Para o Programa Jovem de Futuro, o Plano de Ação é um instrumento de trabalho norteador das atividades previstas no Circuito de Gestão, de modo a contribuir para mitigar os desafios identificados e priorizados pela equipe gestora e comunidade. Em outras palavras, ele mostra aonde se quer chegar e como. E um bom planejamento para o aprimoramento contínuo da gestão é condição necessária para promover a melhoria da aprendizagem dos estudantes e a redução das desigualdades educacionais nas escolas públicas de Ensino Médio.  

Devido à sua importância estratégica para o Programa Jovem de Futuro, profissionais de Apoio ao Circuito de Gestão (ACG) e gestores escolares estão em constante diálogo sobre os planos produzidos. Uma das ferramentas para isso são as Devolutivas dos Planos de Ação, elaboradas com o objetivo de promover reflexões sobre potenciais incrementos na qualidade que terão impacto no alcance da meta pactuada e, consequentemente, na implementação do Circuito de Gestão. 

A contribuição da Ciência de Dados para as Devolutivas  

Um Plano de Ação de qualidade deve ser participativo, equânime, inovador, com altas expectativas e respeito pelos contextos diversos. É preciso estar atento para que ações não reproduzam – ou até mesmo aprofundem – as desigualdades sociais entre os estudantes. Ele é um instrumento “vivo”, ou seja, em constante atualização para uma Gestão Escolar para Resultados de Aprendizagem que reflita o contexto da comunidade escolar. 

Com o intuito de apoiar a análise da consistência e aderência dos planos, o Laboratório de Dados desenvolveu, em parceria com o professor Pedro Costa Ferreira (FGV), um projeto de ciência de dados para entregar, de maneira automatizada, as Devolutivas dos Planos de Ação. No protótipo, ainda em caráter experimental de pesquisa, os planos são inseridos em um dashboard e as dimensões do mapa de ação e do plano como um todo são analisadas com base em indicadores de qualidade e critérios previamente definidos. 

Método heurístico

Os Planos de Ação são avaliados a partir de estudos prévios com base em um método heurístico, ou seja, que usa um conjunto de regras básicas para fazer um filtro inicial dos dados. Foi utilizada uma matriz de indicadores que contemplam diferentes dimensões indicativas de qualidade, descritas abaixo. Foi definida, ainda, uma variável de sucesso com base no histórico de planos de ação. A nota final atribuída ao plano é o resultado da agregação das notas geradas por dimensões da análise. 

A análise do Plano de Ação é feita por mapa de ação e para o plano como um todo, conforme os seguintes critérios: 

Análise por Mapa de Ação do Plano
1. Articulação entre categoria, componente e causa
Existe articulação nos elementos escolhidos para categoria, componente e causa? 
2. Causa como raiz do problema
A causa identifica a raiz do problema? 
3. Possibilidade de impacto da ação na causa 
A descrição da ação projeta uma possibilidade efetiva de se atuar no problema indicado pela causa? 
4. Relação entre ação, causa e resultado esperado
A descrição da ação aponta a possibilidade efetiva de o resultado esperado ser alcançado? O resultado esperado indica impacto sobre a causa? O resultado esperado está sub ou superestimado, considerando também o tempo da aprendizagem? O resultado esperado necessita de indicação viável da sua mensuração?  
5. Definição do produto
O produto reflete a entrega da ação e determina sua quantidade?  6.Sequência de tarefas e relação com o tempo
O registro das tarefas está organizado em sequência temporal, com encadeamento lógico e revelando o que será realizado? O intervalo proposto para a realização de cada tarefa (datas de início e término) é adequado para o desenvolvimento destas? A sequência de tarefas, considerando também o prazo, permite alcançar o resultado esperado?  

Análise do Plano de Ação como um todo
1. Ações 
1.1. Ações propostas e as práticas escolares cotidianas
As ações propostas reforçam práticas escolares já existentes sem efetividade (“mais do mesmo”)? Os componentes críticos foram contemplados com ações?  

1.2. Ações diversificadas
O Plano apresenta ações diversificadas? 

2. Indicadores estruturantes 
As ações são capazes de melhorar os indicadores estruturantes (frequência, aulas dadas e notas dos estudantes)?  

3. Responsáveis
Existe uma distribuição equilibrada entre as ações/tarefas e seus responsáveis? 

4. Participação
4.1. Participação mais autônoma e ativa 
As ações buscam envolver as pessoas (professores, estudantes, comunidade) de forma mais autônoma e mais participativa? 
4.2. Preocupação com a participação ativa dos estudantes
Há nos mapas de ação preocupação com a participação ativa dos estudantes como sujeitos da aprendizagem?  

Citando Starr (1971), Landmann (2005) afirma que as vantagens do método heurístico são consistência, rapidez e a habilidade de lidar com muitos dados e sistemas amplos.  

A pesquisa pretende utilizar, em outra etapa, aprendizagem de máquina ou machine learning, para que o sistema aprenda com o conjunto de dados que vão sendo inseridos no dashboard, e entregue probabilidades de gradações que possam contribuir para as avaliações dos planos. Deste modo, será possível inserir o plano de ação em uma planilha e ter, de maneira automática, indicadores de pontos de melhorias. “É um projeto de pesquisa ousado, com desafios de modelagens, de avaliação dos planos, de sensibilização dos envolvidos, mas que pode contribuir consideravelmente com a leitura e análise de algo em torno de 15 mil Planos de Ação”, resume Pedro Costa Ferreira, pesquisador da FGV que está atuando com o Laboratório de Dados neste projeto de pesquisa. Ele é atualmente superintendente de inovação e mercados (FGV IBRE), professor de Econometria de Séries Temporais e Estatística e coordenador do curso de Big Data e Data Science. 

Referências

LANDMANN, Raul. Um modelo heurístico para a programação da produção em fundições com utilização da Lógica Fuzzy. 2005.  Disponível em: https://core.ac.uk/download/pdf/30382718.pdf. Acesso em 9/2/21.

STARR, Martin K. Administração da produção – sistemas e sínteses. São Paulo: Edgard Blücher, 1971. 

GLOSSÁRIO DE CIÊNCIA DE DADOS E INTELIGÊNCIA GEOGRÁFICA 

ENTENDA MELHOR OS TEMAS QUE ESTÃO RELACIONADOS A ESSE CONTEÚDO. 

Algoritmo:  É uma sequência de instruções para realizar um cálculo ou resolver uma classe de problemas. Ou seja, ele é um conjunto de passos elementares que são aplicados sistematicamente até que a solução seja atingida.  

Inteligência Artificial (IA): O termo foi cunhado em 1956 em uma conferência de tecnologia nos EUA. É uma área ampla dentro da Ciência da Computação que está relacionada à capacidade de computadores compreenderem e aprenderem, imitando a inteligência humana. Segundo o jornal NYTimes (https://www.nytimes.com/2018/10/18/business/an-ai-glossary.html), existem diversos tipos de IA: a Inteligência Artificial Explicável (Explainable AI ou X.A.I.), que explica aos operadores humanos os dados utilizados para que ela chegasse a uma conclusão; Inteligência Artificial Fraca (ou Weak AI), que é capaz de executar apenas um determinado número de tarefas; e a Inteligência Artificial Forte (ou Strong AI), que se refere a um sistema hipotético onde uma Inteligência Artificial seria capaz de realizar qualquer tarefa e aprender sobre qualquer habilidade.  

Machine Learning (ou aprendizado de máquina): Sistemas que aprendem com conjuntos de dados para executar e aprimorar uma tarefa específica. Este aprendizado pode ser supervisionado, não supervisionado e por reforço. É um subconjunto da IA.