Teacher Qualification Deficits and Mathematics Achievement in Uzbekistan: Multilevel Evidence from PISA 2022

Resumo Técnico: Déficits de Qualificação Docente e Desempenho em Matemática no Uzbequistão

Declaração do Problema
A estreia do Uzbequistão no Programa Internacional de Avaliação de Estudantes (PISA) da OCDE em 2022 revelou uma lacuna significativa de desempenho, com uma pontuação média em matemática de 364 em comparação com a média da OCDE de 472. Aproximadamente 81% dos estudantes de quinze anos não atingiram o nível de proficiência mínima. Apesar dos recentes e substanciais investimentos em políticas, incluindo um suplemento salarial de 70% para professores certificados e um orçamento de educação de 46 trilhões de som, há uma carência de evidências empíricas sobre os determinantes específicos nos níveis escolar e do estudante que impulsionam esses resultados. A literatura anterior tem amplamente negligenciado as economias de transição da Ásia Central, e nenhum estudo prévio aplicou a modelagem multinível analiticamente apropriada aos dados hierárquicos do PISA no Uzbequistão para desvendar os efeitos do contexto do estudante em relação aos fatores institucionais.

Metodologia
O estudo utiliza o conjunto de dados do PISA 2022 para o Uzbequistão, compreendendo 7.293 alunos agrupados em 202 escolas. Para lidar com a natureza agrupada dos dados e a incerteza de medição, os autores empregam uma sequência econométrica de quatro modelos:

1. HLM de Dois Níveis Incondicional: Utilizado para decompor a variância e calcular o Coeficiente de Correlação Intraclasse (ICC) para determinar a necessidade de modelagem multinível.
2. Linha de Base OLS: Uma regressão de nível único com estimativa de variância de Replicação Repetida Balanceada de Fay (BRR) para estabelecer um parâmetro para os preditores ao nível do estudante.
3. HLM Completo de Dois Níveis: O modelo primário incorporando preditores ao nível do estudante (Nível 1) e ao nível da escola (Nível 2), estimado via máxima verossimilhança.
4. Regressão Quantílica Simultânea: Aplicada em cinco quantis (10º, 25º, 50º, 75º, 90º) para examinar como os efeitos dos preditores variam através da distribuição de desempenho.

Manipulação e Estimativa de Dados

• Valores Plausíveis: Todos os modelos foram estimados separadamente em dez valores plausíveis (PV1MATH–PV10MATH) e combinados usando as regras de Rubin (1987) para dados de imputação múltipla para considerar a incerteza de medição.
• Estimativa de Variância: Os erros padrão foram derivados através do procedimento BRR de Fay com 80 pesos de replicação para refletir o desenho de amostragem por conglomerados estratificados complexos.
• Operacionalização de Variáveis:
  • Variável Dependente: Desempenho em matemática.
  • Preditores de Nível 1: Status socioeconômico (ESCS), gênero, autoeficácia em matemática, clima disciplinar, suporte docente e senso de pertencimento.
  • Preditores de Nível 2: Equipe docente inadequadamente qualificada (UNQUALSTAFF, um indicador binário de impedimento relatado pelo diretor), escassez de pessoal, porcentagem de professores certificados, localização rural e razão aluno-professor.
• Análise de Subamostra: HLMs separados foram estimados para subamostras urbanas e rurais para testar a "hipótese dos recursos compensatórios".

Principais Resultados

1. Decomposição de Variância: O modelo incondicional gerou um ICC de 0,181, indicando que 18,1% da variância total nos escores de matemática é atribuível às diferenças entre as escolas. Isso confirma que os fatores ao nível da escola são uma fonte significativa de desigualdade, justificando o uso de modelagem multinível.
2. Determinantes ao Nível do Estudante: No HLM completo, a autoeficácia em matemática, o senso de pertencimento, o gênero (vantagem masculina), o suporte docente e o status socioeconômico (ESCS) foram todos preditores positivos significativos. Notavelmente, o coeficiente para ESCS caiu 54% ao passar do baseline OLS para o HLM, sugerindo que grande parte do gradiente socioeconômico observado deve-se à seleção entre escolas (between-school sorting) em vez de efeitos dentro da escola (within-school effects).
3. Determinantes ao Nível da Escola: Entre todas as variáveis ao nível da escola, a equipe docente inadequadamente qualificada (UNQUALSTAFF) foi o único fator que mostrou uma associação negativa consistente e significativa com o desempenho em matemática em todos os dez valores plausíveis ($\beta = -10,17, p < 0,05$). Variáveis como escassez de pessoal, taxas de certificação de professores e razões aluno-professor não foram estatisticamente significativas.
4. Efeitos Distribuicionais (Regressão Quantílica):
   • O suporte docente e o senso de pertencimento tiveram os efeitos positivos mais fortes na extremidade inferior da distribuição de desempenho (Q10), beneficiando estudantes que já estavam abaixo do limiar de proficiência.
   • O status socioeconômico (ESCS) exerceu uma influência progressivamente mais forte em direção ao topo da distribuição (Q90).
   • O impacto negativo de pessoal inadequadamente qualificado foi consistente em toda a distribuição.
5. Disparidades Rural-Urbano: A análise de subamostra revelou um efeito de "amplificação rural". A penalidade por pessoal inadequadamente qualificado foi 3,4 vezes maior em escolas rurais ($\beta = -20,37$) do que em escolas urbanas ($\beta = -5,93$). Em escolas urbanas, o coeficiente foi frequentemente não significativo estatisticamente, enquanto foi robusto em contextos rurais.

Significância e Alegações
O artigo afirma realizar três contribuições primárias para a literatura sobre sistemas educacionais de transição:

1. Primazia Metodológica: Fornece a primeira análise multinível do desempenho em matemática no Uzbequistão utilizando dados do PISA 2022, preenchendendo uma lacuna na pesquisa educacional da Ásia Central.
2. Identificação do Gargalo Limitante: O estudo identifica que a adequação das qualificações docentes (em vez da mera quantidade de professores ou taxas de certificação doméstica) é o preditor ao nível da escola mais consistente do desempenho. Isso desafia a suposição de que a quantidade de recursos é o principal motor dos resultados neste contexto.
3. Evidência de Direcionamento Geográfico: Ao demonstrar que o custo dos déficits de qualificação docente é significativamente maior em áreas rurais, o estudo apoia a "hipótese dos recursos compensatórios". Argumenta-se que os estudantes rurais, carecendo de acesso a suportes de aprendizagem externos (ex: aulas particulares), dependem inteiramente da instrução escolar; assim, a má qualidade docente nessas áreas impõe uma penalidade desproporcionalmente severa.

Limitações e Direções Futuras
Os autores reconhecem que a natureza transversal dos dados limita a inferência causal; os achados representam associações condicionais em vez de estimativas causais. Além disso, a medição da ruralidade é binária, podendo mascarar a heterogeneidade dentro das áreas rurais, e a dependência de dados relatados pelos diretores introduz potencial viés de percepção. O artigo sugere que pesquisas futuras utilizem o próximo ciclo PISA 2025 para uma análise longitudinal de diferença-em-diferenças e considerem modelos de três níveis para contabilizar variações regionais.

Conclusão
O estudo conclui que, para o Uzbequistão atingir seu objetivo de classificar-se entre os 30 principais países do PISA até 2030, os esforços de reforma devem ser geograficamente direcionados. Especificamente, o suplemento salarial de 70% para professores com certificação internacional (Decreto Presidencial nº DP-79) deve ser priorizado para escolas rurais, onde o retorno sobre o investimento na qualificação docente é estimado como sendo 3,4 vezes maior do que em centros urbanos.