November 16, 2026
Análise do perfil de aprendizagem de escolas públicas e impacto no desempenho escolar adequado
Isabela Queirós Castro; Karina Corrêa Cillo
DOI: 10.22167/2675-6528-202604233
Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.
Resumo
A análise do perfil de aprendizagem de alunos do quinto ano de escolas públicas e seu impacto no desempenho escolar adequado foi o objetivo deste projeto. Investigou-se o comportamento de habilidades consolidadas em avaliações formativas e sua relação com pontos de corte de proficiência do Sistema de Avaliação Nacional da Educação Básica (Saeb). Incluíram-se resultados de proficiência em Língua Portuguesa e Matemática do Saeb de 2023, agregados por escola. Os dados de habilidade consistiram nos percentuais de acerto por descritores, obtidos em parceria com um programa sem fins lucrativos. Devido à multicolinearidade observada entre os descritores, o impacto na proficiência foi avaliado por modelos de Regressão de Ridge (Regularização L2), estratificados pelo nível de desempenho das escolas. Observou-se que os modelos diferenciaram descritores de habilidades básicas e complexas conforme o estágio de desenvolvimento da escola. Descritores básicos impactaram escolas insatisfatórias, mas apresentaram efeito-teto em escolas satisfatórias, onde as competências já estavam consolidadas. Descritores mais complexos impactaram escolas satisfatórias que buscavam maior proficiência. A pesquisa buscou contribuir para o desenvolvimento da educação básica de alunos de escolas públicas, sugerindo práticas pedagógicas apropriadas às necessidades identificadas.
Palavras-chave: Avaliação educacional; Descritores; Matriz de prioridade; Regressão de Ridge.
1. Introdução
A educação é reconhecida como um pilar fundamental para a formação do indivíduo e para o desenvolvimento de um país. A educação básica, em particular, constitui uma questão pública amplamente debatida há décadas, com a qualidade educacional e o desempenho dos alunos sendo temas de grande relevância na literatura acadêmica. Estudos indicam que a educação básica impacta diversos aspectos da sociedade, incluindo dimensões pessoais, sociais, econômicas e ambientais (De Negri et al., 2018).
No contexto brasileiro, o país se destaca como o maior da América Latina. O censo escolar de 2023 registrou 47,3 milhões de matrículas em 178,5 mil escolas em todo o Brasil. A maior parte dessas matrículas concentra-se na educação básica, totalizando 26,1 milhões de alunos, dos quais 82% pertencem à rede municipal e dez milhões estão nos anos iniciais do Ensino Fundamental (Inep, 2023).
A avaliação educacional desempenha um papel crucial na orientação de políticas públicas e na melhoria contínua da qualidade da educação pública. Instrumentos como o Sistema Nacional de Avaliação da Educação Básica (Saeb) e o Índice de Desenvolvimento da Educação Básica (Ideb) são essenciais para monitorar o desempenho escolar, identificar limitações e dificuldades enfrentadas por educadores, e promover uma educação de qualidade que respeite o princípio da equidade (Franco et al., 2007). A avaliação da educação pública é um processo complexo e contínuo, que exige o empenho de diferentes áreas e o desenvolvimento de novos métodos para garantir uma educação de qualidade para todos, conforme estabelecido pelo artigo 208 da Constituição Federal de 1988.
O Inep divulga resultados com base no percentual de alunos classificados por níveis de proficiência, de acordo com a etapa e disciplina avaliada. Contudo, não existe uma classificação oficial do Ministério da Educação que defina os padrões pedagógicos considerados satisfatórios. Estados e outros órgãos de políticas públicas, por sua vez, utilizam sistemas próprios de avaliação educacional, na mesma escala de proficiência do Saeb, e estabelecem seus próprios padrões de desempenho. Além das avaliações somativas, como o Saeb, as avaliações formativas são aplicadas ao longo do ano letivo com o objetivo de diagnosticar o aprendizado de conteúdos e habilidades dos alunos, fornecendo subsídios para que professores e coordenadores pedagógicos elaborem planos de ação de intervenção pedagógica (Black e Wiliam, 1998; Jesus, 2024).
