Alfabetização no Brasil em 2024 vista pelo K-Means 🌀

Iniciei recentemente o curso Data Science and Big Data: Making Data-Driven Decisions, do Massachusetts Institute of Technology (MIT), e decidi transformar os exercícios do curso em análises aplicadas a problemas reais. A ideia é simples: aprender métodos de Data Science enquanto tento responder perguntas relevantes usando dados públicos.

A primeira sessão do curso é sobre K-Means, um algoritmo de aprendizado não supervisionado que eu particularmente gosto muito, porque ele força o analista a escutar os dados antes de rotulá-los.

O método em poucas palavras

O K-Means é um algoritmo de clusterização. Ele busca dividir observações em K grupos, minimizando a variância intra-cluster (ou seja, deixando os pontos dentro de cada grupo o mais parecidos possível entre si). Não há rótulos prévios, nem categorias “certas” ou “erradas”: os padrões emergem da estrutura dos dados.

Isso o torna especialmente útil para análises exploratórias e para contextos em que médias nacionais escondem realidades muito diferentes.

O desafio prático

Para este exercício, utilizei dados públicos oficiais de alfabetização no Brasil (2024), trabalhando no nível das Unidades da Federação e considerando duas variáveis centrais:

1. Percentual de alunos alfabetizados
2. Percentual de participação na avaliação

Essas duas dimensões são fundamentais. Alfabetização indica resultado; participação indica a qualidade e confiabilidade do diagnóstico. Avaliar aprendizagem sem considerar cobertura costuma levar a conclusões frágeis.

Após tratamento dos dados, padronização das variáveis e escolha do número de clusters com apoio do silhouette score, o modelo indicou quatro clusters principais.

O que os dados revelaram

Os resultados apontam para quatro perfis distintos de alfabetização no Brasil em 2024:

• 🟢 Alta participação + alta alfabetização Alfabetização média entre 70–85% e participação entre 90–98%. Esse grupo mostra que é possível alfabetizar bem em escala no país.
• 🟡 Alta participação + alfabetização intermediária Alfabetização entre 55–65% e participação entre 85–95%. O diagnóstico é sólido, mas os resultados ainda estão aquém do desejável.
• 🟠 Baixa participação + alfabetização média Alfabetização entre 45–60% e participação entre 70–85%. Aqui, antes de cobrar resultados, é preciso fortalecer a própria cobertura da avaliação.
• 🔴 Alta participação + alfabetização baixa Alfabetização entre 35–50% e participação entre 90–95%. Esse é o perfil mais crítico: o sistema enxerga o problema, mas ainda não consegue resolvê-lo.

O principal aprendizado

O exercício deixa claro que o Brasil, em 2024, já superou em grande medida a fase de diagnóstico limitado. A participação nas avaliações é alta na maior parte dos estados, o que permite análises mais confiáveis.

O desafio agora é outro:

Transformar evidência em política pública eficaz, reconhecendo que perfis distintos exigem estratégias distintas.

Não se trata mais de “falta de dados”, mas de capacidade de agir de forma diferenciada, evitando soluções únicas para realidades heterogêneas.

Por que o K-Means foi útil aqui?

Em análises educacionais, é comum cair em classificações baseadas apenas em nota média. O uso do K-Means ajudou a:

• evitar rótulos normativos prévios;
• identificar agrupamentos naturais nos dados;
• incorporar a participação como critério central;
• apoiar decisões baseadas em evidência, e não apenas em médias nacionais.

Mais do que aprender um algoritmo, este exercício reforçou como métodos de Data Science podem apoiar decisões reais, especialmente em políticas públicas.

Vou seguir compartilhando outros aprendizados do curso, sempre tentando conectar método, dados reais e impacto no mundo real.