Aplicación de técnicas de aprendizaje automático y aprendizaje profundo para predecir el IDEB municipal piauiense en los años iniciales de la educación primaria
DOI:
https://doi.org/10.5753/rbie.2026.7071Keywords:
Educación Básica, IDEB, Modelado Predictivo, Aprendizaje Automático, Aprendizaje Profundo, Conjuntos Basados en Árboles, Políticas Educativas Basadas en EvidenciaAbstract
Este estudio investiga la aplicación de modelos predictivos para estimar el Índice de Desarrollo de la Educación Básica (IDEB) en los primeros años de la escuela primaria en municipios del estado de Piauí, con base en variables educativas, socioeconómicas y financieras. La investigación utilizó datos públicos y, tras un riguroso proceso de limpieza, agregación, imputación y selección de atributos, se conformó una base de datos multivariante final compuesta por 1262 registros y 126 variables explicativas, extraídas exclusivamente de fuentes oficiales. Se evaluaron diez algoritmos de aprendizaje automático (AA), incluyendo regresiones lineales y penalizadas, árboles de decisión, métodos basados en vecindad, ensambles y regresión de vectores de soporte, y siete arquitecturas de aprendizaje profundo (AP), que abarcan redes perceptrón multicapa (MLP), variantes con dropout y normalización por lotes, redes neuronales convolucionales (CNN), redes recurrentes (LSTM) y arquitecturas híbridas. Los experimentos siguieron un enfoque cuantitativo, con división de datos en conjuntos de entrenamiento y prueba (70/30), validación cruzada k-fold, normalización cuando fue necesario y análisis de importancia de las variables. El algoritmo Extreme Gradient Boosting (XGBoost) presentó el mejor rendimiento promedio entre los modelos evaluados, logrando 𝑅² = 0,5542 en el conjunto de prueba y 𝑅² = 0,5455 ± 0,0293 en la validación cruzada, con errores promedio más bajos y mayor estabilidad relativa en comparación con los enfoques lineales y las redes neuronales profundas. Además, el análisis de importancia de los predictores identificó el PIB municipal per cápita, la tasa de distorsión edad-grado y la proporción de docentes sin educación superior como los factores más relevantes para explicar la variación en el IDEB (Índice de Desarrollo de la Educación Básica) en los municipios de Piauí. Los resultados contribuyen a la mejora de los diagnósticos regionales y a la propuesta de un enfoque replicable para apoyar el seguimiento educativo a nivel municipal.
Descargas
Citas
Benevento, M. A. (2024). O uso de algoritmos de aprendizagem de máquina para prever o desempenho do aluno (Tese de doutorado). Fundação Getulio Vargas, Escola de Administração de Empresas de São Paulo. Disponível em [link].
Brasil. (1988). Constituição da República Federativa do Brasil de 1988. Brasília, DF: Senado Federal. Disponível em [link].
Brasil. (1996). Lei n.º 9.394, de 20 de dezembro de 1996. Diário Oficial da União. Brasília, DF. Disponível em [link].
Brasil. (2020). Emenda constitucional n.º 108, de 26 de agosto de 2020. Diário Oficial da União. Brasília, DF. Disponível em [link].
Carreira, D., & Pinto, J. M. (2007). Custo aluno-qualidade inicial: Rumo à educação pública de qualidade no Brasil. São Paulo: Global; Campanha Nacional pelo Direito à Educação. Disponível em [link] [GS Search].
Chen, S., & Ding, Y. (2023). A machine learning approach to predicting academic performance in Pennsylvania's schools. Social Sciences, 12(3), 118. https://doi.org/10.3390/socsci12030118 [GS Search].
Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. Em Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 785–794). San Francisco: ACM. http://dx.doi.org/10.1145/2939672.2939785 [GS Search].
Conover, W. J. (1999). Practical nonparametric statistics (3rd ed.). New York: John Wiley & Sons. [GS Search].
Demšar, J. (2006). Statistical comparisons of classifiers over multiple data sets. Journal of Machine Learning Research, 7, 1–30. [GS Search].
Hanushek, E. A., & Woessmann, L. (2020). Education, knowledge capital, and economic growth. Em S. Sleeper (Ed.), The economics of education (2nd ed.). Amsterdam: Elsevier. https://doi.org/10.1016/B978-0-12-815391-8.00014-8 [GS Search].
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). New York: Springer. [GS Search].
Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education: Promises and implications for teaching and learning. (1st ed.). Center for Curriculum Redesign: Boston, MA, USA. [GS Search].
IBGE. (2023). Estatísticas sociais e econômicas. Rio de Janeiro: Instituto Brasileiro de Geografia e Estatística. Disponível em [link].
