<h2>Análise de Dados e Interpretação para Gestão de Políticas</h2> <h3>Da análise à decisão</h3> <p>A cadeia entre produção de dados e decisão política é frequentemente rompida. O conceito de <strong>tomada de decisão baseada em evidências</strong> (Evidence-Based Policy Making — EBP) propõe que as decisões de política pública sejam embasadas em evidências científicas robustas, e não apenas em valores, intuições ou pressões políticas. Limitações reconhecidas: políticas públicas raramente são baseadas <em>apenas</em> em evidências — interesses, valores e viabilidade política também pesam.</p> <h3>Construção e validação de indicadores compostos</h3> <p>Indicadores compostos agregam múltiplas dimensões em um único número. Exemplos:</p> <ul> <li><strong>IDH</strong> (Índice de Desenvolvimento Humano — PNUD): combina saúde (esperança de vida), educação (anos de escolaridade) e renda (RNB per capita). Varia de 0 a 1;</li> <li><strong>IDEB</strong>: combina aprovação escolar e proficiência no SAEB;</li> <li><strong>ICV</strong> (Índice de Condições de Vida — IPEA): combina renda, escolaridade, mortalidade infantil e saneamento básico.</li> </ul> <p>A construção de um indicador composto envolve: seleção das dimensões e variáveis; normalização (transformar escalas distintas em escala comum); ponderação (atribuição de pesos); agregação (soma ponderada ou média geométrica).</p> <h3>Análise confirmatória vs. exploratória</h3> <ul> <li><strong>Análise confirmatória (CDA)</strong>: parte de hipóteses pré-definidas e usa testes estatísticos formais para confirmá-las ou refutá-las. Segue um roteiro rígido;</li> <li><strong>Análise exploratória (EDA — Tukey)</strong>: não parte de hipóteses; usa gráficos, visualizações e estatísticas descritivas para gerar hipóteses e descobrir padrões inesperados. Mais flexível e criativa.</li> </ul> <h3>Análise de Big Data em educação e cultura</h3> <p>O uso de Big Data em políticas educacionais e culturais permite:</p> <ul> <li><strong>Educação</strong>: learning analytics (análise de dados de plataformas de EaD para personalizar o ensino); detecção precoce de risco de evasão; mapeamento de desigualdades de acesso;</li> <li><strong>Cultura</strong>: análise de consumo cultural por plataformas de streaming (Spotify, Netflix) para subsidiar políticas de cotas; mapeamento de espaços culturais via geoprocessamento; análise de sentimento em redes sociais para medir engajamento com políticas culturais.</li> </ul> <h3>Apresentação e comunicação de resultados</h3> <p>A comunicação de resultados de análise de dados deve ser adaptada ao público:</p> <ul> <li><strong>Para gestores e formuladores</strong>: linguagem executiva, foco em achados e recomendações, uso de infográficos e dashboards;</li> <li><strong>Para a academia</strong>: linguagem técnica, metodologia detalhada, tabelas e modelos estatísticos;</li> <li><strong>Para o público geral</strong>: linguagem acessível, narrativas com exemplos concretos, visualizações interativas.</li> </ul> <p>O conceito de <strong>data storytelling</strong> (narrativa com dados) combina análise rigorosa com habilidades narrativas para tornar os dados compreensíveis e persuasivos para tomadores de decisão.</p> <h3>Para a prova</h3> <ul> <li><strong>EBP</strong> (Evidence-Based Policy Making): decisão baseada em evidências científicas; mas reconhece que valores e viabilidade política também importam.</li> <li><strong>IDH</strong>: combina saúde + educação + renda; varia de 0 a 1 (PNUD).</li> <li>Análise confirmatória (CDA): parte de hipóteses; análise exploratória (EDA/Tukey): gera hipóteses a partir dos dados.</li> <li><strong>Learning analytics</strong>: análise de dados de plataformas de EaD para personalização e detecção de risco de evasão.</li> <li>Comunicação de dados: adaptar a linguagem ao público (gestores, acadêmicos, cidadãos).</li> </ul>