Apesar da reconhecida importância desses instrumentos, um desafio persistente para as redes municipais de ensino é a conversão dos resultados das avaliações em ações pedagógicas concretas e direcionadas. Essa dificuldade é particularmente acentuada nos anos iniciais do Ensino Fundamental, período em que a consolidação de competências básicas, como leitura, interpretação e raciocínio matemático, é decisiva para o desempenho escolar futuro. O problema não reside apenas na aplicação das avaliações, mas na interpretação estruturada dos resultados e na identificação das habilidades que demandam intervenção imediata.
Adicionalmente, a integração de avaliações formativas e somativas enfrenta limitações metodológicas e práticas, o que dificulta a comparação direta e o aproveitamento pleno das informações geradas por esses instrumentos. Consequentemente, gestores e educadores podem ter dificuldades em identificar quais padrões de desempenho em habilidades específicas se correlacionam com resultados considerados adequados na escala do Saeb, comprometendo a formulação de estratégias pedagógicas mais focadas. Assim, emerge a problemática central deste trabalho: como otimizar o uso dos dados de avaliação disponíveis para evidenciar padrões de habilidades com baixo desempenho e identificar quais descritores se associam a resultados adequados no Saeb, subsidiando a definição de estratégias pedagógicas mais direcionadas e eficientes nas redes municipais.
A presente pesquisa é desenvolvida no contexto de uma associação sem fins lucrativos que apoia municípios brasileiros na implementação de práticas de gestão educacional baseadas em evidências, visando assegurar uma educação de qualidade, efetiva, equitativa e sustentável, com foco na alfabetização até os sete anos de idade. No âmbito desse programa, são aplicadas avaliações formativas periódicas que permitem o acompanhamento do desempenho escolar. A disponibilidade simultânea de dados de avaliações formativas e do Saeb oferece uma oportunidade valiosa para aprofundar o entendimento sobre o desempenho escolar. Para que essas informações gerem valor efetivo para a gestão educacional, é fundamental estabelecer uma relação clara entre os resultados das duas avaliações, identificando quais habilidades e conteúdos são críticos para um desempenho adequado.
Neste contexto, o objetivo deste trabalho é identificar o perfil de aprendizagem dos alunos de escolas públicas a partir dos resultados das avaliações formativas aplicadas durante o ano letivo, analisados de forma agregada no nível de escola, avaliando quais padrões de consolidação de habilidades estiveram associados a um desempenho escolar considerado adequado segundo os pontos de corte de proficiência do Saeb.
2. Material e Métodos
A presente pesquisa caracterizou-se como um estudo observacional e descritivo, fundamentado na análise de dados secundários de avaliação educacional. O objeto empírico consistiu em escolas do quinto ano do Ensino Fundamental da rede municipal, localizadas em diferentes municípios e estados brasileiros. A unidade de análise foi o desempenho agregado no nível de escola, visando identificar padrões de aprendizagem e sua associação com o desempenho escolar adequado.
Os dados foram coletados no ano de 2023, abrangendo resultados de avaliações formativas e do Sistema Nacional de Avaliação da Educação Básica (Saeb). Os dados do Saeb, que são públicos, foram obtidos junto ao Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (Inep). Para as avaliações formativas, realizou-se uma solicitação formal à associação sem fins lucrativos responsável pela aplicação dos testes, com a assinatura de um termo de comprometimento ético, confidencialidade e proteção dos dados.
Os dados das avaliações formativas foram cedidos de forma anonimizada, sem identificação dos municípios ou das escolas, em conformidade com as normas da Lei Geral de Proteção de Dados Pessoais (LGPD). A associação foi selecionada para o estudo devido à disponibilidade de acesso a um banco de dados sistematizado, que permitiu o compartilhamento de informações agregadas sem quebra de sigilo.
A população de estudo compreendeu escolas que participaram do programa de apoio da associação e que realizaram as avaliações formativas em 2023. Para a análise, selecionaram-se os dados da terceira prova formativa, por ser a avaliação mais próxima do período de realização do Saeb e por apresentar maior percentual de participação. Adicionalmente, foram incluídas apenas escolas com percentual de participação igual ou superior a 75% nas avaliações formativas, resultando na exclusão de 5,1% das escolas.
