Avaliações de desempenho e análise de dados: o que os testes revelam — e o que deixam de fora

Testes em larga escala estão sendo analisados com ferramentas cada vez mais variadas: além de comparar respostas certas e erradas, pesquisadores examinam fatores associados ao desempenho e, em avaliações digitais, até a sequência de ações que leva a uma resposta. Estudos recentes também mostram que métodos computacionais podem trabalhar com bases extensas e que diferentes escolhas de análise podem produzir leituras distintas.

Para quem ensina, essa mudança toca uma questão cotidiana: uma nota indica o que o estudante conseguiu mostrar naquela atividade, mas nem sempre explica como chegou à resposta ou o que dificultou seu percurso. Pesquisas de vários países ajudam a pensar no potencial dos dados — e nos cuidados necessários para não transformar uma medida em retrato completo da aprendizagem ou da escola.

O que são avaliações de desempenho e análise de dados na escola, e por que isso importa?

Avaliações de desempenho são tarefas ou testes que recolhem evidências sobre o que estudantes conseguem fazer em determinado domínio. A análise de dados é o trabalho de organizar e interpretar essas evidências, muitas vezes junto a informações sobre estudantes, famílias e escolas, para identificar padrões, relações ou possíveis fatores associados aos resultados. Na rotina docente, isso pode aparecer em uma prova, numa atividade de investigação, numa comparação entre tentativas ou numa conversa sobre erros recorrentes.

Uma pontuação é uma síntese, não uma explicação completa. Um resultado pode mostrar que uma turma teve dificuldade em certo tipo de questão, mas não revela automaticamente se o obstáculo foi a leitura do enunciado, a estratégia escolhida, a ansiedade, a familiaridade com o formato ou outro fator. Alguns estudos aqui examinados trabalham com grandes bases internacionais, como o PISA e o TIMSS, e procuram justamente relacionar os resultados a outras variáveis.

Isso importa ao professor porque a análise pode ajudar a formular perguntas melhores: quem precisa de outra oportunidade para aprender? Que etapa do raciocínio está se tornando difícil? Que fatores do contexto merecem atenção? A resposta não é simplesmente coletar mais números. É combinar evidências com conhecimento pedagógico e observar o que cada instrumento consegue — e não consegue — dizer.

O que a pesquisa recente mostra sobre testes e análise de dados?

Os estudos não tratam todos da mesma pergunta. Alguns identificam fatores associados a resultados; outros avaliam como dados de processo revelam estratégias, discutem limites de indicadores quantitativos ou propõem métodos para analisar bases extensas. Em conjunto, oferecem um panorama útil: a avaliação pode iluminar aspectos diferentes da aprendizagem, mas a interpretação depende do contexto, das definições e do método adotado.

O desempenho se relaciona a fatores pessoais, familiares e escolares

Uma pesquisa com dados do PISA 2022 analisou o desempenho em matemática e ciências de estudantes canadenses por meio de técnicas de mineração de dados. Entre os fatores que os modelos identificaram como preditores estavam autoeficácia em matemática, bens no domicílio, curiosidade e ansiedade matemática. A floresta aleatória apresentou a maior precisão entre os modelos examinados. O estudo relaciona os achados tanto a competências individuais quanto a fatores ambientais, sem reduzir o desempenho a uma causa única (Abroampah, 2025).

O contexto canadense é importante: o resultado se refere a estudantes daquele país e a dados do PISA 2022. Para a prática, a ideia aproveitável não é copiar uma previsão feita por algoritmo, mas reconhecer que um desempenho pode estar associado a mais de uma dimensão. Uma resposta baixa em matemática, por exemplo, não basta para concluir que o estudante não compreendeu o conteúdo; pode ser pertinente observar também confiança, ansiedade e condições de estudo, sem presumir que qualquer fator explique sozinho o resultado.

Com dados do PISA 2018 de Taiwan, outro estudo investigou como fatores escolares podem moderar a relação entre origem familiar e desempenho acadêmico. Após considerar fatores no nível da escola e sua interação com a origem familiar, o efeito da origem familiar sobre o desempenho diminuiu significativamente. Entre os fatores escolares examinados, a composição socioeconômica do corpo discente apareceu como o preditor mais significativo. A admissão baseada na residência e a percepção de que professores se interessam pelos estudantes também pareceram ter algum papel (Tsou, 2024).

