30 de setembro de 2026
Machine Learning para avaliação de impacto do gênero na inclusão de mulheres em STEM
Machine Learning para Avaliação de Impacto do Gênero na Inclusão de Mulheres em Stem
Claudia Sobral de Melo Giglio; Manoel Flavio Leal
DOI: 10.22167/2675-6528-202602799
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 representação feminina em graduações de Ciências e Tecnologia permanece desigual, apesar da equiparação de gêneros no ensino superior há mais de uma década. Este estudo implementou algoritmos de Machine Learning para avaliar o impacto do gênero feminino na inclusão em carreiras de tecnologia, utilizando dados de ingresso no Ensino Superior via Exame Nacional do Ensino Médio (Enem). Foram selecionados dados de notas do Enem de 2018 a 2023 e realizado treinamento com modelos ensemble de Árvores de Decisão, incluindo Random Forest, LightGBM, XGBoost e CatBoost. O modelo CatBoost demonstrou maior consistência na classificação de participantes com perfil voltado para áreas STEM. A análise do impacto das variáveis no modelo revelou que a identificação com o gênero feminino é um fator relevante para uma menor probabilidade de ingresso nessas áreas. Observou-se, ainda, que a renda familiar e a escolaridade dos pais também influenciaram a inclusão dos participantes em carreiras de Ciências e Tecnologia. Os resultados obtidos podem subsidiar o desenvolvimento de políticas públicas de inclusão para grupos sub-representados.
Palavras-chave: Aprendizado Supervisionado; Classificação de dados; Desigualdade de gênero.
1. Introdução
O alcance da paridade nos níveis de educação entre os gêneros é uma questão ainda muito recente, tendo sido um desafio ultrapassado na última década, em 2014, quando a equidade da presença das mulheres foi atingida globalmente em todos os níveis da educação (UNESCO, 2017). No entanto, é patente que a presença feminina concentra-se em cursos de cunho mais social, tais como Pedagogia, Enfermagem e Nutrição, que até os anos 2000 tinham 80% a 90% de mulheres em seu corpo discente, ao passo que cursos de Engenharia contavam com apenas cerca de 15% a 20% de alunas (Carvalho e Sobreira, 2008).
Inserida nesse cenário, a participação histórica de meninas e mulheres nas chamadas ciências duras, também conhecidas como disciplinas STEM (Science, Technology, Engineering and Mathematics), é desde sempre baixa. Estudos apontam diversas possibilidades como fatores que influenciam essa disparidade, tais como estereótipos de gênero, machismo no ambiente profissional e a falta de modelos femininos nos ambientes de trabalho ligados à ciência (Aires et al., 2018). Mesmo ao adentrar a área, a permanência das mulheres é mais dificultosa do que a de seus pares masculinos, especialmente quando interpretadas sob o prisma da maternidade e do trabalho doméstico (Kmec, 2013).
Tais fatores apontam para uma cultura de gênero muito arraigada na sociedade, que por si só desestimula a participação feminina em campos considerados “naturalmente” masculinos. Em um pensamento que ressoa com o feminismo pós-estruturalista, o gênero é enxergado como uma construção não-natural (Butler, 2003). Bourdieu (2002) disserta sobre uma construção androcêntrica de sociedade que molda a divisão do trabalho pelo gênero. Observa-se que, apesar do maior acesso de mulheres ao ensino superior, a maior concentração delas está em especializações consideradas mais femininas, sendo comum o desestímulo à busca de carreiras mais tecnológicas e científicas a partir da educação básica. Essa percepção se demonstra precisa quando comparada ao interesse decrescente das meninas em relação às disciplinas STEM conforme vão ficando mais velhas, uma vez que seu envolvimento com as ciências é equiparado ao dos meninos até o final da infância, proporção que cai acentuadamente ao final da adolescência (UNESCO, 2017).
A persistente sub-representação feminina em áreas de STEM, apesar da paridade geral na educação superior, configura uma lacuna prática e teórica que demanda investigação aprofundada. Compreender os mecanismos pelos quais o gênero influencia a inclusão nessas carreiras é fundamental para o desenvolvimento de políticas públicas eficazes. A aplicação de técnicas de Machine Learning oferece um caminho promissor para analisar grandes volumes de dados e identificar padrões complexos que não seriam evidentes por métodos tradicionais.
