IA para Pesquisa em Políticas Educacionais

Política educacional não é texto neutro

Olha só: pesquisar políticas educacionais é diferente de pesquisar outros fenômenos educacionais. Uma pesquisa sobre aprendizagem matemática estuda um processo que acontece no aluno. Uma pesquisa sobre política educacional estuda um campo de disputa, onde interesses, ideologias, atores institucionais e conjunturas históricas se confrontam e produzem documentos, normativas, programas e dados.

Isso tem implicações diretas para o uso de IA nessa área. A IA é muito boa em processar texto e identificar padrões. A política educacional muitas vezes importa pelo que não está no texto: pelo que foi retirado de uma lei durante a tramitação, pelo que um indicador deixa de medir, pelo que um programa nomeia como problema e pelo que silencia.

Entender esses silêncios exige contexto histórico e análise política que a IA não tem. O que ela pode fazer é apoiar as etapas mais operacionais da pesquisa, liberando o pesquisador para o trabalho analítico mais denso.

Análise documental com apoio de IA

Pesquisa em políticas educacionais frequentemente trabalha com análise documental: legislação, planos nacionais e estaduais de educação, resoluções do CNE, documentos curriculares como BNCC, relatórios de programas governamentais.

Quando o corpus é grande, a IA pode ajudar em algumas etapas específicas:

Mapeamento de termos. Identificar com que frequência termos específicos aparecem e como sua presença variou ao longo do tempo. Por exemplo, como a palavra “competência” se expandiu nos documentos curriculares brasileiros a partir de determinado período. Essa análise de frequência não é a análise, mas é dado para a análise.

Comparação de versões. Quando você está estudando mudanças de política, comparar a versão de um documento de 2014 com a de 2019 linha a linha seria inviável manualmente para documentos longos. Ferramentas que identificam diferenças entre textos automaticamente tornam esse processo mais eficiente.

Organização de grandes corpora. Quando a pesquisa inclui um grande número de documentos (todos os planos municipais de educação de um estado, por exemplo), a IA pode ajudar na categorização inicial antes da análise aprofundada.

O que a IA não faz nesse processo: decidir quais categorias de análise são relevantes para o problema de pesquisa, interpretar o significado político das escolhas linguísticas dos documentos, ou contextualizar os documentos nas disputas que os produziram.

Dados do INEP e o que a IA pode fazer

O Brasil tem uma infraestrutura de dados educacionais razoavelmente desenvolvida. O INEP disponibiliza microdados do Censo Escolar, do SAEB, do ENADE e de outras avaliações em larga escala. São bases extensas, com variáveis que cobrem desde infraestrutura das escolas até desempenho e perfil socioeconômico dos alunos.

Analisar essas bases exige conhecimento de estatística e de manipulação de dados, mas também pode se beneficiar de ferramentas com componentes de IA: identificação de padrões, segmentação de grupos, análise de fatores associados a determinados resultados.

O cuidado específico com dados educacionais em larga escala: correlação não é causalidade, e isso é especialmente verdadeiro quando as variáveis têm muita interdependência. Uma escola com melhores indicadores pode estar em um município com melhor gestão, melhor nível socioeconômico das famílias, mais recursos, professores mais estáveis e inúmeros outros fatores que covariam. Atribuir o resultado a uma única variável sem controle adequado é um erro que análise com IA não impede e que pode, pelo contrário, facilitar se você não estiver atenta.

Revisão de literatura em políticas educacionais com apoio de IA

Políticas educacionais são uma área com produção acadêmica intensa e dispersa. Artigos em educação comparada, em administração pública, em sociologia da educação, em história da educação e em ciência política todos dialogam com a pesquisa em políticas educacionais. Mapear esse campo é um trabalho considerável.

Ferramentas de mapeamento bibliométrico, como o Bibliometrix (R) ou o VOSviewer, usam algoritmos para visualizar redes de autores, citações e co-citações. Isso ajuda a identificar quem são os autores mais influentes no campo, quais trabalhos são mais citados por quem, e como diferentes subcampos se conectam.