As variáveis de estudo incluíram a proficiência média dos alunos por escola, extraída do Saeb, e os percentuais de acerto por descritores das avaliações formativas. As avaliações do Saeb baseiam-se em testes de desempenho em Língua Portuguesa e Matemática, com proficiências calculadas pela Teoria de Resposta ao Item (TRI) em uma escala de 0 a 500 pontos. As avaliações formativas, por sua vez, são embasadas nas matrizes de referência do Inep, com cada item contemplando uma habilidade específica, permitindo identificar o progresso do aluno.
Para a classificação do desempenho escolar, os pontos de corte de proficiência do Saeb para o quinto ano do Ensino Fundamental foram de 200 pontos para Língua Portuguesa e 225 pontos para Matemática. A fim de estabelecer um critério mais robusto para o desempenho satisfatório, esses pontos de corte foram aumentados em meio desvio padrão (25 pontos) da escala de proficiência do Saeb, visando identificar escolas com um perfil de proficiência consolidado.
Na etapa de procedimentos de análise, as variáveis categóricas foram descritas por frequências absolutas e porcentagens, enquanto as variáveis quantitativas foram caracterizadas por medidas resumo, como médias, desvios padrão, medianas, quartis, mínimos e máximos (Costa Neto, 2002). A normalidade dos dados foi verificada por meio do teste de Shapiro-Wilk, gráficos bloxplot, histogramas e gráficos de comparações de quantis (Royston, 1982).
A relação entre as escalas de avaliação educacional foi investigada por meio de modelos de regressão de Ridge (Regularização L2). Este método foi selecionado para lidar com a multicolinearidade observada entre os descritores, que inviabilizaria o uso de uma Regressão Linear por Mínimos Quadrados Ordinários (MQO) devido à instabilidade e elevada variância dos coeficientes (Hair et al., 2009). O modelo Ridge minimiza a soma dos resíduos quadrados ao adicionar uma penalidade L2 na magnitude dos coeficientes, controlando o “overfitting” e mantendo todas as variáveis explicativas (Nwosu et al., 2024).
Os dados foram padronizados para garantir que a penalidade fosse aplicada uniformemente. O valor ótimo do parâmetro de regularização (λ) foi determinado por validação cruzada (k-fold Cross Validation), buscando o λmin que minimizasse o erro quadrático médio (MSE). Foram propostos dois modelos, um para Língua Portuguesa e outro para Matemática, utilizando a proficiência média no Saeb como variável dependente e os percentuais de acerto médio dos descritores como preditoras.
A análise foi estratificada pelo nível de desempenho das escolas (Satisfatório e Insatisfatório) com base em sua proficiência média. A adequação dos modelos foi verificada por meio da análise dos resíduos, análise gráfica dos resíduos pelos valores preditos e métricas de precisão, como o coeficiente de determinação (R2) e o erro quadrático médio (MSE) (Myers et al., 2010). A multicolinearidade entre os descritores foi verificada pelo Fator de Inflação de Variância (VIF), Tolerância e Correlação (Fávero e Belfiore, 2017).
As análises foram conduzidas utilizando o programa R, versão 4.4.3 (R Core Team, 2025), e os pacotes glmnet (Tay et al., 2023), semPlot (Epskamp, 2026) e ggplot2 (Wickham, 2016). Os resultados foram apresentados a partir dos coeficientes de impacto de Ridge. Por fim, elaborou-se uma matriz de priorização por nível de desempenho, que permitiu organizar os descritores conforme sua relevância para cada estrato de proficiência escolar.
3. Resultados e Discussão
A análise dos dados coletados para este estudo concentrou-se nas avaliações formativas de percurso realizadas em 2023, priorizando a terceira prova por sua proximidade com o período de aplicação do Sistema de Avaliação da Educação Básica (Saeb) e pelo maior percentual de participação. Essa seleção estratégica visou otimizar a relevância dos achados para a compreensão do desempenho no Saeb. A base de dados inicial, que incluía informações de todos os municípios parceiros, foi cuidadosamente filtrada para garantir a consistência e a comparabilidade dos resultados, alinhando-se aos critérios de participação do Inep.
