Context-Aware Learning Analytics for School Profiling Using SAEB Data
Resumo
Este artigo propõe um framework de Learning Analytics sensível ao contexto para análise do desempenho escolar utilizando dados do SAEB 2021. A abordagem integra PCA, IRT, XGBoost e K-Means para caracterizar perfis escolares e identificar fatores contextuais associados ao desempenho em Matemática. Os resultados identificaram quatro grupos de escolas com determinantes distintos. Escolas de menor desempenho apresentaram maior associação com problemas de progressão escolar, enquanto escolas de maior desempenho foram principalmente associadas ao apoio familiar e à infraestrutura. Esses achados reforçam a importância de políticas educacionais sensíveis ao contexto e do uso de Learning Analytics na tomada de decisão educacional.
Palavras-chave:
Learning Analytics, Mineração de Dados Educacionais, Perfil Escolar
Referências
Chen, T. and Guestrin, C. (2016). Xgboost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pages 785–794.
de Ayala, R. J. (2009). The Theory and Practice of Item Response Theory. Guilford Press, New York.
Farias, M. d. L., Gusmão, R. P. d., and Gusmão, C. S. D. (2023). Mineração de dados educacionais: Investigando a relação entre os microdados do inep e o desempenho do ideb. In Anais do XXXIV Simpósio Brasileiro de Informática na Educação (SBIE), pages 1109–1119. SBC.
Ferreira, L. A., Rodrigues, R. L., and Souza, R. N. P. M. d. (2021). Dados abertos educacionais brasileiros: Um mapeamento sistemático da literatura. In Anais do XXXII Simpósio Brasileiro de Informática na Educação (SBIE), pages 1186–1195. SBC.
Guevara-Reyes, R., Ortiz-Garcés, I., Andrade, R., Cox-Riquetti, F., and Villegas-Ch, W. (2025). Machine learning models for academic performance prediction: interpretability and application in educational decision-making. Frontiers in Education, 10:1632315.
Kalita, E., Oyelere, S. S., Gaftandzhieva, S., et al. (2025). Educational data mining: A 10-year review. Discover Computing, 28(1):81.
Liu, R. (2022). Data analysis of educational evaluation using K-means clustering method. Computational Intelligence and Neuroscience, 2022:3762431.
MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, 1:281–297.
Robitzsch, A. (2022). On the choice of the item response model for scaling PISA data: Model selection based on information criteria and quantifying model uncertainty. Entropy, 24(6):760.
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.
Samejima, F. (1969). Estimation of latent ability using a response pattern of graded scores. Psychometrika Monograph Supplement, 34(4):100.
Santos, V., Saraiva, M., and Oliveira, A. (2021). Educational data mining in brazil: A literature review on school dropout. In Proceedings of the Brazilian Symposium on Computers in Education (SBIE).
Silva, V. A. A. d., Moreno, L. L. O., Gonçalves, L. B., Soares, S. S. R. F., and Souza Júnior, R. R. (2020). Identificação de desigualdades sociais a partir do desempenho dos alunos do ensino médio no enem 2019 utilizando mineração de dados. In Anais do XXXI Simpósio Brasileiro de Informática na Educação (SBIE), pages 72–81. SBC.
Sorgatto, D. W., Nogueira, B. M., Cáceres, E. N., and Mongelli, H. (2021). Avaliação de classificadores para relacionar características escolares a indicadores educacionais. In Anais do XXXII Simpósio Brasileiro de Informática na Educação (SBIE), pages 1232–1242. SBC.
Sousa, E. B. G. d., Alexandre, B., Ferreira Mello, R., Pontual Falcão, T., Vesin, B., and Gašević, D. (2021). Applications of learning analytics in high schools: A systematic literature review. Frontiers in Artificial Intelligence, Volume 4 - 2021.
Wang, S. and Luo, B. (2024). Academic achievement prediction in higher education through interpretable modeling. PLOS ONE, 19(9):e0309838.
de Ayala, R. J. (2009). The Theory and Practice of Item Response Theory. Guilford Press, New York.
Farias, M. d. L., Gusmão, R. P. d., and Gusmão, C. S. D. (2023). Mineração de dados educacionais: Investigando a relação entre os microdados do inep e o desempenho do ideb. In Anais do XXXIV Simpósio Brasileiro de Informática na Educação (SBIE), pages 1109–1119. SBC.
Ferreira, L. A., Rodrigues, R. L., and Souza, R. N. P. M. d. (2021). Dados abertos educacionais brasileiros: Um mapeamento sistemático da literatura. In Anais do XXXII Simpósio Brasileiro de Informática na Educação (SBIE), pages 1186–1195. SBC.
Guevara-Reyes, R., Ortiz-Garcés, I., Andrade, R., Cox-Riquetti, F., and Villegas-Ch, W. (2025). Machine learning models for academic performance prediction: interpretability and application in educational decision-making. Frontiers in Education, 10:1632315.
Kalita, E., Oyelere, S. S., Gaftandzhieva, S., et al. (2025). Educational data mining: A 10-year review. Discover Computing, 28(1):81.
Liu, R. (2022). Data analysis of educational evaluation using K-means clustering method. Computational Intelligence and Neuroscience, 2022:3762431.
MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, 1:281–297.
Robitzsch, A. (2022). On the choice of the item response model for scaling PISA data: Model selection based on information criteria and quantifying model uncertainty. Entropy, 24(6):760.
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.
Samejima, F. (1969). Estimation of latent ability using a response pattern of graded scores. Psychometrika Monograph Supplement, 34(4):100.
Santos, V., Saraiva, M., and Oliveira, A. (2021). Educational data mining in brazil: A literature review on school dropout. In Proceedings of the Brazilian Symposium on Computers in Education (SBIE).
Silva, V. A. A. d., Moreno, L. L. O., Gonçalves, L. B., Soares, S. S. R. F., and Souza Júnior, R. R. (2020). Identificação de desigualdades sociais a partir do desempenho dos alunos do ensino médio no enem 2019 utilizando mineração de dados. In Anais do XXXI Simpósio Brasileiro de Informática na Educação (SBIE), pages 72–81. SBC.
Sorgatto, D. W., Nogueira, B. M., Cáceres, E. N., and Mongelli, H. (2021). Avaliação de classificadores para relacionar características escolares a indicadores educacionais. In Anais do XXXII Simpósio Brasileiro de Informática na Educação (SBIE), pages 1232–1242. SBC.
Sousa, E. B. G. d., Alexandre, B., Ferreira Mello, R., Pontual Falcão, T., Vesin, B., and Gašević, D. (2021). Applications of learning analytics in high schools: A systematic literature review. Frontiers in Artificial Intelligence, Volume 4 - 2021.
Wang, S. and Luo, B. (2024). Academic achievement prediction in higher education through interpretable modeling. PLOS ONE, 19(9):e0309838.
Publicado
05/10/2026
Como Citar
NOBAYASHI, Leslie Miho; PEDROSA, Glauco V.; LADEIRA, Marcelo.
Context-Aware Learning Analytics for School Profiling Using SAEB Data. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 37. , 2026, Goiânia/GO.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 2698-2706.
DOI: https://doi.org/10.5753/sbie.2026.27871.
