Machine Learning-Based Prediction of Circular Economy Implementation Effectiveness in Education for Sustainable Development (ESD) Programs: Empirical Evidence from Indonesia

Imagine o mundo como uma oficina gigante e bagunçada onde estamos constantemente construindo coisas, usando-as e depois jogando-as fora. Por muito tempo, operamos como uma rua de mão única: pegamos recursos, fabricamos produtos e descartamos os restos. Mas cientistas e educadores estão tentando transformar isso em um carrossel gigante e circular chamado Economia Circular. Em vez de lixo, tudo é reciclado, reutilizado ou transformado em algo novo, mantendo os recursos girando em um círculo feliz em vez de desaparecerem em um aterro sanitário. Para que isso aconteça, precisamos ensinar as pessoas a pensar em ciclos. É aqui que entra a Educação para o Desenvolvimento Sustentável (EDS). Pense na EDS como o currículo escolar que treina nossos cérebios para ver o mundo como um sistema conectado onde nada é desperdiçado. Mas aqui está a parte complicada: só porque uma escola diz que está ensinando essas ideias, não significa que isso esteja realmente funcionando. Como saber se as lições "circulares" estão sendo absorvidas? Essa é a grande questão. Em vez de apenas perguntar aos professores: "Você fez um bom trabalho?", um novo estudo decidiu usar um detetive digital superinteligente chamado Aprendizado de Máquina (Machine Learning) para espiar por trás das cortinas e ver o que realmente faz esses programas terem sucesso ou fracassarem.

---

O Detetive Digital e o Ciclo Escolar

Uma equipe de pesquisadores da Indonésia decidiu brincar de detetive com um mistério muito específico: quão bem as escolas em Jacarta e Banten estão realmente implementando essas ideias de "economia circular"? Eles não apenas adivinharam; eles reuniram uma equipe massiva de 505 pessoas, incluindo professores, alunos, chefes escolares e formuladores de políticas governamentais, para preencher um questionário. Eles queriam ver se as lições "circulares" eram realmente eficazes ou se eram apenas palavras da moda em um quadro negro.

Para resolver isso, eles construíram um modelo de Aprendizado de Máquina. Se você imaginar os dados da pesquisa como um enorme monte de peças de quebra-cabeça, a matemática tradicional é como tentar encaixá-las olhando uma peça de cada vez. O Aprendizado de Máquina, no entanto, é como um robô que pode olhar para todo o monte de uma só vez, encontrando padrões ocultos e conexões que o olho humano poderia perder. Os pesquisadores alimentaram suas peças de quebra-cabeça com três tipos diferentes de robôs detetives: uma Árvore de Decisão (que faz uma série de perguntas de sim ou não), uma Floresta Aleatória (Random Forest) (que é como uma floresta inteira de árvores votando na resposta) e uma Máquina de Vetores de Suporte (Support Vector Machine) (que tenta desenhar a melhor linha possível para separar programas "bons" de "ruins").

O Que Eles Descobriram: É um Trabalho de Equipe, Não um Ato Solo

Os resultados foram um pouco surpreendentes. Primeiro, a "eficácia" desses programas não era uma montanha-russa de altos e baixos. Na maioria das vezes, os programas estavam situados exatamente no meio — moderados. Não era um desastre, mas também não era uma utopia perfeita. As pontuações pairavam em um nível intermediário, sugerindo que, embora as escolas estejam tentando, elas ainda não dominaram completamente a arte do ciclo circular.

Os pesquisadores então perguntaram aos robôs: "O que faz a diferença?" Eles esperavam talvez um grande fator, como ter um laboratório de informática novo e sofisticado ou uma política super rigorosa, que seria a varinha mágica. Mas os robôs disseram: "Não, é um trabalho de equipe."

Os modelos descobriram que nenhum fator isolado dominava a cena. Em vez disso, várias coisas trabalhavam juntas:

• Competência do Professor: O quão bons os professores são ao explicar esses conceitos.
• Suporte Institucional: Se a administração escolar realmente apoia o programa.
• Integração Curricular: O quão bem as ideias circulares estão incorporadas nas aulas reais.
• Engajamento dos Alunos: Se as crianças estão realmente prestando atenção e participando.
• Alinhamento de Políticas: Se as regras do governo coincidem com o que a escola está fazendo.
• Suporte Tecnológico: Ter as ferramentas e a tecnologia certas.

O estudo sugere que, se você apenas consertar a tecnologia, mas ignorar os professores, ou se tiver ótimos professores, mas sem apoio escolar, o programa não funcionará bem. É como tentar assar um bolo com apenas ovos e sem farinha; você precisa de todos os ingredientes para obter um bom resultado.

O Veredito do Robô

Quando se tratou de prever o desempenho de um programa, os resultados mostraram que os diferentes robôs detetives performaram em níveis relativamente comparáveis. Embora o modelo de Floresta Aleatória (Random Forest) tenha mostrado resultados ligeiramente mais estáveis e uma pequena vantagem em precisão (prevendo a eficácia cerca de 85% das vezes nos testes), o artigo observa que nenhum modelo único demonstrou um desempenho claramente dominante em todas as métricas. A Árvore de Decisão e a Máquina de Vetores de Suporte também foram bastante capazes, sugerindo que os dados subjacentes são complexos e que diferentes ferramentas podem oferecer insights semelhantes, em vez de um único detetive "astro" resolvendo o caso sozinho.

Curiosamente, quando os robôs olharam para qual fator era o mais importante, eles apontaram a Competência do Professor como o campeão de peso, seguida de perto pelo Suporte Institucional e pela Integração Curricular. Isso sugere que ter um professor qualificado que saiba ensinar esses conceitos complexos é ligeiramente mais crítico do que ter a política perfeita ou os dispositivos mais novos. No entanto, a diferença não foi enorme; todos os fatores desempenharam um papel.

A Conclusão

Este estudo não encontrou um botão mágico que conserta instantaneamente a educação para a sustentabilidade. Em vez disso, sugere que fazer os programas de economia circular funcionarem é um pouco como reger uma orquestra. Você precisa dos professores (os violinistas), dos líderes escolares (os maestros), do currículo (a partitura) e dos alunos (o público), todos tocando em sincronia. Se uma seção estiver desafinada, toda a música sofre.

Os pesquisadores usaram essas ferramentas digitais para nos mostrar que, embora estejamos progredindo, ainda há muito trabalho a ser feito. As pontuações "moderadas" significam que estamos no caminho certo, mas precisamos continuar afinando nossos instrumentos. Ao usar esses modelos computacionais inteligentes, educadores e formuladores de políticas podem agora ver exatamente onde focar sua energia — provavelmente no treinamento de professores e no apoio às escolas — em vez de apenas adivinhar. É um lembrete de que salvar o planeta não é apenas sobre grandes ideias; é sobre os pequenos detalhes interconectados de como ensinamos e aprendemos.