Fatores socioeconômicos associados ao desempenho no Enem

Alexandre Jaloto; Ricardo Primi

doi:10.24109/2176-6673.emaberto.34i112.5002

Alexandre Jaloto Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (Inep)
Ricardo Primi Universidade São Francisco (USF) https://orcid.org/0000-0003-4227-6745

DOI: https://doi.org/10.24109/2176-6673.emaberto.34i112.5002

Palavras-chave: avaliação da educação básica; equidade em educação; política da educação

Resumo

Diferenças sociais têm sido associadas a diferenças de desempenho em testes educacionais de larga escala. Estudos com os dados do Exame Nacional do Ensino Médio (Enem) sobre a temática são raros e, por vezes, não incluem algumas variáveis (como o atraso escolar) e não abordam os testes das quatro áreas do conhecimento. Com o objetivo de examinar as variáveis sociais que explicam o desempenho nos quatro testes da edição de 2018, analisamos atraso escolar, sexo, cor/raça, nível socioeconômico (NSE) e a dependência administrativa da escola do aluno. Além de avaliar a associação entre as variáveis e o desempenho, verificamos se o efeito do NSE variava entre escolas. Realizamos uma modelagem por meio de regressão linear multinível. Todas as variáveis se mostraram estatisticamente significativas, porém sua relevância variou. O desempenho dos alunos brancos superou o dos demais em menos de 10,0 pontos; ser de escola privada esteve associado a um aumento de até 83,9 em relação a ser de escola estadual. O efeito do NSE sobre o desempenho variou entre escolas. Há uma persistente desigualdade educacional no Enem.

Downloads

Não há dados estatísticos.

Biografia do Autor

Alexandre Jaloto, Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (Inep)

Doutorando no Departamento de Psicologia da Universidade São Francisco (USF), é psicometrista na Diretoria de Avaliação de Educação Básica (Daeb) do Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (Inep), e atua nas análises das avaliações educacionais em larga escala em âmbito nacional.

alexandre.jaloto@inep.gov.br

Ricardo Primi, Universidade São Francisco (USF)

Doutor em Psicologia Escolar e do Desenvolvimento Humano pela Universidade de São Paulo (USP), é professor associado do Programa de Pós- Graduação em Psicologia da Universidade São Francisco e membro do comitê diretivo do EduLab21 Centro de Conhecimento do Instituto Ayrton Senna. É membro da Comissão Assessora de Estatística e Psicometria da Diretoria de Avaliação de Educação Básica (Daeb), do Inep, e do grupo de especialistas em questionários para o Pisa 2021, coordenado pelo Educational Testing Service (ETS).

rprimi@mac.com

Referências

ALVES, M. T. G.; FERRÃO, M. E. Uma década da Prova Brasil: evolução do desempenho e da aprovação. Estudos em Avaliação Educacional, São Paulo, v. 30, n. 75, p. 688-720, jan. 2020.

ALVES, M. T. G.; SOARES, J. F.; XAVIER, F. P. Desigualdades educacionais no ensino fundamental de 2005 a 2013: hiato entre grupos sociais. Revista Brasileira de Sociologia, Porto Alegre, v. 4, n. 7, p. 49-81, jan./jun. 2016.

ANDRADE, J. M.; LAROS, J. A. Fatores associados ao desempenho escolar: estudo multinível com dados do SAEB/2001. Psicologia: Teoria e Pesquisa, Brasília, DF, v. 23, n. 1, p. 33-41, mar. 2007.

ARISTIZABAL, G. C.; CAICEDO, M. C.; PARRA, J. C. M. Factores asociados a la adquisición de competencias en América Latina. Revista de Ciencias Sociales, Maracaibo, Venezuela, v. 23, n. 4, p. 33-52, oct./dic. 2017.

BARBETTA, P. A.; ANDRADE, D. F.; TAVARE.S, H. R. Estudo de fatores associados através de regressão quantílica hierárquica. Estudos em Avaliação Educacional, São Paulo, v. 29, n. 71, p. 320-349, 31 ago. 2018

BATES, D. et al. Fitting linear mixed-effects models using lme4. Journal of Statistical Software, Innsbruck, Austria, v. 67, n. 1, p. 1-48, 2015.

BONAMINO, A. et al. Os efeitos das diferentes formas de capital no desempenho escolar: um estudo à luz de Bourdieu e de Coleman. Revista Brasileira de Educação, Rio de Janeiro, v. 15, n. 45, p. 487-499, dez. 2010.