Para a análise, foram considerados 38 municípios parceiros, abrangendo 1.087 escolas participantes e um total de 39.132 médias de acertos por descritor. Um critério fundamental do Inep para a obtenção dos resultados do Saeb é a participação mínima de 80% dos alunos por escola. Ao observar a distribuição do percentual de participação, identificou-se que algumas escolas não atingiam esse patamar. Para harmonizar os critérios e garantir a robustez da análise, foram incluídas apenas as escolas com percentual de participação igual ou superior a 75%, resultando na exclusão de 5,1% das escolas e consolidando uma base final com 1.031 escolas e 37.096 resultados de médias de acertos por descritor. O menor município da amostra possuía duas escolas, enquanto o maior contava com 79 escolas.
Adicionalmente, foi realizado um ajuste nos pontos de corte de proficiência para a classificação dos níveis satisfatórios em Língua Portuguesa e Matemática no Saeb. Conforme a escala de proficiência do Saeb, os pontos de corte para o quinto ano do Ensino Fundamental são 200 para Língua Portuguesa e 225 para Matemática. Para evitar uma interpretação equivocada de adequação em escolas com proficiências limítrofes, o ponto de corte para o nível satisfatório foi aumentado em meio desvio padrão, ou seja, 25 pontos. Assim, uma escola foi classificada como adequada se sua proficiência média fosse igual ou superior a 225 pontos para Língua Portuguesa e 250 pontos para Matemática, indicando um perfil de proficiência satisfatório e consolidado.
Resultados de Matemática
A proficiência média em Matemática das escolas avaliadas em 2023 foi de 212,96 pontos, com um desvio padrão de 25,9. A variação observada nos resultados de proficiência estendeu-se de 148,21 a 329,96 pontos. Ao analisar o desempenho por município, identificou-se que o município com ID 2715 obteve o melhor resultado, com uma proficiência média de 290,84 pontos, e 93,4% das suas 15 escolas foram classificadas no nível de desempenho satisfatório. Em contraste, o município com ID 1220 apresentou o pior desempenho, com uma média de proficiência de 185,87 pontos, e 96% das suas 24 escolas foram consideradas insatisfatórias, com proficiência inferior a 250 pontos. No total da amostra, apenas 8,8% das escolas, correspondendo a 91 instituições, alcançaram o nível de desempenho satisfatório em Matemática, ou seja, proficiência igual ou superior a 250 pontos.
Antes de desenvolver o modelo de regressão para relacionar os descritores com o desempenho em Matemática, foi crucial verificar o pressuposto de multicolinearidade. A presença de multicolinearidade pode comprometer a estabilidade e a interpretação dos coeficientes do modelo (Fávero e Belfiore, 2017). Para tanto, um modelo inicial foi estimado para a proficiência média em Matemática, utilizando todos os descritores como variáveis preditoras, e calculou-se o Fator de Inflação de Variância (VIF) e a Tolerância. Os resultados indicaram que todos os descritores apresentaram valores de VIF superiores a um, confirmando a existência de multicolinearidade entre as variáveis explicativas.
A análise de correlação entre os descritores de Matemática revelou padrões variados de associação. Observou-se que o descritor M072, que se refere à habilidade de “Reconhecer a conservação ou modificação de medidas dos lados, do perímetro, da área em ampliação e/ou redução de figuras poligonais usando malhas quadriculadas”, apresentou uma baixa correlação com os demais descritores. Por outro lado, muitos descritores exibiram coeficientes de correlação classificados como moderados a fortes, variando entre 0,50 e 0,70, o que reforça a necessidade de uma abordagem de modelagem que lide eficazmente com a multicolinearidade, como a Regressão de Ridge.
Os modelos de Regressão de Ridge aplicados à proficiência em Matemática demonstraram uma capacidade explicativa razoável, com um coeficiente de determinação (R²) de 0,458 para as escolas de nível satisfatório e 0,447 para as escolas de nível insatisfatório. Isso significa que aproximadamente 45% da variabilidade da proficiência média pode ser explicada pelos percentuais de acerto nos descritores de Matemática, mesmo desconsiderando as distorções causadas pela correlação entre eles. Em termos de precisão, o Erro Quadrático Médio (MSE) foi de 13,55 para escolas satisfatórias e 14,23 para insatisfatórias, valores considerados aceitáveis em comparação com a escala do Saeb, que na amostra apresentou média de 213 e desvio padrão de 25,9.
