância e na adolescência no brasil. Brasília, DF: Unicef.
Corcovia, L. O. e Alves, R. S. (2019). Aprendizagem de máquina e mineração de dados: avaliação de métodos de aprendizagem. Revista Interface Tecnológica, 16(1):90–101.
Costa, E., Baker, R. S., Amorim, L., Magalhães, J., e Marinho, T. (2012). Mineração de dados educacionais: conceitos, técnicas, ferramentas e aplicações. Jornada de Atualização em Informática na Educação, 1(1):1–29.
Cui, M. et al. (2020). Introduction to the k-means clustering algorithm based on the elbow method. Accounting, Auditing and Finance, 1(1):5–8.
da Silva, G. C., da Cunha, R. S. B. P., Rodrigues, R. L., e Maciel, A. M. A. (2023). Utilização da mineração de dados educacionais na educação infantil. Revista Novas Tecnologias na Educação, 21(1):251–260.
de Araújo, J. M., de Almeida, F. M., Gonzaga Martin, D., Marques Ferreira, M. A., e Rodrigues de Faria, E. (2021). Fatores escolares como determinantes do desempenho dos alunos da educação básica. Linhas Críticas, 27.
Diaz-Papkovich, A., Anderson-Trocmé, L., e Gravel, S. (2021). A review of umap in population genetics. Journal of Human Genetics, 66(1):85–91.
Furlanetto, G. C., de Carvalho, V. O., Baldassin, A., e Manacero, A. (2022). Algoritmos de agrupamento aplicados à detecção de fraudes. In Escola Regional de Alto Desempenho de São Paulo (ERAD-SP), pages 29–32. SBC.
Gomes, M. M. (2018). Fatores que facilitam e dificultam a aprendizagem. Revista Educação Pública, Rio de Janeiro, 18(14):28–38.
Hernández-Leal, E., Duque-Méndez, N. D., e Cechinel, C. (2021). Unveiling educational patterns at a regional level in colombia: data from elementary and public high school institutions. Heliyon, 7(9).
IBGE (2009). Pesquisa nacional de saúde do escolar (pense). [link]. Acesso em: 2026-08-04.
INEP (2025). Índice de desenvolvimento da educação básica (ideb). [link]. Acesso em: 2026-08-04.
Lenz, M., NEUMAN, F., Santarelli, R., e Salvador, D. (2020). Fundamentos de aprendizagem de máquina. Porto Alegre: SAGAH.
Maaten, L. v. d. e Hinton, G. (2008). Visualizing data using t-sne. Journal of machine learning research, 9(Nov):2579–2605.
Mello, F. C. M., Silva, J. L. d., Oliveira, W. A. d., Prado, R. R. d., Malta, D. C., e Silva, M. A. I. (2017). A prática de bullying entre escolares brasileiros e fatores associados, pesquisa nacional de saúde do escolar 2015. Ciência & Saúde Coletiva, 22:2939–2948.
Naeem, S., Ali, A., Anam, S., e Ahmed, M. M. (2023). An unsupervised machine learning algorithms: Comprehensive review. International Journal of Computing and Digital Systems.
OCDE (2022). Pisa 2022 results (volume i and ii) - country notes: Brazil. Acesso em 13 jul. 2024.
Reis, A. A. C. d., Malta, D. C., e Furtado, L. A. C. (2018). Desafios para as políticas públicas voltadas à adolescência e juventude a partir da pesquisa nacional de saúde do escolar (pense). Ciência & saúde coletiva, 23(9):2879–2890.
Silva, F. M. (2025). A educação estadual de goiás à beira da aprovação automática dos estudantes. Revista Terceiro Incluído, 15(1):e15104–e15104.
Soares, C. A. M., Leão, O. A. d. A., Freitas, M. P., Hallal, P. C., e Wagner, M. B. (2023). Tendência temporal de atividade física em adolescentes brasileiros: análise da pesquisa nacional de saúde do escolar de 2009 a 2019. Cadernos de Saúde Pública, 39(10):e00063423.
Soares, Maria Livanete, R. B. (2018). Desestrutura familiar e desinteresse escolar: uma avaliação multidimensional. Revista Atlante: Cuadernos de Educación y Desarrollo (septiembre 2018). [link], 11763.
UNICEF et al. (2023). As múltiplas dimensões da pobreza na infância e na adolescência no brasil. Brasília, DF: Unicef.
Publicado
05/10/2026
Como Citar
CAMBOIM, Guilherme B.; M. JUNIOR, Dirceu A.; PRIMO, Tiago T.; BITTENCOURT, Ig I..
Learning Analytics Aplicada ao Desempenho Escolar Brasileiro com Dados da PeNSE e IDEB. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 37. , 2026, Goiânia/GO.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 916-930.
DOI: https://doi.org/10.5753/sbie.2026.27405.