INEP. (2023). Resultados do IDEB e dos indicadores educacionais. Brasília: Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Disponível em [link].
Keras Team. (2025). Keras API documentation. Disponível em [link].
Kursa, M. B., & Rudnicki, W. R. (2010). Feature selection with the Boruta package. Journal of Statistical Software, 36(11), 1–13. https://doi.org/10.18637/jss.v036.i11 [GS Search].
Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Em Advances in Neural Information Processing Systems (Vol. 30, pp. 4768–4777). https://doi.org/10.48550/arXiv.1705.07874 [GS Search].
Maia, J. S. Z., Bueno, A. P. A., & Sato, J. R. (2021). Assessing the educational performance of different Brazilian school cycles using data science methods. PLOS ONE, 16(3), e0248525. https://doi.org/10.1371/journal.pone.0248525 [GS Search].
MEC. (2023). SAGICAD: Sistema de Avaliação, Gestão da Informação e Cadastro Único. Brasília: Ministério da Educação. Disponível em [link].
Molnar, C. (2020). Interpretable machine learning: A guide for making black box models explainable (3rd ed.). Disponível em [link] [GS Search].
PNUD, IPEA, & FJP. (2022). Atlas do desenvolvimento humano no Brasil. Brasília: Programa das Nações Unidas para o Desenvolvimento, Instituto de Pesquisa Econômica Aplicada e Fundação João Pinheiro. Disponível em [link].
Rocha, F. A. F., Teixeira, J. C. M., & Melo, F. L. N. B. (2015). Análise dos fatores que influenciam o desempenho escolar dos alunos do ensino fundamental no estado do Rio Grande do Norte. Revista Interface, 12(1). [GS Search].
Rodrigues, L. S., Santos, M., Gomes, C. F. S., Choren, R., Goldschmidt, R., & Barbará, S. (2024). Transformers para previsão de desempenho acadêmico no ensino fundamental e médio. Revista Brasileira de Informática na Educação, 32, 213–241. https://doi.org/10.5753/rbie.2024.3661 [GS Search].
SICONFI. (2023). Sistema de Informações Contábeis e Fiscais do Setor Público Brasileiro. Brasília: Tesouro Nacional. Disponível em [link].
Silveira, A. A. D., Schneider, G., & Alves, T. (2023). Simulador de Custo-aluno Qualidade: Padrão de qualidade de referência, versão 02.2023. Curitiba; Goiânia: Laboratório de Dados Educacionais, UFPR; UFG. Disponível em [link].
SIOPE. (2023). Sistema de Informações sobre Orçamentos Públicos em Educação. Brasília: FNDE. Disponível em [link].
Soares, D. J. M., & Santos, W. (2024). Indicadores de avaliação de contexto e resultados educacionais no IDEB: Uma análise das escolas estaduais de ensino médio no Espírito Santo. Revista Brasileira de Estudos Pedagógicos, 105, e5872. https://doi.org/10.24109/2176-6681.rbep.105.5872 [GS Search].
Soares, J. F., & Araújo, R. J. (2006). Nível socioeconômico, qualidade e equidade das escolas de Belo Horizonte. Ensaio: Avaliação e Políticas Públicas em Educação, 14(50), 107–126. https://doi.org/10.1590/S0104-40362006000100008 [GS Search].
Souza, V. F., & Santos, T. C. B. (2021). Processo de mineração de dados educacionais aplicado na previsão do desempenho de alunos: Uma comparação entre técnicas de aprendizagem de máquina e aprendizagem profunda. Revista Brasileira de Informática na Educação, 29. https://doi.org/10.5753/RBIE.2021.29.0.519 [GS Search].
TensorFlow. (2025). TensorFlow documentation. Disponível em [link].
Tibshirani, R. (1996). Regression shrinkage and selection via the lasso. Journal of the Royal Statistical Society: Series B, 58(1), 267–288. https://doi.org/10.1111/j.2517-6161.1996.tb02080.x [GS Search].
UNESCO. (2022). Reimaginar juntos nossos futuros: Um novo contrato social para a educação. Paris: Organização das Nações Unidas para a Educação, a Ciência e a Cultura. Disponível em [link].
Wang, S., & Luo, B. (2024). Academic achievement prediction in higher education through interpretable modeling. PLOS ONE, 19(9), e0309838. https://doi.org/10.1371/journal.pone.0309838 [GS Search].
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education: Where are the educators?. International Journal of Educational Technology in Higher Education, 16, 39. https://doi.org/10.1186/s41239-019-0171-0 [GS Search].
Archivos adicionales
Published
Cómo citar
Issue
Section
Licencia
Derechos de autor 2026 Maria Eva Clemencia Fonseca de Castro Silva, Ivan Saraiva Silva, Vinícius Ponte Machado
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