Nesse contexto, o presente trabalho justifica-se pela necessidade de elucidar o impacto do gênero na inclusão de mulheres no ensino superior em ciências e tecnologia. Utilizando os Microdados do Exame Nacional do Ensino Médio (ENEM) disponibilizados pelo Instituto Nacional de Estudo e Pesquisas Educacionais Anísio Teixeira (INEP, 2026) para o período de 2018 a 2023, busca-se analisar como o gênero impacta a inclusão das mulheres no ensino superior, considerando esse fator como uma das características do modelo de Machine Learning. O estudo visa avaliar como o gênero feminino é um fator de impacto na inclusão em carreiras de tecnologia e identificar os fatores socioeconômicos que influenciam o desempenho em provas de ingresso nas áreas de exatas, estabelecendo parâmetros de maior relevância para o desenvolvimento de iniciativas que promovam a participação feminina nas ciências.
2. Material e Métodos
O presente estudo caracterizou-se como uma pesquisa de natureza quantitativa, com abordagem metodológica baseada em Machine Learning. O objetivo central foi avaliar o impacto do gênero feminino na inclusão em carreiras de tecnologia e identificar os fatores socioeconômicos que influenciam o desempenho em provas de ingresso nas áreas de exatas. Para tanto, implementou-se um algoritmo de Machine Learning aplicado aos dados de ingresso no ensino superior via Exame Nacional do Ensino Médio (Enem).
A execução do projeto foi estruturada em sete etapas sequenciais: coleta de dados, análise exploratória de dados, pré-processamento de dados, treinamento de modelos de Machine Learning, visualização de dados, análise dos resultados e, por fim, a escrita do texto. Essa organização visou garantir a reprodutibilidade e a clareza do processo metodológico, desde a aquisição dos dados até a interpretação final dos achados.
A unidade de análise consistiu nos Microdados do Exame Nacional do Ensino Médio (Enem), disponibilizados publicamente pelo Instituto Nacional de Estudo e Pesquisas Educacionais Anísio Teixeira (INEP, 2026). Foram selecionados os dados referentes ao período de 2018 a 2023. A escolha desse escopo temporal permitiu observar o desenvolvimento do cenário analisado, incluindo o ano atípico da pandemia de Covid-19 em 2020. Todos os dados utilizados foram anonimizados, em conformidade com a Lei n.º 13.709 (Lei Geral de Proteção de Dados Pessoais – LGPD), garantindo o uso ético das informações.
A base de dados foi adquirida em formato .zip, contendo arquivos .csv com itens da prova, dados socioeconômicos dos participantes e resultados das notas, além de um dicionário de dados para suporte à interpretação. Cada pasta descompactada variava de 1,55 a 2,47 gigabytes, o que demandou uma estratégia eficiente de processamento. O projeto foi estruturado em um diretório raiz denominado “tcc-stem-genero/”, com um ambiente virtual isolado para bibliotecas Python e diretórios específicos para dados brutos, processados, imagens, notebooks e textos.
A análise exploratória de dados iniciou-se com a estatística descritiva dos dados dos anos extremos (2018 e 2023), utilizando a biblioteca Pandas para manipulação de dataframes e Matplotlib para visualização. Métodos como `.info`, `.columns`, `.describe()`, `.shape()` e `.head()` foram aplicados para compreender a distribuição em quartis, o tamanho e a estrutura dos datasets. Gráficos de boxplot e violino foram gerados para observar a densidade da distribuição das notas de Ciências da Natureza e Matemática, excluindo zeros e nulos.
No pré-processamento, para manipular datasets com milhões de registros, criou-se uma pipeline que processou os dados em formato Apache Parquet, reconhecido pela eficiência em armazenamento em nuvem para big data. O processamento foi realizado em “chunks” (segmentos menores) para evitar sobrecarga computacional. Adicionalmente, realizou-se o downcast dos formatos numéricos de `int64` para `int8`, otimizando o uso de memória.
Com o apoio do dicionário de dados do INEP (2026), selecionaram-se as colunas de interesse para o modelo de Machine Learning ou para critérios de filtragem. As colunas incluíram “IN_TREINEIRO”, “NU_NOTA_CN”, “NU_NOTA_MT”, “Q001”, “Q002”, “Q006”, “Q025”, “SG_UF_PROVA”, “TP_COR_RACA”, “TP_FAIXA_ETARIA”, “TP_SEXO” e “TP_ST_CONCLUSAO”. Colunas como “Q027” e “TP_LOCALIZACAO_ESC” foram excluídas devido à alta taxa de registros faltantes, e “SG_UF_ESCOLA” foi substituída por “SG_UF_PROVA” como proxy.
A etapa de filtragem removeu perfis de participantes não relevantes para a pesquisa. Foram excluídos alunos “treineiros”, candidatos ausentes nas provas de Ciências da Natureza ou Matemática, participantes com notas zero em uma ou ambas as provas, e alunos que não haviam concluído ou não estavam no 3º ano do Ensino Médio. Após a estruturação da pipeline, os nulos de grande parte das colunas foram tratados, imputando o valor de -1 e, posteriormente, removendo os campos com esse valor.
O mapeamento das variáveis foi realizado conforme seu tipo. A coluna “TP_SEXO” foi mapeada binariamente para “IN_FEMININO” (F=1, M=0). A coluna “Q025” (acesso à internet) foi similarmente mapeada para “TEM_INTERNET” (A=1, B=0). Variáveis ordinais como “ESC_MAE” e “ESC_PAI” (escolaridade dos pais, de A a H) foram mapeadas para valores numéricos de 0 a 7. A coluna “Q006” (renda média mensal familiar, de A a Q) foi mapeada para 0 a 16. A coluna “TP_FAIXA_ETARIA” foi mantida em seu formato ordinal original.
Para as variáveis categóricas nominais, utilizou-se o One-Hot Encoding. A coluna “SG_UF_PROVA” (estado de aplicação da prova) foi mapeada para suas respectivas regiões geográficas e, em seguida, transformada em variáveis binárias. De forma análoga, a coluna “TP_RACA_COR” foi mapeada de rótulos numéricos para textuais e, posteriormente, convertida em variáveis binárias. A coluna “TP_ST_CONCLUSAO” (status de conclusão do Ensino Médio) também foi mapeada para rótulos textuais e, então, transformada em variáveis binárias.
O treinamento dos modelos de Machine Learning teve como propósito avaliar a influência do gênero na definição de um perfil voltado para STEM. Foram empregados modelos ensemble baseados em Árvores de Decisão: Random Forest, LightGBM, XGBoost e CatBoost. O Random Forest serviu como modelo baseline, utilizando o método de bagging. LightGBM, XGBoost e CatBoost, por sua vez, são modelos de Gradient Boosting, que se adaptam progressivamente para criar preditores mais fortes (Géron, 2019).
Para facilitar a interpretabilidade dos modelos, aplicou-se o framework SHAP (SHapley Additive exPlanations) (Lundberg e Lee, 2017). A linguagem Python, com bibliotecas como scikit-learn e SHAP, foi utilizada para todo o desenvolvimento. Definiram-se quatro “targets” como proxies para o perfil STEM, baseados em notas acima da mediana em Matemática e/ou Ciências da Natureza. Os modelos foram treinados com divisão de dados de 80% para treino e 20% para teste, com estratificação para manter a proporção das classes. As métricas de desempenho avaliadas foram ROC-AUC e F1-Score. A otimização de hiperparâmetros foi realizada com a biblioteca Optuna, utilizando uma testagem enxuta de 15 tentativas com 10% da amostra da população.
3. Resultados e Discussão
A implementação de algoritmos de Machine Learning neste estudo revelou padrões significativos sobre o impacto do gênero e de fatores socioeconômicos na inclusão em carreiras de Ciências e Tecnologia. Os achados iniciais indicaram uma persistente desigualdade na representação feminina nessas áreas, apesar da paridade geral no ensino superior. A análise aprofundada dos dados do Exame Nacional do Ensino Médio (Enem) de 2018 a 2023 permitiu não apenas quantificar essa disparidade, mas também identificar as variáveis mais influentes e a direção de seu impacto, fornecendo uma base robusta para a compreensão do fenômeno e o subsídio a futuras políticas de inclusão.
A análise exploratória dos microdados do Enem, que abrangeu milhões de registros, evidenciou uma diferença notável nas pontuações médias entre gêneros nas provas de Ciências da Natureza e Matemática. As participantes femininas consistentemente obtiveram notas mais baixas que seus pares masculinos em todos os anos avaliados. Essa disparidade foi mais acentuada na disciplina de Matemática, onde a mediana das notas femininas foi 43,2 pontos inferior à masculina em 2018, e essa diferença se ampliou para 58,1 pontos em 2023. Em Ciências da Natureza, a diferença foi de 12,5 pontos em 2018 e 28,5 pontos em 2023, indicando um aumento da lacuna ao longo do tempo.
Ao investigar a proporção de participantes no grupo dos 10% com as notas mais altas, observou-se que a disciplina de Ciências da Natureza apresentou um equilíbrio de gênero mais pronunciado, com as mulheres inclusive superando os homens nesse grupo em 2018. No entanto, em Matemática, a predominância masculina permaneceu evidente, embora com uma leve tendência de maior paridade em 2023 em comparação com 2018. A distribuição da densidade das notas, visualizada por meio de gráficos, sugeriu que, enquanto o desempenho feminino em 2023 mostrou maior regularidade, o desempenho masculino demonstrou uma evolução mais significativa ao longo do período analisado, especialmente em Matemática.
Para lidar com a extensão dos datasets e garantir a eficiência computacional, foi crucial a etapa de pré-processamento de dados. Desenvolveu-se uma pipeline que utilizou o formato Apache Parquet e processamento em “chunks”, otimizando o uso de memória e o desempenho. As colunas de interesse foram cuidadosamente selecionadas a partir do dicionário de dados do Inep, priorizando informações socioeconômicas e de desempenho nas provas. Variáveis como tipo e localização da escola foram excluídas devido à alta taxa de dados faltantes, optando-se por utilizar a unidade federativa de aplicação da prova como uma proxy para a região, dada a ausência de nulos nessa variável.
A etapa de filtragem foi essencial para refinar o dataset, removendo perfis de participantes que não se alinhavam aos objetivos da pesquisa. Foram excluídos os “treineiros”, candidatos ausentes nas provas de Ciências da Natureza ou Matemática, e aqueles que obtiveram nota zero em uma ou ambas as provas. Adicionalmente, foram removidos alunos que não haviam concluído ou não estavam no terceiro ano do Ensino Médio, assegurando que o público analisado fosse efetivamente apto a ingressar no ensino superior. As variáveis foram transformadas por mapeamento binário para gênero e acesso à internet, e por mapeamento ordinal para escolaridade dos pais e renda familiar, preservando a hierarquia intrínseca desses dados. O One-Hot Encoding foi aplicado a variáveis categóricas como raça/cor, região e status de conclusão do Ensino Médio, para que todos os modelos pudessem processá-las de forma consistente.
Na fase de treinamento, foram empregados modelos ensemble de Machine Learning, incluindo Random Forest, LightGBM, XGBoost e CatBoost, todos baseados em Árvores de Decisão. Para classificar um participante como tendo um perfil STEM, foram definidos quatro “targets” ou proxies, baseados nas notas acima da mediana do Enem em Matemática e Ciências da Natureza. O target T3, que exigia notas acima da mediana em ambas as disciplinas, mostrou-se o mais rigoroso, abrangendo apenas 35,5% da população estudada. Essa abordagem permitiu avaliar o impacto das features em diferentes níveis de exigência e identificar a sensibilidade do gênero em cada disciplina.
A avaliação do desempenho dos modelos, utilizando as métricas ROC-AUC e F1-Score, indicou que o modelo CatBoost, treinado com o target T3, apresentou a performance mais consistente, atingindo um valor ROC-AUC de 0,7707 após o tuning de hiperparâmetros. O Random Forest demonstrou o pior desempenho entre os modelos, enquanto o XGBoost exibiu variações bruscas, tornando-o menos confiável. O CatBoost e o LightGBM apresentaram desempenhos bastante equiparáveis, mas o CatBoost foi selecionado devido à sua ligeira superioridade e à capacidade de avaliar a importância das features, um aspecto crucial para a interpretabilidade dos resultados (Fávero e Belfiore, 2025). O processo de otimização dos hiperparâmetros foi conduzido com a biblioteca Optuna.
A análise da importância das variáveis, realizada com a biblioteca SHAP, revelou que a “renda familiar” é o fator mais prevalente na definição de um perfil STEM, mantendo-se consistentemente nas primeiras posições ao longo dos seis anos analisados. O “gênero” (identificação feminina) e a “escolaridade da mãe”, seguidos pela “escolaridade do pai”, também se destacaram como fatores de importância constante. Variáveis como “raça branca” e “faixa etária” apresentaram alguma variação de posição, mas frequentemente figuraram entre os fatores mais relevantes. Esses achados sublinham a complexidade dos múltiplos fatores socioeconômicos e demográficos que influenciam o ingresso em carreiras de tecnologia.
A evolução temporal da importância das features demonstrou que, em 2020, ano do início da pandemia de Covid-19, houve um aumento na relevância da “renda familiar” e do “gênero” para a classificação do perfil STEM. Esse pico de importância pode estar relacionado ao adiamento do Enem de 2020, que impulsionou a participação, seguido por uma queda progressiva no número de inscritos nos anos subsequentes. Após 2020, a importância do “gênero” gradualmente retornou a níveis semelhantes aos observados em 2018 e 2019, enquanto a estabilidade da escolaridade dos pais permaneceu, indicando que esses fatores têm um impacto mais duradouro e menos volátil.
A análise direcional do impacto do gênero, também realizada com SHAP, confirmou que a identificação com o gênero feminino diminui a probabilidade de um participante ser classificado como um perfil STEM. Em contrapartida, a identificação com o gênero masculino aumenta essa probabilidade. Essa diferença no impacto foi mais acentuada no ano de 2020, coincidindo com o início da pandemia de Covid-19, o que sugere que eventos externos podem exacerbar as desigualdades existentes. Esse resultado reforça a percepção de que estereótipos de gênero e barreiras culturais ainda influenciam a escolha e o desempenho em áreas de ciências e tecnologia (Aires et al., 2018; Bourdieu, 2002).
É fundamental ressaltar que os modelos de Machine Learning aplicados estabelecem correlações, mas não necessariamente causalidades. Embora o algoritmo tenha validado estatisticamente um cenário empiricamente observado, ele não abrange a totalidade dos aspectos que influenciam a entrada de alunos em STEM. O processo de tuning de hiperparâmetros foi realizado de forma enxuta, adaptado aos recursos computacionais disponíveis, o que sugere que um ambiente de maior poder computacional poderia aprimorar a precisão do modelo. Futuras investigações poderiam expandir o escopo para outros anos e incluir dados de populações minorizadas não contempladas, como a população transgênero ou povos indígenas, para uma compreensão mais abrangente das desigualdades.
Em síntese, a pesquisa demonstrou que o gênero feminino é um fator relevante que impacta negativamente a inclusão em carreiras de tecnologia, com a renda familiar e a escolaridade dos pais também exercendo influência significativa. O modelo CatBoost, com o target T3, mostrou-se o mais consistente para identificar perfis STEM, e a análise SHAP revelou a dinâmica da importância dessas variáveis ao longo do tempo, com um pico de impacto do gênero em 2020. Esses achados fornecem uma base robusta para o desenvolvimento de políticas públicas direcionadas à promoção da participação feminina e à redução das desigualdades em áreas de Ciências e Tecnologia, alinhando-se ao objetivo central do estudo.