Para pesquisadores em início de carreira, esse tipo de visualização pode ajudar a entender a estrutura intelectual do campo antes de tentar produzir nele. Mas tem uma limitação importante: essas redes refletem o que está indexado nas bases de dados que alimentam a ferramenta. Produção em português fora das bases internacionais pode estar subrepresentada, e a pesquisa crítica que desafia paradigmas dominantes frequentemente tem menos citações do que a que os confirma.

Usar esse mapeamento como ponto de partida é produtivo. Usar como mapa completo do campo é um erro.

Ferramentas de síntese com IA, como o Research Rabbit ou o Elicit, podem ajudar a encontrar artigos por similaridade semântica, indo além das palavras-chave para identificar trabalhos que abordam problemas parecidos com linguagem diferente. Isso é útil para pesquisa em políticas educacionais, onde o mesmo fenômeno pode ser descrito com vocabulários muito distintos dependendo do referencial teórico.

O risco do dado sem contexto

Um risco específico na pesquisa de políticas educacionais com apoio de IA é o que podemos chamar de dado sem contexto: você encontra um padrão nos dados ou nos documentos, mas não o conecta às condições históricas e políticas que o produziram.

Um exemplo: suponha que você está analisando a trajetória de um programa federal de educação integral e identifica, via análise textual, que os documentos do programa mudaram radicalmente de linguagem entre 2016 e 2018. A IA pode detectar essa mudança. Ela não sabe que esse período coincide com uma ruptura política que mudou a orientação do Ministério da Educação. Você precisa saber.

Esse tipo de contextualização exige leitura da literatura especializada em política educacional, conhecimento histórico do período, e às vezes fontes que não estão nos documentos oficiais, como entrevistas com atores do período ou análise da imprensa.

Pesquisa em políticas educacionais que usa IA sem esse arcabouço analítico pode produzir resultados tecnicamente impressionantes e substantivamente superficiais.

O que os programas de educação esperam de uma dissertação em políticas

Uma dissertação sobre políticas educacionais no Brasil, seja num programa de Educação, de Administração Pública ou de Ciências Sociais, costuma ser avaliada por critérios que vão além da análise documental ou quantitativa.

Posicionamento teórico claro. Você está numa perspectiva crítica, num marco neoinstitucional, numa abordagem cognitiva de políticas? Esse posicionamento precisa ser explícito e coerente com as escolhas metodológicas.

Contextualização histórica sólida. Política educacional no Brasil não pode ser estudada sem entender as conjunturas específicas que produziram cada reforma, cada programa, cada mudança na legislação. Isso exige leitura de história da educação, não apenas dos documentos recentes.

Diálogo com a literatura especializada. Existem pesquisadores de referência no campo que precisam aparecer de forma substantiva, não apenas citados de passagem. A banca vai notar se você citou os nomes mas não dialogou com os argumentos.

Quando você usa IA no processo de pesquisa, todas essas expectativas continuam. A IA pode ter ajudado a mapear documentos ou organizar dados. A dissertação precisa mostrar que você entendeu o campo de forma profunda o suficiente para produzir conhecimento novo sobre ele.

IA como parceira da análise crítica, não substituta

A tensão entre análise computacional e análise crítica não é necessariamente um problema. Pode ser uma combinação produtiva, desde que cada uma faça o que faz bem.

A IA faz bem: processar volume, identificar padrões de superfície, comparar textos, organizar corpora, visualizar distribuições.

A análise crítica faz bem: contextualizar historicamente, identificar disputas de poder nos documentos, interpretar silêncios e ausências, articular os achados com a teoria de política educacional.

Quando você usa as duas de forma complementar, a pesquisa pode ser mais robusta do que seria usando apenas uma. O problema está em usar a IA para fazer o trabalho que exige análise crítica, não porque a IA vai recusar, mas porque os resultados serão mais fracos.

Se você usa o Método V.O.E. para organizar sua pesquisa, a etapa de Orientação, que define o posicionamento teórico e as escolhas metodológicas, é onde a IA tem menos papel. As etapas de Velocidade e Execução têm mais espaço para ferramentas de apoio.

Para outros textos sobre uso ético e crítico de IA na pesquisa acadêmica, veja os posts da categoria ia-etica e os recursos disponíveis.