O diagnóstico dos modelos, tanto para escolas satisfatórias quanto insatisfatórias, indicou um bom ajuste geral. Para as escolas de nível insatisfatório, a distribuição dos erros se mostrou aleatória em torno do intercepto zero, com a maioria dos resíduos variando entre -20 e 20, ou seja, abaixo de um desvio padrão. Essa ausência de padrões sistemáticos ou heterocedasticidade severa sugere uma boa capacidade preditiva do modelo. Contudo, para as escolas de nível satisfatório, embora o ajuste também tenha sido bom, observou-se um maior ruído, especialmente em proficiências muito altas, indicando que a previsão pode ser menos precisa nesses níveis devido à menor quantidade de escolas e maior variabilidade nas proficiências.
A análise da validação cruzada revelou diferenças significativas no impacto dos descritores entre os níveis de desempenho das escolas. Escolas com desempenho satisfatório apresentaram maior variabilidade, sugerindo uma heterogeneidade mais acentuada no impacto dos descritores. Em contraste, as escolas de nível insatisfatório mostraram uma convergência mais estável, com intervalos de confiança menores e predições mais homogêneas. A variação no valor ótimo do parâmetro lambda entre os estratos reforça a importância de uma análise segmentada por nível de desempenho, permitindo que o peso atribuído a cada descritor seja ajustado às necessidades específicas de cada grupo de escolas.
A análise estratificada dos coeficientes de Ridge permitiu identificar descritores com maior poder preditivo para a proficiência em Matemática. O descritor M020, “Resolver problema com números racionais envolvendo as operações (adição, subtração, multiplicação, divisão, potenciação)”, apresentou a maior diferença percentual de impacto, sendo 53,3 vezes mais relevante em escolas de nível satisfatório. Isso sugere que a consolidação dessa habilidade é crucial para o avanço da proficiência em escolas que já atingiram um patamar adequado de desempenho.
Em contrapartida, o descritor M048, “Estimar a medida de grandezas utilizando unidades de medida convencionais ou não”, destacou-se como um ponto de atenção prioritário para escolas insatisfatórias. Sua relevância para este grupo indica que o domínio de habilidades básicas de estimativa é fundamental para que essas escolas progridam. Essa distinção ressalta a necessidade de estratégias de intervenção pedagógica que sejam adaptadas ao nível de proficiência atual das escolas, focando em habilidades de aprofundamento para as mais avançadas e em pré-requisitos para as que buscam melhorar seu desempenho inicial.
A matriz de priorização por nível de desempenho ilustrou graficamente como o impacto dos descritores se altera. As habilidades representadas pelas barras verdes indicam maior impacto na proficiência de escolas satisfatórias, sendo consideradas competências de aprofundamento que sustentam os níveis mais altos de proficiência. Já as barras vermelhas correspondem a descritores com maior impacto em escolas insatisfatórias, representando habilidades fundamentais ou pré-requisitos. O aprimoramento dessas habilidades gera um impacto significativo na proficiência em escolas com desempenho mais baixo, mas esse efeito tende a saturar quando as escolas alcançam o nível satisfatório.
O descritor M038, “Resolver problema que envolva porcentagem”, demonstrou o maior impacto na proficiência para escolas de nível satisfatório, enquanto o M085, “Identificar dados e informações apresentados por meio de gráficos”, teve maior impacto em escolas insatisfatórias. Para as escolas insatisfatórias, descritores como M046 (“Reconhecer a composição e a decomposição de números naturais em sua forma polinomial”), M085, M017 (“Identificar a localização de números racionais na reta numérica”) e M034 (“Reconhecer e utilizar características do sistema de numeração decimal”) foram identificados como habilidades de alavancagem. O domínio dessas competências é crucial para que escolas insatisfatórias transitem para o nível satisfatório, devendo ser o foco da gestão pedagógica.
Por outro lado, o descritor M010, “Utilizar números naturais, envolvendo diferentes significados da adição ou da subtração, na resolução de problemas”, apresentou baixo percentual de acerto e baixo impacto em escolas insatisfatórias. Isso sugere que focar nessa habilidade antes de consolidar outras mais impactantes pode ser ineficiente. Para escolas de nível satisfatório, o cenário muda, e o descritor M038, que antes tinha baixo impacto, passa a ter alto poder de explicação da proficiência. O descritor M085, por sua vez, torna-se uma habilidade esperada no perfil de escolas satisfatórias, mas não atua como um impulsionador adicional da proficiência.
