Which disadvantaged students beat the odds in STEM? A design-consistent, fairness-audited machine learning study of 143,573 adolescents in 79 PISA 2022 education systems
Este estudo emprega uma abordagem de aprendizado de máquina consistente com o design e auditada quanto à equidade em dados do PISA 2022 de 143.573 adolescentes desfavorecidos em 79 sistemas educacionais para identificar que, embora a autoeficácia em matemática seja o preditor universal mais forte de resiliência em STEM, os modelos preditivos exibem limitações significativas de transportabilidade e vieses sistemáticos contra meninas e estudantes rurais, ressaltando a necessidade de estratégias de triagem contextuais e equitativas.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
Todos os anos, milhões de jovens de quinze anos ao redor do mundo realizam um teste padronizado que mede o quão bem eles compreendem matemática e ciências. Por décadas, pesquisadores conhecem uma verdade simples e persistente sobre esses resultados: a riqueza familiar de um estudante é um dos preditores mais fortes de sua pontuação. Crianças de origens mais pobres tendem a pontuar mais baixo, enquanto aquelas de lares mais ricos tendem a pontuar mais alto. Essa lacuna é profunda porque a proficiência nessas disciplinas é a porta de entrada para carreiras em ciência, tecnologia, engenharia e matemática. No entanto, a história não é inteiramente determinística. Em cada país que participa desses testes, existem estudantes do quarto mais pobre de domicílios que desafiam as probabilidades. Eles alcançam notas altas tanto em matemática quanto em ciências, provando que a desvantagem não torna o sucesso impossível. Esses alunos são frequentemente chamados de "academicamente resilientes". A questão que há muito tempo intriga educadores e formuladores de políticas não é apenas quem são esses alunos, mas quais fatores os ajudam a ter sucesso. Seria a própria confiança deles? O apoio de seus professores? Os recursos disponíveis em suas escolas?
Por muito tempo, responder a essa pergunta dependeu da estatística tradicional, que muitas vezes tem dificuldade em desembaraçar a complexa teia de fatores que influenciam a vida de um aluno. Recentemente, pesquisadores começaram a usar o aprendizado de máquina (machine learning), um tipo de programa de computador que pode encontrar padrões em vastas quantidades de dados, para buscar respostas. No entanto, muitas dessas tentativas iniciais utilizaram atalhos que ignoraram a forma específica como os dados do teste foram coletados. Eles trataram os dados como uma simples lista de nomes, em vez de uma pesquisa cuidadosamente desenhada, e frequentemente testaram seus modelos apenas nos mesmos dados que usaram para construí-los, sem verificar se os resultados se sustentariam em um país diferente. Um novo estudo publicado em 2026, liderado por Omar Allohibi, da Universidade de Taibah, propõe-se a corrigir esses problemas. Ao analisar dados de 143.573 adolescentes desfavorecidos em 79 sistemas educacionais diferentes, eles construíram um modelo de aprendizado de máquina projetado para prever quais alunos superariam as probabilidades. Crucialmente, eles construíram o modelo com extremo cuidado para respeitar o desenho da pesquisa, testaram-no em países que nunca haviam visto antes e verificaram se o modelo tratava diferentes grupos de alunos de forma justa.
O estudo começou definindo exatamente o que significava "superar as probabilidades". Eles focaram apenas em alunos do quarto inferior da escala socioeconômica de cada país. Em seguida, procuraram por aqueles que atingiram um nível específico de proficiência tanto em matemática quanto em ciências, um padrão alto o suficiente para sugerir que estão prontos para estudos avançados. Descobriram que, globalmente, apenas cerca de 12,5% desses alunos desfavorecidos atingiram esse patamar elevado. A taxa variou drasticamente de país para país, indo de menos de um décimo de percentual em alguns sistemas até 62% em Singapura. Essa variação sugeriu que o ambiente do próprio sistema escolar desempenha um papel massivo no que permite que um aluno prospere.
Quando treinaram seu modelo de aprendizado de máquina para prever quais alunos seriam resilientes, ele apresentou uma precisão notável. O modelo conseguia distinguir entre alunos em dificuldade e alunos que prosperam muito melhor do que um simples palpite baseado na média do país. O preditor mais poderoso que o modelo encontrou não foi um recurso escolar ou o nível de renda familiar, mas a própria crença do aluno em sua capacidade de fazer matemática. Esse sentimento, conhecido como autoeficácia, foi o fator mais forte em todos os 79 países. Alunos que acreditavam que podiam resolver problemas matemáticos eram muito mais propensos a ter sucesso, mesmo enfrentando desvantagens significativas. Outros fatores, como ter acesso a computadores em casa e a capacidade de resistir ao estresse, também desempenharam papéis importantes. Curiosamente, o modelo também descobriu que alunos que possuíam empregos remunerados fora da escola eram menos propensos a serem resilientes, provavelmente por terem menos tempo para estudar.
No entanto, o estudo revelou uma limitação crítica na forma como esses modelos são frequentemente utilizados. Quando pegaram um modelo treinado com dados de muitos países e tentaram usá-lo para prever resultados em um único país desconhecido, sua precisão caiu significativamente. Embora o modelo ainda fosse útil, ele não era tão confiável quanto os números globais sugeriam. Mais importante ainda, os fatores específicos que mais importavam em um país eram frequentemente diferentes dos fatores que mais importavam em outro. A única exceção foi a crença na própria habilidade matemática, que permaneceu como o principal preditor em todos os lugares. Essa descoberta desafia a ideia de que existe uma lista única e universal de "ingredientes fundamentais" para o sucesso que se aplica a cada cultura e sistema educacional. Em vez disso, sugere que, embora a confiança seja um motor universal para o sucesso, os outros fatores de apoio dependem fortemente do contexto local.
Eles também realizaram uma auditoria de equidade para ver se o modelo tratava todos os alunos de forma igual. Descobriram que, embora o modelo fosse preciso em média, ele cometia tipos diferentes de erros para diferentes grupos. Era significativamente menos propenso a identificar corretamente meninas resilientes do que meninos resilientes. Também era muito menos propenso a detectar alunos resilientes que viviam em áreas rurais em comparação com aqueles em áreas urbanas. Quando removeram o gênero dos dados de entrada do modelo, a lacuna para as meninas desapareceu, sugerindo que o modelo aprendeu a usar o gênero como um atalho que funcionava contra as meninas. No entanto, remover a localização rural do modelo não corrigiu a lacuna para os estudantes rurais. Isso indicou que o problema para os estudantes rurais não era o viés do modelo, mas sim o fato de que as condições gerais nas áreas rurais tornavam o sucesso mais difícil de prever com um padrão único.
O estudo conclui que, embora o aprendizado de máquina possa ajudá-los a entender os fatores por trás da resiliência acadêmica, eles devem ter cuidado com a forma como utilizam essas ferramentas. O ponto mais importante é que a confiança na própria capacidade de aprender matemática é uma força poderosa e universal que pode ajudar alunos desfavorecidos a ter sucesso. Mas confiar em um único modelo global para tomar decisões para cada aluno em cada país é arriscado. Os fatores que impulsionam o sucesso não são os mesmos em todos os lugares, e um modelo que funciona bem em um lugar pode errar o alvo em outro. Além disso, se essas ferramentas forem usadas para identificar alunos para programas de apoio, elas devem ser verificadas cuidadosamente para garantir que não estejam sistematicamente negligenciando meninas ou estudantes de comunidades rurais. Ao respeitar a complexidade dos dados e testar os modelos no mundo real onde serão usados, os pesquisadores podem construir ferramentas que realmente ajudem a equidade na educação, em vez de acidentalmente ampliar as lacunas que pretendem fechar.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.