BRASIL. Lei nº 9.394, de 20 de dezembro de 1996. Estabelece as diretrizes e bases da educação nacional. Diário Oficial da União, Brasília, DF, 23 dez. 1996. Seção 1, p. 27834-27841.

BRASIL. Lei nº 12.711, de 29 de agosto de 2012. Dispõe sobre o ingresso nas universidades federais e nas instituições federais de ensino técnico de nível médio e dá outras providências. Diário Oficial da União, Brasília, DF, 30 ago. 2012. Seção 1, p. 1-2.

BRASIL. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (Inep). Microdados do Enem 2018. Brasília, DF, 2018. Available in: <https://www.gov.br/inep/pt-br/acesso-a-informacao/dados-abertos/microdados/enem>. Acess in: 23 mar. 2021.

BROER, M.; BAI, Y.; FONSECA, F. Socioeconomic inequality and educational outcomes: evidence from twenty years of TIMSS. Cham: Springer International Publishing, 2019. v. 5 Available in: <http://link.springer.com/10.1007/978-3-030-11991-1>. Acess in: 23 mar. 2021.

CHALMERS, R. P. MIRT: a multidimensional item response theory package for the R environment. Journal of Statistical Software, Innsbruck, Austria, v. 48, n. 6, p. 1-29, 2012.

COWAN, C. D. et al. Improving the measurement of socioeconomic status for the national assessment of educational progress: a theoretical foundation. [S.l]: [s.n.], 2012. Available in: <https://nces.ed.gov/nationsreportcard/pdf/researchcenter/Socioeconomic_Factors.pdf>. Acess in: 24 mar. 2021.

GIGNAC, G. E.; SZODORAI, E. T. Effect size guidelines for individual differences researchers. Personality and Individual Differences, v. 102, p. 74-78, Nov. 2016.

GOMES, C. M. A.; AMANTES, A.; JELIHOVSCHI, E. G. Applying the regression tree method to predict students’ science achievement. Trends in Psychology, v. 28, n. 1, p. 99-117, mar. 2020.

KARINO, C. A.; LAROS, J. A. Estudos brasileiros sobre eficácia escolar: uma revisão de literatura. Revista Examen, Brasília, v. 1, n. 1, p. 95-126, 2017.

LAROS, J. A.; MARCIANO, J. L.; ANDRADE, J. M. Fatores associados ao desempenho escolar em Português: um estudo multinível por regiões. Ensaio: avaliação e políticas públicas em educação, Rio de Janeiro, v. 20, n. 77, p. 623- 646, dez. 2012.

R CORE TEAM. R: a language and environment for statistical computing. Vienna, Austria: R Foundation for Statistical Computing, 2019. Available in: <https://www.R-project.org/>. Access in: 25 Oct. 2019.

SAMEJIMA, F. Estimation of latent ability using a response pattern of graded scores. Psychometric Monograph, n. 17, 1969. Available in: <https://www.psychometricsociety.org/sites/default/files/pdf/MN17.pdf>. Acess in: 15 ago. 2018.

SENKEVICS, A. S.; MELLO, U. M. O perfil discente das universidades federais mudou pós-lei de cotas? Cadernos de Pesquisa, São Paulo, v. 49, n. 172, p. 184- 208, abr./jun. 2019.

SIRIN, S. R. Socioeconomic status and academic achievement: a meta-analytic review of research. Review of Educational Research, v. 75, n. 3, p. 417-453, Sept. 2005.

TRAVITZKI, R.; FERRÃO, M. E.; COUTO, A. P. Desigualdades educacionais e socioeconómicas na população brasileira pré-universitária: uma visão a partir da análise de dados do Enem. Arquivos Analíticos de Políticas Educativas, Arizona, USA, v. 24, n. 74, p. 1-32, jul. 2016.

VALENTINI, F. et al. Análise de regressão multinível: exemplo prático. In: SILVA, M. C. R. da et al. (Org.). Aplicações de métodos estatísticos avançados aplicados à avaliação psicológica e educacional. São Paulo: Vetor, 2015. p. 135-152.

VIEIRA, I. S. Oportunidades educacionais no Brasil: o que dizem os dados do Saeb. Estudos em Avaliação Educacional, São Paulo, v. 30, n. 75, p. 748, jan. 2020.

ZWICK, R.; YE, L.; ISHAM, S. Using constrained optimization to increase the representation of students from low-income neighborhoods. Applied Measurement in Education, v. 32, n. 4, p. 281-297, Sept. 2019.