Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: MARIA EVA CLEMENCIA FONSECA DE CASTRO SILVA
DATA: 09/02/2026
HORA: 08:30
LOCAL: Virtual - meet.google.com/eou-owik-rps
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: 127
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Sistemas de Computação
ESPECIALIDADE: Arquitetura de Sistemas de Computação
RESUMO:

As desigualdades no desempenho educacional entre municípios brasileiros permanecem amplas e persistentes, conforme evidenciado pelas variações do Índice de Desenvolvimento da Educação Básica (IDEB) nas diferentes etapas da educação básica. Apesar da crescente disponibilidade de informações sobre os sistemas de ensino, ainda há limitações na utilização integrada desses insumos para prever o desempenho municipal e subsidiar decisões estratégicas. Essa lacuna é particularmente relevante em estados como o Piauí, onde os municípios apresentam desempenho heterogéneo, com alguns registrando avanços consistentes e outros mantendo resultados inferiores . m.dia estadual. Neste contexto, o presente trabalho tem como objetivo principal aplicar e avaliar modelos preditivos baseados em aprendizado de máquina (Machine Learning - ML) e aprendizado profundo (Deep Learning - DL) para prever o desempenho educacional dos munic.pios piauienses, representado pelo IDEB, nas tr.s etapas da educação básica (anos iniciais, anos finais e ensino médio), integrando variáveis educacionais, socioeconómicas e financeiras. Para tanto, foram construídas três bases de dados, compreendendo o período de 2013 a 2023, considerando os anos ímpares. Foram testados e comparados dez algoritmos clássicos de regressão supervisionada, incluindo regressões penalizadas, modelos baseados em árvore, como Floresta Aleatória (Random Forest - RF) e Extreme Gradient Boosting (XGBoost) e métodos baseados em instâncias, além de sete arquiteturas de Redes Neurais Artificiais (Artificial Neural Networks - 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, 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 Criança Feliz. No ensino médio, assumiram relevância variáveis ligadas . 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 de 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. 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
Externo à Instituição - 009.***.***-69 - GUSTAVO GIRÃO BARRETO DA SILVA - UFRN

Cadastrada em: 22/01/2026