Resultados de Língua Portuguesa
A proficiência média em Língua Portuguesa das escolas avaliadas em 2023 foi de 202,49 pontos, com um desvio padrão de 22,48, e os resultados variaram de 137,69 a 301,26 pontos. O município com ID 2715 destacou-se com a melhor proficiência média, atingindo 255,94 pontos, e 87,5% das suas 14 escolas foram classificadas no nível de desempenho satisfatório. Em contraste, o município com ID 1220 apresentou o pior desempenho, com uma média de proficiência de 176,45 pontos, e 96% das suas 24 escolas foram consideradas insatisfatórias, com proficiência inferior a 225 pontos. No panorama geral, apenas 15,1% das escolas, totalizando 156 instituições, alcançaram o nível de desempenho satisfatório em Língua Portuguesa, com proficiência igual ou superior a 225 pontos.
Para a Língua Portuguesa, um modelo de regressão foi estimado utilizando a proficiência média como variável dependente e todos os descritores como preditores, a fim de calcular o Fator de Inflação de Variância (VIF) e a Tolerância. A análise revelou que todos os descritores apresentaram valores de VIF superiores a um, confirmando a presença de multicolinearidade. A matriz de correlação entre os descritores de Língua Portuguesa indicou que o descritor P035, “Identificar o tema de um texto”, possuía a correlação mais fraca com os demais, enquanto a maioria dos descritores exibia correlações moderadas, com o coeficiente mais alto atingindo 0,761. Essa constatação reforça a adequação da metodologia de Regressão de Ridge para lidar com a interdependência entre as variáveis.
Os modelos de Regressão de Ridge para Língua Portuguesa demonstraram uma aderência diferenciada entre os níveis de desempenho. O modelo para escolas insatisfatórias apresentou um R² de 0,477, explicando 47,7% da variabilidade da proficiência média. Já para escolas satisfatórias, o R² foi de 0,246. Em termos de precisão, os Erros Quadráticos Médios (MSE) foram de 12,02 para o modelo insatisfatório e 11,72 para o satisfatório, valores considerados aceitáveis em relação à escala do Saeb, que na amostra de Língua Portuguesa apresentou média de 202,49 e desvio padrão de 22,48.
O diagnóstico dos modelos revelou que o poder preditivo foi superior para as escolas de nível insatisfatório, com uma distribuição de erros mais homogênea em torno do eixo zero. Em ambos os modelos, a maioria dos erros variou entre -20 e 20, o que é considerado um bom ajuste, especialmente considerando a amplitude da escala do Saeb. No entanto, para as escolas de nível satisfatório, observou-se um menor tamanho amostral e a presença de resíduos maiores, particularmente em proficiências mais elevadas, indicando que a previsão pode ser menos precisa nesses patamares.
A análise da validação cruzada para Língua Portuguesa, similarmente à Matemática, evidenciou diferenças significativas no comportamento do modelo entre os níveis de desempenho das escolas. À medida que a penalização diminui, o erro do modelo decresce e se estabiliza. O modelo para escolas insatisfatórias exibiu uma convergência mais estável e precisa, com menores intervalos de confiança e predições mais homogêneas, enquanto o modelo para escolas satisfatórias apresentou maior variabilidade. Essa distinção na determinação do valor de lambda reafirma a necessidade de uma análise estratificada para capturar as particularidades de cada grupo de escolas.
A análise estratificada dos descritores de Língua Portuguesa revelou impactos distintos na proficiência, conforme o nível de desempenho das escolas. O descritor P060, “Identificar as marcas linguísticas que evidenciam o locutor e o interlocutor de um texto”, apresentou a maior diferença percentual positiva, com um impacto 27,9 vezes maior nas escolas de nível satisfatório. Isso sugere que essa habilidade é um diferencial importante para o avanço da proficiência em escolas que já alcançaram um patamar adequado de leitura e interpretação.
Em contraste, o descritor P040, “Reconhecer efeito de humor ou de ironia em um texto”, exibiu a maior diferença percentual negativa, indicando que é uma habilidade crucial para as escolas insatisfatórias que buscam melhorar seu desempenho. Para essas escolas, o domínio de P040 é um ponto de atenção prioritário. O descritor P047, “Estabelecer relação causa/consequência entre partes e elementos do texto”, apresentou uma diferença de impacto próxima de zero, sugerindo que sua importância é relativamente constante, independentemente do nível de desempenho da escola.
