Modelo híbrido de inteligencia artificial para el análisis de la eficiencia educativa: integración del aprendizaje no supervisado y el análisis envolvente de datos
DOI:
https://doi.org/10.5753/rbie.2026.6708Keywords:
Inteligencia Artificial, Análisis de Eficiencia, Aprendizaje No Supervisado, Sistemas Educativos, Análisis Envolvente de DatosAbstract
La baja eficiencia de los sistemas públicos de educación en Brasil sigue siendo un desafío crítico que exige soluciones innovadoras basadas en IA. Este artículo propone un marco híbrido que integra aprendizaje no supervisado, reducción de dimensionalidad mediante Análisis de Componentes Principales (PCA) y Análisis Envolvente de Datos (DEA) para evaluar la eficiencia en sistemas educativos complejos. Utilizando datos del Sistema de Evaluación de la Educación Básica (SAEB) 2021, el modelo se aplicó a 16,664 escuelas públicas de educación media y superó los abordajes tradicionales en la detección de patrones latentes. En nuestra muestra, la metodología propuesta mejora en un 23% la precisión de la agrupación e identifica oportunidades de mejora en el 78% de las escuelas. Además de generar metas de desempeño intra-cluster y escuelas de referencia comparables, el marco permite mapear asimetrías de desempeño entre contextos equivalentes, visibilizando inequidades y orientando intervenciones focalizadas (p. ej., redes de apoyo entre escuelas, asignación prioritaria de recursos y formación docente dirigida). La principal contribución es una tubería escalable que combina múltiples técnicas de IA para producir insights accionables para gestores educativos, con énfasis en la equidad y la mejora continua de la eficiencia en sistemas complejos.
Descargas
Citas
Arthur, D., & Vassilvitskii, S. (2007). K-means++: The Advantages of Careful Seeding. Proceedings of the 18th Annual ACM-SIAM Symposium on Discrete Algorithms (SODA), 1027–1035. [Link] [GS Search]
Avelar, C. P., Penna, P. H., & Freitas, H. C. (2014). Algoritmo K-means para mapeamento estático de processos em Redes-em-Chip. Anais do XV Simpósio em Sistemas Computacionais de Alto Desempenho (WSCAD 2014), 1–12. https://doi.org/10.5753/wscad.2014.15012 [GS Search]
Banker, R. D., Charnes, A., & Cooper, W. W. (1984). Some models for estimation technical and scale inefficiencies in Data Envelopment Analysis. Management Science, 30, 1078–1092. https://doi.org/10.1287/mnsc.30.9.1078 [GS Search]
Bartolacci, F., Gobbo, R. D., & Soverchia, M. (2024). Improving public services' performance measurement systems: applying data envelopment analysis in the big and open data context. International Journal of Public Sector Management, 38(3), 313–331. https://doi.org/10.1108/IJPSM-06-2023-0186 [GS Search]
Battisti, F. M., & Carvalho, T. B. A. (2022). Threshold Feature Selection PCA. Anais do X Symposium on Knowledge Discovery, Mining and Learning, 50–57. https://doi.org/10.5753/kdmile.2022.227718 [GS Search]
Borba, B. F. (2019). Proposta de um sistema de informação gerencial para análise de dados baseado no modelo K-MEANS e MCLP sobre a localização de instalações policiais [tese de dout., Universidade Federal de Pernambuco]. [Link]
Brasil. (1996). Lei de Diretrizes e Bases da Educação Nacional, Lei nº 9.394, de 20 de dezembro de 1996. [Link]
Brasil. (2018). Lei nº 13.709, de 14 de agosto de 2018. [Link]
Brasil. (2023). Saeb 2021: Indicador de Nível Socioeconômico do Saeb 2021 - Nota Técnica. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (Inep). Brasília, DF. [Link] [GS Search]
Calinski, T., & Harabasz, J. (1974). A dendrite method for cluster analysis. Communications in Statistics-theory and Methods, 3, 1–27. https://doi.org/10.1080/03610927408827101 [GS Search]
Campos, M. M., & Vieira, L. F. (2021). COVID-19 and early childhood in Brazil: Impacts on children's well-being, education and care. European Early Childhood Education Research Journal, 29, 125–140. https://doi.org/10.1080/1350293X.2021.1872671 [GS Search]
Charnes, A., Cooper, W. W., & Rhodes, E. (1978). Measuring efficiency of decision making units. European Journal of Operational Research, 1, 429–444. https://doi.org/10.1016/0377-2217(78)90138-8 [GS Search]
Cook, W. D., & Zhu, J. (2014). Data Envelopment Analysis: A Handbook on the Modeling of Internal Structures and Networks. Springer. https://doi.org/10.1007/978-1-4899-8068-7 [GS Search]
