Banca de QUALIFICAÇÃO: MARIA EVA CLEMENCIA FONSECA DE CASTRO SILVA

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE: MARIA EVA CLEMENCIA FONSECA DE CASTRO SILVA
DATA: 10/09/2025
HORA: 14:00
LOCAL: Sala de Videoconferência do PPGCC
TÍTULO: Modelagem Preditiva para o IDEB Municipal na Educação Básica Piauiense por Meio de Algoritmos de Aprendizado de Máquina e Aprendizado Profundo
PALAVRAS-CHAVES: Machine learning, Deep learning, Educação básica, IDEB, Políticas públicas, Previsão, Simulação contrafactual
PÁGINAS: 80
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Sistemas de Computação
ESPECIALIDADE: Arquitetura de Sistemas de Computação
RESUMO:

O desempenho educacional dos municípios brasileiros, mensurado pelo Índice deDesenvolvimento da Educação Básica (IDEB), apresenta variações expressivas entre regiões e etapas de ensino, refletindo desigualdades históricas na oferta de infraestrutura escolar, na formação docente e na capacidade local de gestão educacional. Neste contexto, o presente trabalho tem como objetivo principal desenvolver modelos preditivos para estimar o IDEB municipal no estado do Piauí, utilizando algoritmos de aprendizado de máquina (Machine Learning - ML) e aprendizado profundo (Deep Learning - DL). Para tanto, foram construídas três bases de dados agregadas por município e por etapa da educação básica (anos iniciais, anos finais e ensino médio), compreendendo o período de 2013 a 2023, com variáveis provenientes de fontes públicas nacionais, contemplando indicadores educacionais, socioeconômicos e financeiros. Foram testados e comparados dez algoritmos clássicos de regressão supervisionada, incluindo regressões penalizadas, modelos baseados em árvore, como FlorestaAleatória (Random Forest - RF) e Extreme Gradient Boosting (XGBoost) e métodos baseados em instâncias, além de sete arquiteturas de Redes Neurais Artificiais (Artificial NeuralNetworks - ANN) profundas, como Perceptron Multicamadas (Multilayer Perceptron - MLP),Rede Neural Convolucional (Convolutional Neural Network – CNN), Memória de Longo e Curto Prazo (Long Short-Term Memory - LSTM) e híbridas. O desempenho dos modelos foi avaliado por meio de métricas de erro e coeficiente de determinação (R²), calculadas nos conjuntos de treino, teste e validação cruzada com 5 folds. Os resultados indicaram que o modelo XGBoost apresentou o melhor desempenho global nas três etapas da educação básica(anos iniciais e finais do ensino fundamental e ensino médio), com R² de 0,5455 nos anos iniciais, 0,5205 nos anos finais e 0,4488 no ensino médio, segundo validação cruzada.Destacou-se para sua robustez nos anos iniciais e finais e sua relativa estabilidade no ensino médio, etapa notoriamente mais difícil de prever devido à maior variabilidade e evasão. A análise de importância das variáveis identificou determinantes centrais para o IDEB. Nos anos iniciais e finais, destacaram-se o PIB per capita, a taxa de distorção idade-série, o percentual de docentes sem curso superior, variáveis da agropecuária local e repasses do programa CriançaFeliz. No ensino médio, assumiram relevância variáveis ligadas à infraestrutura escolar, gestão e esforço docente. Com base no modelo XGBoost, foi desenvolvido um sistema de simulação de cenários, que permite testar, de forma contrafactual, o impacto de alterações paramétricas nas variáveis explicativas sobre os valores previstos do IDEB municipal de 2023. Esse módulo opera com interface amigável e recursos de exportação, gráficos e visualizações personalizadas, representando uma contribuição concreta para o planejamento educacional baseado em evidências. Os resultados obtidos demonstram que é possível antecipar, com razoável grau de acurácia, o comportamento do IDEB em nível municipal, desde que integradas fontes de dados diversas e aplicados modelos robustos. O sistema de simulação desenvolvido consolida-se como ferramenta de apoio à tomada de decisão, permitindo que gestores visualizem os efeitos hipotéticos de políticas públicas educacionais. Como perspectivas futuras, recomenda-se a inclusão de novas variáveis e a replicação da metodologia em outros contextos federativos.

MEMBROS DA BANCA:
Presidente - 1177449 - IVAN SARAIVA SILVA
Interno - 1226761 - RAIMUNDO SANTOS MOURA
Interno - 1446435 - VINICIUS PONTE MACHADO
Externo ao Programa - 1750222 - LUISA XAVIER DE OLIVEIRA