Esse achado não significa que uma escola consiga apagar diferenças sociais, nem permite transferir diretamente uma conclusão de Taiwan para o Brasil. Ele coloca em foco uma pergunta relevante: o que acontece com a leitura dos resultados quando, além do estudante, consideramos o ambiente escolar? Para o professor, essa distinção ajuda a evitar julgamentos apressados sobre indivíduos ou escolas com base em uma pontuação isolada.

O jeito de medir e o modelo de análise mudam a leitura

Um estudo que analisou dados do TIMSS comparou modelos lineares mistos e técnicas de aprendizado de máquina para investigar fatores associados ao desempenho em matemática. Em todos os métodos, predisposição para a matemática e fatores emocionais foram os principais preditores. Os modelos apresentaram variações no tamanho do efeito atribuído à origem dos estudantes; o gênero teve impacto insignificante na análise. Os métodos de aprendizado de máquina foram competitivos em previsão e flexibilidade, com resultados ligeiramente superiores em algumas métricas preditivas citadas no resumo, enquanto os modelos lineares mistos continuaram oferecendo uma abordagem reconhecida (Guler, 2025).

Para professores, o ponto não é escolher um algoritmo, mas entender que métodos diferentes podem destacar aspectos diferentes dos mesmos dados. Se uma conclusão depende de uma forma específica de modelar estudantes agrupados em escolas, é prudente tratá-la como uma leitura analítica, não como verdade automática sobre cada aluno. O estudo também reconhece a possibilidade de viés relacionado a respostas autorrelatadas.

Outro trabalho aborda uma questão anterior à interpretação: como sintetizar resultados de avaliações internacionais sobre pensamento criativo. Os autores apresentam orientações para aplicar meta-análises aos dados da avaliação de pensamento criativo do PISA, discutindo desafios de combinar construtos, medidas e conjuntos de dados. O texto não relata um novo resultado sobre o desempenho dos estudantes; seu foco é orientar pesquisadores na síntese de relações bivariadas e multivariadas e no tratamento da complexidade computacional (Said-Metwaly, 2025).

Esse estudo lembra que até uma comparação entre pesquisas exige cuidado: se cada investigação define ou mede uma ideia de modo diferente, juntar resultados sem atenção pode gerar uma síntese enganosa. Na sala, o paralelo é simples: antes de comparar resultados de duas atividades, vale perguntar se elas pediam a mesma coisa, nas mesmas condições e com critérios compatíveis.

Respostas certas não mostram todo o percurso

Com dados do PISA, uma pesquisa sobre investigação científica em plataformas digitais examinou arquivos de registro que capturam as ações realizadas pelos estudantes durante a avaliação. Em vez de olhar apenas para o produto final, os dados de processo permitem observar sequências de ações. Os dois exemplos apresentados exploraram a coordenação de múltiplas variáveis e a articulação entre teoria e evidências. Os resultados indicaram dificuldades frequentes em tarefas complexas de investigação, especialmente no raciocínio com várias variáveis e na elaboração de explicações científicas (Teig, 2024).

Esse tipo de evidência é diferente de uma nota final. Imagine, como aplicação, que dois estudantes cheguem à mesma resposta: um testa hipóteses de forma organizada; o outro chega ao resultado por tentativa e erro. Uma avaliação que registra apenas a resposta pode não distinguir os percursos. O estudo sugere o potencial analítico de observar processos em ambientes digitais, mas não implica que toda atividade deva ser digital ou que o registro de cada ação seja necessário para ensinar.

O tema também aparece em pesquisas que investigam o que estudantes aprendem fora da escola. Uma análise de dados do PISA 2018 de seis contextos — Tailândia, Cazaquistão, Grécia, Coreia, Hong Kong e Irlanda — formulou perguntas sobre a relação entre nível socioeconômico, participação em diferentes tipos de instrução adicional e desempenho em matemática e ciências. O estudo distingue recuperação, aprofundamento e instrução sobre habilidades de estudo. O resumo disponível descreve as perguntas e o desenho da investigação, mas não traz os resultados finais; por isso, não é possível afirmar qual modalidade se associou a melhores resultados (Wang, 2024).

Essa distinção é importante para o professor: uma pergunta de pesquisa não é um achado. O trabalho coloca em pauta como aulas particulares e outras formas de instrução adicional podem se relacionar a desigualdades, mas não autoriza concluir que reforço sempre aumenta notas ou que reproduz desigualdades em todos os países. A investigação considera estudantes de 15 anos e contextos específicos, não todas as etapas escolares.

Indicadores ajudam, mas não equivalem à qualidade da escola

Ao discutir inspeções escolares, uma pesquisa analisa argumentos a favor e contra o uso de dados quantitativos contextuais. Esses dados podem oferecer informações objetivas sobre resultados importantes, mas sua utilidade é limitada por fatores como ausência de dados, amostras pequenas, incentivos perversos e medidas disponíveis que nem sempre correspondem à qualidade da escola. O texto discute como o órgão de inspeção da Inglaterra, Ofsted, equilibra vantagens e desvantagens; suas práticas não são regras brasileiras (Jerrim, 2024).

Para a equipe escolar, o alerta é concreto: um indicador pode ser útil sem ser suficiente. Se uma medida se torna a única meta, podem surgir incentivos para priorizar aquilo que é contado, deixando de lado dimensões importantes que não aparecem no número. Uma leitura cuidadosa pergunta de onde veio o dado, o que ele mede, quem não está representado e qual decisão se pretende tomar com ele.

Estudos sobre avaliação em larga escala também investigam a infraestrutura necessária para processar grandes volumes de respostas. Uma pesquisa propõe um algoritmo paralelo de “dividir para conquistar” para acelerar a estimação de parâmetros em modelos de Teoria de Resposta ao Item, preservando a precisão sob determinadas condições. A abordagem foi validada com dados reais do PISA. O foco é computacional: o trabalho não apresenta uma recomendação pedagógica para interpretar a nota de uma turma (Xu, 2024).

Outro estudo analisou experiências de estudantes com métodos de pagamento on-line e competências de letramento financeiro, usando dados da avaliação de letramento financeiro do PISA 2018. No resultado geral, a variável de interesse não teve impacto significativo no desempenho da amostra. Ao examinar interações com outros indicadores, porém, os autores observaram influência positiva evidente entre estudantes em maior desvantagem socioeconômica. O resultado mostra por que uma média geral pode ocultar relações que aparecem em grupos específicos; não prova que a experiência com pagamentos on-line cause, por si só, aprendizagem financeira (Cordero, 2025).

Definições claras evitam conclusões estreitas

Uma pesquisa com 4.910 estudantes gregos de 15 anos analisou dados do PISA 2015 para investigar fatores associados às expectativas de carreira em STEM. Os autores usaram uma definição ampla, que inclui profissões de saúde e medicina, e uma definição restrita, que as exclui. Prazer com ciência, motivação instrumental, interesse por temas científicos abrangentes e desempenho em ciências estiveram associados às expectativas de carreira nas duas abordagens. Outros fatores apareceram apenas em uma delas: condição econômica, social e cultural na definição ampla; gênero e motivação para o desempenho na restrita (Pagkratidou, 2025).

O estudo não avalia uma prova escolar, mas ajuda a compreender um princípio importante para analisar dados: o que se inclui numa categoria altera as conclusões. Quando duas pesquisas usam definições diferentes de STEM, por exemplo, seus resultados não são automaticamente comparáveis. Na prática, também é útil explicitar o que uma atividade considera evidência de domínio, interesse ou participação, em vez de supor que todos os critérios são óbvios.

Quais estudos analisaram avaliações e dados em outros países?

A tabela resume os dez estudos discutidos. Alguns relatam resultados empíricos; outros investigam métodos ou apresentam orientações. Essa diferença importa: nem todos respondem à pergunta “o que melhorou o desempenho?”, e os contextos citados não devem ser tratados como retratos do Brasil.

O que os estudos têm em comum e onde divergem?

O ponto comum mais forte é que desempenho não aparece como resultado isolado de uma única característica. As pesquisas relacionam resultados a fatores individuais, emocionais, familiares e escolares, ou mostram que a forma de registrar e analisar as respostas modifica aquilo que se consegue enxergar. Isso não quer dizer que todos os fatores tenham o mesmo peso, nem que uma associação observada prove causa e efeito.

Também há um acordo prático sobre a necessidade de interpretar medidas com contexto. O trabalho sobre inspeções explicita limites dos indicadores; o estudo de Taiwan considera fatores da escola junto à origem familiar; e a análise canadense reúne variáveis individuais e ambientais. Já os dados de processo exploram uma dimensão distinta: como o estudante age durante a tarefa, não apenas qual pontuação alcança.

As divergências não são necessariamente contradições. Os estudos usam populações, avaliações, perguntas e métodos diferentes. O peso de um fator pode variar conforme o modelo; a definição ampla ou restrita de STEM muda quais associações aparecem; e o trabalho sobre instrução adicional, conforme o resumo disponível, deixa sem resposta seus resultados empíricos. A pesquisa sobre meta-análise reforça que sintetizar medidas e construtos diferentes exige escolhas metodológicas explícitas.

Continuam em aberto questões relevantes para a prática: como transformar padrões de grandes bases em decisões pedagógicas adequadas a uma turma específica? Que evidências adicionais ajudam a explicar uma pontuação? E como garantir que indicadores orientem apoio, em vez de criar comparação simplista ou incentivos para ensinar apenas o que é medido? Os estudos não fornecem uma receita única, mas ajudam a formular essas perguntas com mais precisão.

Como aplicar essas ideias na sala de aula?

Uma aplicação possível é tratar o resultado de uma avaliação como ponto de partida para investigar a aprendizagem, e não como veredito sobre o estudante. As ideias abaixo são sugestões de uso inspiradas pelos temas dos estudos; não são intervenções testadas ou recomendações diretamente comprovadas por essas pesquisas.

1. Separe o resultado observado da explicação que você ainda precisa investigar

Aplicação: depois de uma prova, registre primeiro o padrão visível — por exemplo, muitas respostas incompletas numa questão que pede justificativa — e só então levante hipóteses. Imagine uma turma de 7º ano em que vários estudantes acertam o cálculo, mas não explicam o raciocínio. Em vez de concluir que “não sabem matemática”, o professor pode propor uma breve conversa ou uma atividade de explicação para identificar o que está faltando. A diferença entre evidência e hipótese evita atribuir uma dificuldade a uma causa sem verificá-la.

2. Observe o percurso, não somente a resposta final

Aplicação: numa investigação de ciências, peça aos estudantes que anotem quais variáveis alteraram e por que fizeram cada escolha. Numa atividade digital, se a plataforma permitir e isso for adequado, observe a sequência de tentativas; numa atividade sem tecnologia, uma explicação oral ou um rascunho pode cumprir função semelhante. Imagine que duas respostas finais coincidam, mas os percursos sejam diferentes: conversar sobre as estratégias pode revelar quem testou uma hipótese e quem chegou ao resultado ao acaso. Isso amplia a evidência disponível sem exigir uma ferramenta específica.

3. Combine o desempenho com perguntas sobre a experiência de aprender

Aplicação: após uma atividade de matemática, convide a turma a indicar, com uma pergunta breve, o que pareceu mais difícil ou quanta confiança sentiram ao resolver. Se uma estudante teve resultado baixo e também relata muita ansiedade, isso não prova que a ansiedade causou o resultado, mas oferece uma pista para uma conversa e para planejar uma nova oportunidade de resolução. A sugestão dialoga com estudos que analisam fatores emocionais e autoeficácia, sem transformar esses conceitos em rótulos individuais.

4. Procure padrões entre atividades antes de definir uma dificuldade persistente

Aplicação: compare evidências de mais de uma tarefa que mobilize o mesmo tipo de raciocínio, mas evite tratar atividades diferentes como se fossem equivalentes. Por exemplo, uma turma pode ter dificuldade para coordenar variáveis em uma investigação; o professor pode observar novamente esse processo em uma experiência curta e em uma explicação escrita. Se o padrão reaparecer, há base mais consistente para planejar apoio. Se não aparecer, talvez a primeira tarefa tivesse uma exigência específica que interferiu no desempenho.

5. Considere o contexto sem presumir a história de cada estudante

Aplicação: se um resultado parece variar entre grupos ou estudantes, pergunte que condições de participação e acesso podem ser relevantes, sem concluir que conhece a situação familiar de alguém. Imagine uma atividade que exige acesso prévio a determinado recurso: antes de comparar respostas, o professor pode verificar se todos tiveram oportunidade de se familiarizar com ele. Os estudos sobre origem familiar e letramento financeiro mostram que relações com o desempenho podem depender de fatores de contexto e de interações, mas não autorizam inferências individuais a partir de uma pontuação.

6. Defina com clareza o que a avaliação pretende medir

Aplicação: antes de usar um resultado, explicite o que conta como evidência de aprendizagem naquela atividade. Se a proposta avalia uma explicação científica, por exemplo, diferencie a precisão da resposta e o uso de evidências para justificá-la. Essa clareza facilita a devolutiva e evita comparar resultados construídos a partir de critérios diferentes. A pesquisa sobre expectativas STEM mostra que até a definição de uma categoria pode mudar quais associações aparecem; na escola, critérios explícitos também ajudam estudantes a entender o que estão tentando demonstrar.

7. Use indicadores para abrir conversa, não para encerrar a avaliação

Aplicação: se a equipe acompanha resultados de avaliações, combine a leitura dos números com produções dos estudantes, observações e informações sobre as condições da atividade. Imagine que uma escola perceba desempenho baixo num conjunto de questões: a equipe pode investigar se o padrão aparece também nas tarefas da sala e ouvir os docentes sobre as estratégias já trabalhadas. Essa combinação é uma escolha de aplicação, não uma fórmula comprovada pelos estudos. A cautela responde ao alerta de que medidas quantitativas podem deixar aspectos importantes de fora.

O que muda quando trazemos esses estudos para o contexto brasileiro?

O primeiro cuidado é reconhecer que os estudos tratam de contextos distintos: Canadá, Grécia e Taiwan aparecem em análises nacionais, enquanto outros trabalhos usam dados do PISA ou do TIMSS, discutem a Inglaterra ou reúnem seis contextos específicos. Diferenças de organização escolar, condições sociais, instrumentos e populações impedem aplicar automaticamente uma conclusão à escola brasileira. Uma associação observada em estudantes de 15 anos, por exemplo, não descreve necessariamente crianças da educação infantil ou do ensino fundamental.

O segundo cuidado é não importar políticas como se fossem brasileiras. O estudo sobre inspeções discute o Ofsted, órgão da Inglaterra; ele serve como exemplo de debate sobre vantagens e riscos de indicadores, não como descrição das regras de avaliação no Brasil. Do mesmo modo, resultados de Taiwan sobre fatores escolares e origem familiar ajudam a formular perguntas, mas não determinam o que ocorre em redes brasileiras.

Para adaptar as ideias, o professor pode partir do que está ao alcance: definir o objetivo da avaliação, observar padrões em tarefas realizadas na própria turma e buscar informações adicionais antes de atribuir uma causa. Se os dados de uma escola indicam uma dificuldade, a pergunta útil não é apenas “qual foi a média?”, mas também “que tarefa produziu esse resultado?”, “que processos os estudantes usaram?” e “que outras evidências temos?”. Essa abordagem não substitui avaliações externas; dá a elas uma interpretação mais situada.

Também é importante preservar a diferença entre associação e causalidade. Os estudos apresentados analisam relações em bases de dados, aplicam modelos e, em alguns casos, exploram interações. Isso não significa que uma variável isolada seja a causa do desempenho ou que uma ação simples reproduza o resultado em outro lugar. No cotidiano brasileiro, dados podem orientar perguntas e apoiar decisões pedagógicas, mas precisam ser lidos junto ao conhecimento sobre a turma, sem transformar comparações internacionais em metas individuais.

Quais são os limites desta leitura dos estudos?

Este artigo se baseia nos resumos de dez estudos recentes, não na leitura integral dos trabalhos. Por isso, apresenta apenas as perguntas, os métodos e os resultados informados nesses resumos. Em alguns casos, como o estudo sobre instrução adicional, o resumo descreve a investigação, mas não apresenta os resultados finais; não é possível completar essa lacuna por inferência. Também não foram acrescentados números, conclusões ou recomendações que não estivessem nas descrições fornecidas.

Ficam abertas perguntas sobre como cada variável foi operacionalizada, quais detalhes dos instrumentos e das análises ajudam a interpretar os resultados e em que medida as conclusões se aplicam a outras etapas ou contextos. Para tomar decisões de política, comparar redes, avaliar uma intervenção específica ou compreender limitações metodológicas em profundidade, faz sentido consultar o estudo completo. Para uma decisão imediata em sala, também é necessário reunir evidências locais, porque dados internacionais não substituem a observação direta da turma.

Como o GeraProva pode ajudar com avaliações e análise de dados?

O GeraProva pode apoiar o planejamento de provas e atividades, criando instrumentos que ajudem o professor a recolher evidências do que a turma compreendeu. A ferramenta não interpreta automaticamente todos os fatores envolvidos no desempenho nem substitui a análise docente: cabe ao professor definir objetivos, revisar as questões e usar os resultados com contexto. Conheça o gerador de provas do GeraProva e faça seu cadastro grátis.

Perguntas frequentes sobre avaliação de desempenho e análise de dados

Uma nota de prova mostra tudo o que um estudante sabe?

Não. Uma nota resume o desempenho numa avaliação específica, mas não mostra necessariamente todo o percurso usado para chegar à resposta ou os fatores que influenciaram o resultado. O estudo de Teig (2024), por exemplo, analisa dados de processo em tarefas digitais e relata que observar ações pode revelar estratégias que a resposta final não mostra. Isso não torna a nota inútil: ela é uma evidência, que pode ser combinada com produções, explicações e observações do professor para construir uma leitura mais completa.

Os estudos provam que ansiedade causa baixo desempenho em matemática?

Não é isso que os resumos permitem afirmar. O estudo com dados canadenses do PISA 2022 identifica ansiedade matemática entre os fatores que predizem desempenho em matemática e ciências, e a análise do TIMSS aponta fatores emocionais entre os principais preditores de desempenho em matemática. Um fator preditor ou associado não demonstra, por si só, que ele seja a causa do resultado de cada estudante. Na sala de aula, pode ser uma pista para observar e conversar, sem transformar uma associação estatística em diagnóstico individual.

Posso usar os resultados de outros países diretamente na minha turma?

É melhor usar esses estudos para formular perguntas, não para presumir que o resultado se repetirá no Brasil. As pesquisas tratam de contextos diferentes: há estudantes canadenses, gregos e taiwaneses, além de análises internacionais e uma discussão sobre inspeções na Inglaterra. As etapas escolares, as condições sociais e os instrumentos também variam. Uma aplicação prudente é verificar se uma ideia parece pertinente à sua turma e recolher evidências locais antes de orientar uma decisão. Os resultados internacionais oferecem referências, não uma regra pronta para cada escola.

Dados de processo são melhores do que uma prova com respostas certas e erradas?

Não necessariamente: eles respondem a perguntas diferentes. Uma pontuação pode resumir o resultado alcançado; dados de processo podem mostrar a sequência de ações durante uma tarefa, como explorações e tentativas. O estudo de Teig (2024) mostra o potencial dessa análise em avaliações digitais de investigação científica, especialmente para examinar raciocínio com múltiplas variáveis e explicações. Nem toda atividade precisa registrar cada ação, e dados de processo não substituem automaticamente outros instrumentos. A escolha depende do que o professor quer observar e dos recursos disponíveis.

Os estudos indicam que aulas particulares melhoram o desempenho?

O resumo do estudo de Wang (2024) apresenta perguntas sobre participação em modalidades de instrução adicional — recuperação, aprofundamento e habilidades de estudo — e sua relação com matemática e ciências em seis contextos. Porém, não informa os resultados finais. Portanto, com base nesta fonte, não se pode dizer quais modalidades se associaram ao desempenho nem concluir que aulas particulares melhoram resultados em todos os casos. O estudo levanta também uma questão sobre nível socioeconômico e acesso à instrução fora da escola, mas essa preocupação não substitui a apresentação de um achado empírico.

O que significa dizer que indicadores não medem toda a qualidade de uma escola?

Significa que um indicador quantitativo registra certos aspectos, mas pode deixar outros de fora. O estudo de Jerrim e Jones (2024) discute limitações como ausência de dados, amostras pequenas, incentivos perversos e medidas disponíveis que não correspondem necessariamente à qualidade escolar. Um resultado pode ser informativo e ainda assim incompleto. Para o professor, a consequência prática é não tratar um número como avaliação total do trabalho da escola: convém perguntar o que foi medido, quais condições influenciaram o resultado e que outras evidências são necessárias antes de decidir.

Referências dos estudos sobre avaliações e dados educacionais

1. Abroampah, Doris; Cui, Ying; Gierl, Mark (2025). Investigação dos preditores do desempenho dos estudantes em STEM por meio de técnicas de mineração de dados educacionais (Investigating Predictors of Student Performance in STEM Using Educational Data Mining Techniques). Canadian Journal of Science, Mathematics and Technology Education. Link.
2. Said-Metwaly, Sameh; Fernández-Castilla, Belén; Van den Noortgate, Wim (2025). Meta-análise dos dados da avaliação do pensamento criativo do PISA: um guia para pesquisadores da criatividade (Meta-Analysis of PISA Creative Thinking Assessment Data: A Guide for Creativity Researchers). Journal of Creative Behavior. Link.
3. Pagkratidou, Marianna; Michaelides, Michalis P.; Pitsia, Vasiliki; Karakolidis, Anastasios (2025). Fatores associados às expectativas de carreira em STEM de estudantes gregos de 15 anos (Factors Associated with STEM Career Expectations of Greek 15-Year-Old Students). Journal for STEM Education Research. Link.
4. Cordero, José Manuel; Mateos-Romero, Lucía (2025). Explorando a relação entre as experiências dos estudantes com métodos de pagamento on-line e as competências financeiras por meio de uma abordagem bayesiana não paramétrica (Exploring the Relationship between Students' Experiences with Online Payment Methods and Financial Competencies Using a Bayesian Nonparametric Approach). Large-scale Assessments in Education. Link.
5. Guler, Burcu Koca; Yavuz, Fulya Gokalp (2025). Mineração de dados sobre os fatores fundamentais que influenciam o desempenho em matemática: perspectivas tradicionais e modernas (Data Mining on the Fundamental Factors Influencing Mathematics Achievement: Traditional and Modern Perspectives). European Journal of Education. Link.
6. Tsou, Tzung-Ruei (2024). Origem Familiar, Escolarização e Desempenho Acadêmico: Taiwan como Caso Ilustrativo (Family Background, Schooling, and Academic Achievement: Taiwan as an Illustrative Case). SAGE Open. Link.
7. Teig, Nani (2024). Desvelando estratégias de estudantes para resolver tarefas de investigação científica: contribuições dos dados de processo dos estudantes no PISA (Uncovering Student Strategies for Solving Scientific Inquiry Tasks: Insights from Student Process Data in PISA). Research in Science Education. Link.
8. Jerrim, John; Jones, Alex (2024). Pontos fortes e limitações do uso de dados quantitativos para subsidiar as inspeções escolares (The Strengths and Limitations of Using Quantitative Data to Inform School Inspections). School Effectiveness and School Improvement. Link.
9. Wang, Xue (2024). Desigualdade na sombra? Comparações internacionais dos efeitos da instrução adicional no desempenho em matemática e ciências com base nos dados do PISA 2018 (Inequality in the Shadow? Cross-National Comparisons of the Effects of Additional Instruction on Math and Science Performance Based on PISA 2018 Data). Society for Research on Educational Effectiveness. Link.
10. Xu, Sainan; Lu, Jing; Zhang, Jiwei; Wang, Chun; Xu, Gongjun (2024). Otimização da avaliação educacional em larga escala com uma estratégia de “dividir para conquistar”: inferência bayesiana distribuída rápida e eficiente em modelos da Teoria de Resposta ao Item (Optimizing Large-Scale Educational Assessment with a "Divide-and-Conquer" Strategy: Fast and Efficient Distributed Bayesian Inference in IRT Models). Grantee Submission. Link.

Se alguma dessas perguntas conversa com o que você observa na sua turma, escolha uma evidência para olhar com mais atenção na próxima avaliação — e conte com calma o que ela revela para você.