Dahouda, M. K., & Joe, I. (2021). A deep-learned embedding technique for categorical features encoding. IEEE Access, 9, 114381–114391. https://doi.org/10.1109/ACCESS.2021.3104357 [GS Search]
Davies, D. L., & Bouldin, D. W. (2009). A cluster separation measure. IEEE transactions on pattern analysis and machine intelligence, (2), 224–227. https://doi.org/10.1109/TPAMI.1979.4766909 [GS Search]
Ding, C., & He, X. (2004). K-means clustering via principal component analysis. Proceedings of the 21st International Conference on Machine Learning (ICML). https://doi.org/10.1145/1015330.1015408 [GS Search]
Ersoy, Y. (2021). Performance Evaluation in Distance Education by Using Data Envelopment Analysis (DEA) and TOPSIS Methods. Arabian Journal for Science and Engineering, 46, 1803–1817. https://doi.org/10.1007/s13369-020-05087-0 [GS Search]
Ester, M., Kriegel, H.-P., Sander, J., & Xu, X. (1996). A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise. Proceedings of the Second International Conference on Knowledge Discovery and Data Mining (KDD-96), 226–231. [Link] [GS Search]
Gharakhani, M., Kazemi, I., & Haji, H. (2011). A robust DEA model for measuring the relative efficiency of Iranian high schools. Management Science Letters, 1, 389–404. https://doi.org/10.5267/j.msl.2011.01.002 [GS Search]
Giacomello, C. P., & Oliveira, R. L. D. (2014). Análise Envoltória de Dados (DEA): uma proposta para avaliação de desempenho de unidades acadêmicas de uma universidade. Revista Gestão Universitária na América Latina-GUAL, 7, 130–151. https://doi.org/10.5007/1983-4535.2014v7n2p130 [GS Search]
Guan, C., Mou, J., & Jiang, Z. (2020). Artificial intelligence innovation in education: A twenty-year data-driven historical analysis. International Journal of Innovation Studies, 4, 134–147. https://doi.org/10.1016/j.ijis.2020.09.001 [GS Search]
Halkidi, M., Batistakis, Y., & Vazirgiannis, M. (2001). On clustering validation techniques. Journal of intelligent information systems, 17(2), 107–145. https://doi.org/10.1023/A:1012801612483 [GS Search]
Hancock, J. T., & Khoshgoftaar, T. M. (2020). Survey on categorical data for neural networks. Journal of Big Data, 7(1), 28. [GS Search]
Hongyu, K., Sandanielo, V. L. M., & Oliveira Junior, G. J. (2016). Análise de componentes principais: resumo teórico, aplicação e interpretação. E&S Engineering and Science, 5, 83–90. [Link] [GS Search]
Iodice D'Enza, A., Markos, A., & Palumbo, F. (2022). Chunk-wise regularised PCA-based imputation of missing data. Statistical Methods & Applications, 31(2), 365–386. [GS Search]
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An Introduction to Statistical Learning with Applications in R (Vol. 103). Springer. https://doi.org/10.1007/978-1-4614-7138-7 [GS Search]
Jolliffe, I. T. (2002). Principal Component Analysis (2ª ed.). Springer. [GS Search]
Jolliffe, I. T., & Cadima, J. (2016). Principal component analysis: a review and recent developments. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 374(2065), 20150202. https://doi.org/10.1098/rsta.2015.0202 [GS Search]
Khatun, M. R., Mim, M. A., Tasin, M. M., & Hossain, M. M. (2025). A hybrid framework of statistical, machine learning, and explainable AI methods for school dropout prediction. Plos one, 20(9), e0331917. [GS Search]
Knox, J., Williamson, B., & Bayne, S. (2020). Machine behaviourism: future visions of 'learnification' and 'datafication' across humans and digital technologies. Learning, Media and Technology, 45(1), 31–45. https://doi.org/10.1080/17439884.2019.1623251 [GS Search]
Leporace, C. (2023). Machine Learning e a Aprendizagem Humana – Uma Análise a Partir do Enativismo. [Link] [GS Search]
Mariano, E. B., Almeida, M. R., & Rebelatto, D. A. N. (2006). Princípios Básicos para uma proposta de ensino sobre análise por envoltória de dados. Anais do XXXIV Congresso Brasileiro de Ensino de Engenharia (COBENGE 2006). [Link] [GS Search]
Miranda, A. C., & Miranda, E. C. M. (2018). Alternative methodology in the elaboration of indicators to evaluate schools. Pro-Posições, 29(3), 207. https://doi.org/10.1590/1980-6248-2016-0051 [GS Search]