A matriz de priorização para Língua Portuguesa ilustra as habilidades-chave para cada nível de desempenho. O descritor P025, “Interpretar texto com auxílio de material gráfico diverso (propagandas, quadrinhos, foto etc.)”, embora apresente um percentual de acerto elevado em ambos os estratos, demonstra impacto relevante apenas em escolas de nível insatisfatório. Esse fenômeno pode ser interpretado como um efeito de saturação, onde a habilidade deixa de ser um fator impulsionador da proficiência quando a escola atinge um nível satisfatório, embora continue sendo importante para evitar quedas no desempenho.
Para os gestores de escolas insatisfatórias, os descritores P040 (“Reconhecer efeito de humor ou de ironia em um texto”), P018 (“Diferenciar fato de opinião relativa a um fato”) e P028 (“Reconhecer o efeito de sentido decorrente de pontuação e outras notações”) são pontos de atenção prioritários. Essas habilidades, que apresentam alto impacto na proficiência média e percentual de acerto moderado, são cruciais para impulsionar o desempenho em Língua Portuguesa. A matriz desse estrato também revela descritores de maior complexidade, como P020 (“Inferir o sentido de uma palavra ou expressão”) e P023 (“Identificar a finalidade de textos de gêneros diversos”), que, isoladamente, não contribuem significativamente para o impacto na proficiência.
Para as escolas de nível satisfatório, o foco de impacto na proficiência recai sobre descritores mais complexos, como P022 (“Inferir uma informação implícita em um texto”) e P049 (“Estabelecer relações entre partes de um texto, identificando repetições ou substituições que contribuem para a continuidade de um texto”). A matriz de Língua Portuguesa para escolas satisfatórias apresentou uma nuvem de pontos mais condensada à direita, com percentuais de acerto acima de 50%, indicando um domínio mais homogêneo das competências de leitura neste estrato, em comparação com os resultados de Matemática.
Em síntese, os resultados da pesquisa evidenciaram que os modelos de Regressão de Ridge foram eficazes em identificar o perfil de aprendizagem dos alunos e o impacto das habilidades na proficiência do Saeb, tanto em Matemática quanto em Língua Portuguesa. A estratificação por nível de desempenho das escolas permitiu distinguir descritores de habilidades básicas e complexas, revelando que as competências fundamentais impulsionam escolas insatisfatórias, enquanto as habilidades de aprofundamento são cruciais para o avanço das escolas satisfatórias. Essa abordagem oferece um olhar estratégico para a gestão pedagógica, subsidiando a definição de intervenções mais direcionadas e eficientes para a melhoria da educação básica.
4. Conclusão
O presente estudo teve como objetivo identificar o perfil de aprendizagem dos alunos do quinto ano de escolas públicas, avaliando quais padrões de consolidação de habilidades em avaliações formativas se associaram a um desempenho escolar considerado adequado, conforme os pontos de corte de proficiência do Saeb. Verificou-se que os modelos de Regressão de Ridge foram eficazes em relacionar as escalas de avaliação educacional e identificar o impacto das habilidades na proficiência, tanto em Matemática quanto em Língua Portuguesa. A análise estratificada por nível de desempenho das escolas revelou que descritores de habilidades básicas impulsionam escolas com proficiência insatisfatória, enquanto habilidades mais complexas são cruciais para o avanço de escolas já em patamar satisfatório. Em Matemática, o descritor M020, relacionado a operações com números racionais, mostrou-se significativamente mais relevante para escolas satisfatórias, enquanto M048, sobre estimativa de grandezas, foi prioritário para escolas insatisfatórias. Para Língua Portuguesa, P060, que aborda marcas linguísticas de locutor e interlocutor, teve maior impacto em escolas satisfatórias, ao passo que P040, referente a humor e ironia em textos, foi crucial para escolas insatisfatórias. Essa distinção oferece um olhar estratégico para a gestão pedagógica, subsidiando a definição de intervenções mais direcionadas e eficientes para a melhoria da educação básica.
Contudo, é importante reconhecer as limitações do estudo. Os modelos desenvolvidos não incorporaram características socioeconômicas ou fatores extraescolares, que são conhecidamente influentes no desempenho dos alunos. Observou-se também que a precisão das previsões para escolas de proficiência muito alta foi menor, devido ao menor tamanho amostral e à maior variabilidade dos dados nesse estrato. A principal contribuição do trabalho reside na proposição de uma metodologia que permite a identificação de descritores-chave para diferentes estágios de desenvolvimento escolar, oferecendo um diagnóstico preciso para a formulação de planos de ação pedagógica. Recomenda-se que gestores escolares utilizem as matrizes de priorização desenvolvidas para adaptar as práticas pedagógicas às necessidades específicas de cada grupo de escolas, focando em habilidades de alavancagem para as insatisfatórias e em competências de aprofundamento para as satisfatórias. Estudos futuros poderiam explorar a inclusão de variáveis socioeconômicas e a aplicação dessa metodologia em outras etapas da educação básica, bem como avaliar a efetividade das intervenções pedagógicas baseadas nesses achados.
Referências Bibliográficas
Black, P.; Wiliam, D. 1998. Assessment and Classroom Learning. Assessment in Education: Principles, Policy & Practice, v.5:7-74. Disponível em: <URL: http://dx.doi.org/10.1080/0969595980050102>
Costa Neto, P. 2002. Estatística. 2ed. Blücher, São Paulo, SP, Brasil.
Epskamp, S. 2026. Path Diagrams and Visual Analysis of Various SEM Packages’. Disponível em: <https://CRAN.R-project.org/package=semPlot>. Acesso em: 15, fev. 2026
Franco, C.; Ortigão, I.; Albernaz, Â.; Bonamino, A.; Aguiar, G.; Alves, F.; Sátyro, N. 2007. Qualidade e eqüidade em educação: reconsiderando o significado de “fatores intra-escolares”. Ensaio: Avaliação e Políticas Públicas em Educação. v15(55): 277-298.
Fávero, L; Belfiore, P. 2017. Manual de Análise de Dados Estatística e Modelagem Multivariada com Excel, SPSS e Stata. 1ed. LTC, Rio de Janeiro, Brasil.
Hair, J. F.; Black, W.; Babin, B.; Anderson, R.; Tatham, R. 2009. Análise multivariada de dados. 6ed. Bookman, Porto Alegre, Brasil.
Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira [Inep]. 2023. Censo Escolar da Educação Básica. BRASIL. Disponível em: <https://download.inep.gov.br/publicacoes/institucionais/estatisticas_e_indicadores/notas_estatisticas_censo_da_educacao_basica_2023.pdf>. Acesso em: 15 mar. 2025
Jesus, Girlene R. 2024. Avaliação Formativa: limites e possibilidades.Revista Communitas 8(18): 370-384. DOI:10.29327/268346.8.18-20
Myers, R.; Montgomery, D.; Vining, G.; J. Robinson, T. 2010. Generalized Linear Models: with Applications in Engineering and the Sciences. 2ed. Wiley.
Negri, J.A.; Araujo; B.C.; Bacelette, R.G. 2018. Desafios da nação: artigos de apoio. v.2. Ipea (Instituto de Pesquisa Econômica Aplicada). Brasília, DF, Brasil.
Nwosu, A.; Aimufua, G. I.; Ajayi, B. A.; Olalere, M. 2024. The Impact Of Regularisation On Linear Regression Based Model. Journal of Artificial Intelligence and Computer Science (JAICS). v.1.
R Core Team. 2025. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing. Vienna, Austria. Disponível em: https://www.R-project.org/
Royston, J. 1982. An Extension of Shapiro and Wilk’s W Test for Normality to Large Samples. Journal of the Royal Statistics Society Series C. vl.31(2): 115-125.
Tay, J.K.; Narasimhan, B.; Hastie, T. 2023. Elastic Net Regularization Paths for All Generalized Linear Models. Journal of Statistical Software 106(1): 1-31. DOI: https://doi.org/10.18637/jss.v106.i01
Wickham, H. 2016. ggplot2: Elegant Graphics for Data Analysis. 2ed. Springer-Verlag. New York. Disponível em:<https://ggplot2.tidyverse.org>
Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq
Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy