Uso de Machine Learning e Variáveis Socioeconômicas na Previsão de Desempenho do ENEM: potencialidades, limites e implicações éticas

Resumo

Este artigo apresenta o resultado de uma pesquisa que treinou modelos de machine learning para predizer se estudantes do ENEM ficariam abaixo da média nacional, utilizando exclusivamente variáveis socioeconômicas. No treinamento do modelo foram utilizados microdados do ENEM 2023, submetidos a procedimentos de limpeza e organização, bem como à construção de variáveis mais explicativas a partir de variáveis originais. Modelos de referência foram comparados a algoritmos de gradient boosting, com destaque para CatBoost e XGBoost, incluindo versões enriquecidas com embeddings semânticos. Os resultados indicam boa capacidade de identificação de estudantes em situação de maior risco de baixo desempenho, com desempenho preditivo consistente para esse tipo de tarefa, com F1-score em torno de 0,76. Em vez de apoiar decisões individuais, os resultados são interpretados de forma agregada, como indicadores de desigualdades estruturais associadas a fatores como renda, raça/cor, tipo de escola, gênero e território. O artigo discute as potencialidades e os limites do uso desses modelos no planejamento educacional e apresenta considerações éticas relacionadas à governança, equidade e transparência no uso de tecnologias preditivas em políticas públicas.