Mohamad, I. B., & Usman, D. (2013). Standardization and Its Effects on K-Means Clustering Algorithm. Research Journal of Applied Sciences, Engineering and Technology, 6(17), 3299–3303. https://doi.org/10.19026/rjaset.6.3638 [GS Search]
Murtagh, F., & Contreras, P. (2012). Algorithms for hierarchical clustering: an overview. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 2, 86–97. https://doi.org/10.1002/widm.53 [GS Search]
Nogueira, J. M. M., Oliveira, K. M. M., de Vasconcelos, A. P., & Oliveira, L. G. L. (2012). Estudo exploratório da eficiência dos Tribunais de Justiça estaduais brasileiros usando a Análise Envoltória de Dados (DEA). Revista de Administração Pública, 46, 1317–1340. https://doi.org/10.1590/S0034-76122012000500007 [GS Search]
Onusic, L. M., Nova, S. P. C. C., & Almeida, F. C. (2007). Modelos de previsão de insolvência utilizando a análise por envoltória de dados: aplicação a empresas brasileiras. Revista de Administração Contemporânea, 11, 77–97. https://doi.org/10.1590/S1415-65552007000500006 [GS Search]
Park, W., & Kwon, H. (2024). Implementing artificial intelligence education for middle school technology education in Republic of Korea. International Journal of Technology and Design Education, 34(1), 109–135. https://doi.org/10.1007/s10798-023-09812-2 [GS Search]
Pereira, V. R. F., Paula, A. D., & Araújo, C. O. (2020). Método de agrupamento aplicado à avaliação escolar: um estudo de caso para avaliações de larga escala. EDUCA – Revista Multidisciplinar em Educação, 7(17), 901–919. https://doi.org/10.26568/2359-2087.2020.4413 [GS Search]
Perico, A. E., Rebelatto, D. A. N., & Santana, N. B. (2008). Eficiência bancária: os maiores bancos são os mais eficientes? Uma análise por envoltória de dados. Gestão & Produção, 15(2), 421–431. https://doi.org/10.1590/S0104-530X2008000200016 [GS Search]
Pessano, N. B., & Halmenschlager, C. (2005). Aplicação de Data Mining em Data Warehouse: Desenvolvimento da Ferramenta ToolMiner. Simpósio Brasileiro de Sistemas de Informação (SBSI), 151–158. https://doi.org/10.5753/sbsi.2005.14979 [GS Search]
Pimenta, I. A., Silva, D. A., Moura, E. S., Silveira, M. M., & Gomes, R. L. (2024). Impact of Data Anonymization in Machine Learning Models. 13th Latin-American Symposium on Dependable and Secure Computing (LADC 2024), 188–191. https://doi.org/10.1145/3697090.3699865 [GS Search]
Rassouli-Currier, S. (2007). Assessing the efficiency of Oklahoma public schools: a data envelopment analysis. Southwestern Economic Review, 34, 131–144. [Link] [GS Search]
Roll, I., & Wylie, R. (2016). Evolution and revolution in artificial intelligence in education. International Journal of Artificial Intelligence in Education, 26, 582–599. https://doi.org/10.1007/s40593-016-0110-3 [GS Search]
Rousseeuw, P. J. (1987). Silhouettes: a graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20, 53–65. https://doi.org/10.1016/0377-0427(87)90125-7 [GS Search]
Sinaga, K. P., & Yang, M. S. (2020). Unsupervised k-means clustering algorithm. IEEE Access, 8, 80716–80727. https://doi.org/10.1109/ACCESS.2020.2988796 [GS Search]
Soares, J. L., Costa, T. B., Moura, L. S., Sousa, W. S., Mesquita, A. L., & Mesquita, D. S. (2023). Machine Learning Based Fault Detection on Belt Conveyor Idlers. Proceedings of the DINAME. https://doi.org/10.5753/rbie.2023.2831 [GS Search]
Soares, T. S. S. (2022). O Sistema de Avaliação da Educação Básica (SAEB) em tempos de pandemia: ensino de Matemática e as Tecnologias Digitais. Com a Palavra, o Professor, 7, 95–106. [Link] [GS Search]
Varella, C. A. A. (2008). Análise de Componentes Principais. Universidade Federal Rural do Rio de Janeiro. [Link] [GS Search]
Vilaça, W. S. (2023). Análise de Sistemas Educacionais Aplicando Técnicas de Agrupamento e Análise por Envoltória de Dados [tese de dout., Universidade Estadual do Ceará]. [Link]
Zhu, J. (2022). DEA under big data: data enabled analytics and network data envelopment analysis. Annals of Operations Research, 309(2), 761–783. https://doi.org/10.1007/s10479-020-03668-8 [GS Search]
Archivos adicionales
Published
Cómo citar
Issue
Section
Licencia
Derechos de autor 2026 Francisco José Cardoso da Conceição, Camila Campos Colares das Dores, Gustavo Augusto Lima de Campos, Rafael Lopes Gomes
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
