A INTELIGÊNCIA ARTIFICIAL COMO ELEMENTO CENTRAL NA ANÁLISE DAS DESIGUALDADES EDUCACIONAIS PÓS-PANDEMIA NO BRASIL

Resumo

A pandemia de Covid-19 intensificou desigualdades históricas presentes no sistema educacional brasileiro, especialmente relacionadas ao acesso à tecnologia e à ausência de ferramentas de Inteligência Artificial (IA) capazes de mitigar perdas de aprendizagem. Este artigo releitura os resultados da Prova Saeb de 2019 e 2021 sob a perspectiva da desigualdade digital e da falta de infraestrutura tecnológica na rede pública. A partir da interpretação dos modelos econométricos originais, que apontam o Nível Socioeconômico (NSE) e a Taxa de Abandono (TAB) como principais fatores explicativos do desempenho escolar, analisa-se como o acesso desigual a dispositivos, conectividade e plataformas educacionais automatizadas influenciou diretamente a aprendizagem durante e após a pandemia. Conclui-se que políticas públicas baseadas em IA são essenciais para reduzir desigualdades educacionais, recuperar perdas e estruturar o sistema educacional brasileiro para crises futuras.

Palavras-chave: Inteligência Artificial; Educação; Desigualdade Digital; Pandemia; Saeb.

1. Introdução

A Inteligência Artificial tem se consolidado como uma das tecnologias mais transformadoras da contemporaneidade, influenciando áreas como saúde, comunicação, economia e gestão pública. Na educação, a IA oferece potencial para personalização da aprendizagem, diagnóstico automático de dificuldades, análise preditiva de risco de evasão, tutoria inteligente e apoio direto ao trabalho docente. No entanto, apesar dessas potencialidades, o Brasil ainda apresenta baixa incorporação de sistemas inteligentes em seu sistema educacional, sobretudo na rede pública.

A pandemia de Covid-19 evidenciou dramaticamente essa lacuna. Entre 2020 e 2021, a suspensão das aulas presenciais colocou os estudantes em posição de dependência absoluta das tecnologias digitais para manter vínculos escolares. A desigualdade digital, entendida como o conjunto de limitações relacionadas ao acesso, uso e autonomia tecnológica, tornou-se o fator mais determinante da aprendizagem durante o ensino remoto emergencial.

Enquanto alunos de maior renda utilizaram plataformas educacionais, ambientes virtuais estáveis e até ferramentas privadas de IA (como sistemas adaptativos, assistentes digitais de estudo e tutores virtuais), milhões de estudantes de baixa renda enfrentaram barreiras severas: ausência de dispositivos, falta de internet, uso de celulares compartilhados e inexistência de suporte pedagógico digital. Dessa forma, desigualdades pré-existentes foram ampliadas, repercutindo diretamente nos resultados educacionais avaliados pelo Saeb.

Este artigo analisa os dados da Prova Saeb 2019 e 2021 à luz da Inteligência Artificial, buscando compreender como a desigualdade digital e a falta de tecnologias inteligentes contribuíram para as perdas de aprendizagem no período pós-pandemia.

2. Metodologia

Este estudo utiliza os resultados do levantamento econométrico original aplicado aos dados estaduais da Prova Saeb de 2019 e 2021. O método utilizado foi a regressão linear múltipla com seleção de variáveis pelo procedimento Stepwise, tendo como objetivo identificar os principais fatores explicativos do desempenho escolar.

Embora o estudo inicial tenha sido quantitativo e tradicional, a presente análise propõe uma releitura teórica, posicionando a Inteligência Artificial como lente interpretativa. Assim, as variáveis sobreviventes no modelo final, Nível Socioeconômico (NSE) e Taxa de Abandono (TAB), são compreendidas como indicadores indiretos do acesso à tecnologia, conectividade, suporte pedagógico automatizado e possibilidades de personalização da aprendizagem.

Desse modo:

NSE → representa não apenas renda, mas o nível de acesso a dispositivos, internet, plataformas educacionais e ferramentas com elementos de IA;
TAB → reflete as dificuldades de permanência escolar associadas à ausência de tecnologias de monitoramento de engajamento e detecção de risco de evasão.

Essa abordagem permite compreender o papel estrutural da desigualdade digital na formação dos resultados do Saeb.

3. Resultados

Os resultados do modelo econométrico revelam que o NSE apresentou forte impacto no desempenho escolar em 2019 e impacto ainda maior em 2021. O coeficiente, que era de aproximadamente 10,03 em 2019, cresce para cerca de 17,67 em 2021, indicando ampliação significativa da influência das condições socioeconômicas sobre a aprendizagem.

Esse aumento está diretamente relacionado à desigualdade digital intensificada durante a pandemia. Estudantes de maior NSE tiveram acesso a ferramentas educacionais digitais que, ainda que nem sempre explicitamente identificadas como sistemas de IA, incorporam algoritmos de:

personalização de exercícios,
recomendação de conteúdos,
diagnóstico rápido de dificuldades,
retroalimentação automática,
trilhas adaptativas.

Por outro lado, estudantes de baixa renda enfrentaram desafios tecnológicos que os impossibilitaram de acompanhar as atividades remotas, resultando em perdas de aprendizagem muito superiores.

Quanto à TAB, observa-se uma redução aparente de seu peso estatístico. Contudo, essa queda não indica melhora na permanência escolar. Ela se explica pelo fenômeno da evasão invisível, no qual alunos deixam de participar, mas permanecem formalmente matriculados. Em sistemas educacionais que utilizam IA, algoritmos detectam rapidamente quedas de engajamento; no Brasil, a ausência desse monitoramento levou a subnotificações.

O intercepto do modelo também apresentou queda acentuada entre 2019 e 2021, confirmando perdas generalizadas. A falta de sistemas de IA que oferecessem diagnósticos contínuos, feedback imediato e planos de estudo personalizados agravou o impacto da pandemia sobre todos os estudantes.

4. Discussão

4.1. Desigualdade digital como fator estruturante

A ampliação da influência do NSE demonstra que a desigualdade digital foi um dos principais determinantes do desempenho escolar durante a pandemia. Três dimensões explicam esse fenômeno:

Desigualdade de acesso: dispositivos, internet e plataformas.
Desigualdade de uso: limitações de qualidade e estabilidade das ferramentas.
Desigualdade de aprendizagem assistida por IA: alunos de maior renda tiveram acesso a tecnologias mais avançadas.

4.2. O potencial da IA para mitigar perdas

Sistemas inteligentes poderiam ter reduzido significativamente os prejuízos educacionais. Entre seus benefícios:

personalização automática da aprendizagem;
detecção precoce de dificuldades;
alertas de risco de evasão;
organização de trilhas adaptativas;
correção automática com feedback pedagógico;
tutoria virtual.

A ausência dessa estrutura agravou defasagens e ampliou desigualdades.

4.3. TAB e a evasão invisível

Sem ferramentas de IA capazes de monitorar engajamento, os sistemas escolares não conseguiram identificar evasão real. Essa falha comprometeu indicadores oficiais e impediu intervenções precoces.

4.4. A queda geral do desempenho

A queda nos resultados evidencia que a ausência de IA não atuou apenas como agravante da desigualdade, mas como catalisador das perdas educacionais. Falta de diagnóstico, de suporte digital e de personalização impactou todos os estudantes

4.5. Lacunas nas políticas públicas

A pandemia revelou que o Brasil carece de:

plataformas adaptativas públicas;
sistemas de monitoramento por IA;
formação docente em tecnologias educacionais;
conectividade universal;
dispositivos para todos os estudantes.

5. Conclusão

A Inteligência Artificial, apesar de ausente na rede pública durante a pandemia, é elemento essencial para a compreensão das desigualdades educacionais no período pós-pandêmico. Os resultados do Saeb demonstram que o impacto do NSE aumentou substancialmente e que a TAB foi mascarada pela ausência de monitoramento inteligente. A desigualdade digital, portanto, tornou-se o elo entre condições socioeconômicas e aprendizagem.

Recomenda-se a implementação urgente de políticas públicas que incluam IA como eixo central para: