Uma lista de prioridade por estado, para decidir onde apoiar primeiro — construída só com o que já se sabia, testada contra o que de fato aconteceu depois, e honesta sobre onde a resposta ainda não é confiável.
Este painel aponta, antes do resultado sair, quais municípios têm mais chance de não bater a meta de alfabetização — para ajudar a decidir onde apoiar primeiro. Para provar que isso funciona de verdade e não é sorte, testamos a previsão contra o que realmente aconteceu em 2025, sem deixar o modelo "ver" esse resultado antes de prever. Onde ele provou acertar mais que um método simples, o painel usa o modelo. Onde não provou — ou provou o contrário —, o painel avisa e usa o método mais simples e confiável em vez de fingir uma certeza que os dados não sustentam.
Uma nota de 0 a 1 que estima a chance de o município ficar abaixo da meta no próximo ciclo, calculada só com o que já se sabia até o ano anterior — sem espiar o resultado real.
Meta de alfabetização de cada município, definida pelo Plano de Metas do Compromisso Nacional Criança Alfabetizada. Ela sobe a cada ano, então comparar direto com a taxa do ano anterior engana.
Ordenar os municípios só pela taxa do ano anterior, numa direção fixa. Em alguns estados "quem estava melhor falha mais" (efeito estatístico de regressão à média); em outros é o contrário (a meta satura e protege quem já está no topo). O modelo só se justifica se apontar risco melhor que este método, que é de graça.
Se pegarmos dois municípios ao acaso — um que ficou abaixo da meta e outro que não —, o "acerto" é a chance de o modelo apontar corretamente qual dos dois estava em mais risco. 50% é o mesmo que sortear; perto de 100% é acerto quase sempre. (Estatísticos chamam isso de AUC.)
O modelo foi treinado só com dados até 2024 e usado para prever 2025 sem nunca ver esse resultado — depois comparamos a previsão com o que de fato aconteceu. É a evidência mais forte de que a previsão funciona fora do laboratório. (Também chamado de backtest prospectivo.)
A vantagem medida entre modelo e método simples nunca é um número exato — é uma faixa. Se essa faixa cruza o zero, não dá para afirmar que um é melhor que o outro; é o caso dos estados em que o painel se abstém. (Estatísticos chamam isso de IC95%.)
Este painel não permite comparação entre estados — de propósito. As avaliações são aplicadas pelos próprios estados, e a variação estadual entre anos chega a 20 pontos percentuais. Ordenar municípios de UFs diferentes na mesma escala compara réguas de prova distintas, não desempenho educacional. Também não serve para decisão sobre um aluno: é priorização municipal para orientar busca ativa e alocação de apoio, nunca para negar direito ou rotular uma criança.
Imagine a equipe da Secretaria de Educação do Amazonas — um dos 14 estados onde o modelo comprovadamente ajuda — decidindo, no início do ano, para quais municípios enviar equipe de busca ativa e reforço pedagógico primeiro, com orçamento para visitar só uma parte deles.
Decisões completas em docs/adr/0002-modelo-final-validacao-temporal-e-tratamento-caderno.md, reports/decisao_produto_pos_backtest_2025.md e reports/diagnostico_ufs_inconclusivas.md.
Leitura: antes de o resultado de 2025 sair, o modelo já apontava Coari com risco 0,89 — a nota mais alta do estado, praticamente o teto da escala. Isso foi calculado só com o que já se sabia: em 2024 apenas 33,0% dos alunos estavam alfabetizados, bem abaixo da meta de 52,0% fixada para 2025. O resultado real confirmou o alerta: a taxa fechou em 37,0%, 15 pontos percentuais abaixo da meta. É esse tipo de acerto, repetido centenas de vezes no Brasil todo, que soma os 65,3% de acerto do modelo citados acima — e é por isso que, num estado como o Amazonas, vale a pena confiar na ordem que a tabela sugere.
| # | Município | Risco previsto | Taxa 2024 | Meta 2025 | Taxa 2025 | Resultado real |
|---|
Clique no cabeçalho de uma coluna para reordenar a tabela (crescente/decrescente). Clique de novo para inverter.