4. Conclusão
O estudo buscou avaliar o impacto do gênero feminino na inclusão em carreiras de tecnologia e identificar fatores socioeconômicos que influenciam o desempenho em provas de ingresso nas áreas de exatas. Para tanto, implementou-se algoritmos de Machine Learning, utilizando dados do Exame Nacional do Ensino Médio (Enem) de 2018 a 2023. Verificou-se que a identificação com o gênero feminino é um fator relevante para uma menor probabilidade de ingresso nessas áreas. Observou-se, ainda, que a renda familiar e a escolaridade dos pais exerceram influência significativa na inclusão dos participantes em carreiras de Ciências e Tecnologia. O modelo CatBoost, treinado com o target T3, demonstrou a performance mais consistente na classificação de perfis STEM, e a análise de importância das variáveis revelou que o impacto do gênero e da renda familiar se acentuou no ano de 2020, período do início da pandemia de Covid-19. Esses achados fornecem uma base robusta para o desenvolvimento de políticas públicas direcionadas à promoção da participação feminina e à redução das desigualdades em áreas de Ciências e Tecnologia.
É fundamental ressaltar que os modelos de Machine Learning aplicados estabelecem correlações, e não necessariamente causalidades, não abrangendo a totalidade dos aspectos que influenciam a entrada de alunos em STEM. O processo de tuning de hiperparâmetros foi realizado de forma enxuta, adaptado aos recursos computacionais disponíveis, o que sugere que um ambiente de maior poder computacional poderia aprimorar a precisão do modelo. Para estudos futuros, sugere-se expandir o escopo para outros anos, analisando um período histórico mais abrangente, e incluir dados de populações minorizadas não contempladas, como a população transgênero ou povos indígenas, para uma compreensão mais abrangente das desigualdades. Adicionalmente, investigações futuras poderiam focar em dados que explorem de forma mais específica as razões pelas quais o gênero impacta a inclusão nas áreas de exatas, como informações sobre o desenvolvimento de alunas do Ensino Médio.
Referências Bibliográficas
Aires, J.; Mattos, G.; Oliveira, C.; Brito, A.; Aragão, A.; Alvez, S.; Coelho, T.; Moreira, G.. 2018. Barreiras que Impedem a Opção das Meninas pelas Ciências Exatas e Computação: Percepção de Alunas do Ensino Médio. In: WOMEN IN INFORMATION TECHNOLOGY (WIT), 12., 2018, Natal. Anais […]. Porto Alegre: Sociedade Brasileira de Computação, 2018 . p. 34-38. ISSN 2763-8626. DOI: https://doi.org/10.5753/wit.2018.3378.
Bourdieu, Pierre. 2002. A dominação masculina. 2ed. Bertrand Brasil, Rio de Janeiro, RJ, Brasil.
Butler, J. 2003. Problemas de gênero: feminismo e subversão da identidade. 1ed. Civilização Brasileira. Rio de Janeiro, RJ, Brasil.
Carvalho, M. G.; Sobreira, J. L.. 2008. Género en los cursos de ingeniería de una universidad tecnológica brasileña. Arbor, v. CLXXXIV n.733, p 889-904, sep./oct, 2008.
Fávero, L. P.; Belfiore, P. 2025. Manual de análise de dados: estatística e machine learning com Excel®, SPSS®, Stata®,R® e Python®. 2ed. LTC, Rio de Janeiro, RJ, Brasil.
Géron, A. 2019. Mãos à Obra Aprendizado Máquina com Scikit-Learn e TensorFlow. 1ed. Alta Books, Rio de Janeiro, RJ, Brasil.
Instituto Nacional de Estudo e Pesquisas Educacionais Anísio Teixeira [INEP]. 2025. Microdados do Enem. Disponível em: <https://www.gov.br/inep/pt-br/acesso-a-informacao/dados-abertos/microdados/enem>. Acesso em: 07 abr. 2026.
Kmec, J. 2013. Why Academic STEM Mothers Feel They Have to Work Harder than Others on the Job. International Journal of Gender, Science and Technology, [S. Ι.], v. 5, n. 2, p. 79–101, 2013. Disponível em: https://genderandset.open.ac.uk/index.php/genderandset/article/view/277.. Acesso em: 9 feb. 2026.
Lundberg, S. M.; Lee, S. 2017. A unified approach to interpreting model predictions. Advances in neural information processing systems 30(1): 4766-4776.
Organização das Nações Unidas [UNESCO]. 2017. Cracking the code: girls’ and women’s education in science, technology, engineering and mathematics (STEM). Disponível em: <https://unesdoc.unesco.org/ark:/48223/pf0000253479>. Acesso em: 09 fev. 2026.
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
