ahpfuzzy/df

APLICAÇÃO DO PROCESSO ANALÍTICO HIERÁRQUICO FUZZY NA AVALIAÇÃO DO PROCESSO DE APRENDIZAGEM NO ENSINO TÉCNICO NO DISTRITO FEDERAL

INTRODUÇÃO A contemporaneidade é marcada por transformações exponenciais impulsionadas, em grande medida, pelos avanços tecnológicos e pela crescente complexidade das interações sociais e econômicas em escala global. Nesse cenário dinâmico, a informação e o conhecimento assumem papéis centrais, reconfigurando paradigmas em diversos setores, com destaque para o campo educacional, que se vê constantemente desafiado a se reinventar para atender às novas demandas formativas e às exigências de um mercado de trabalho em contínua mutação (KANBUL et al., 2022; SHARMA; MEHTA; SHARMA, 2023). A proliferação de dados, oriundos de múltiplas fontes e modalidades, como os gerados em ambientes de aprendizagem online e por meio de tecnologias educacionais, oferece um potencial imenso para a compreensão e o aprimoramento dos processos de ensino e aprendizagem, mas também impõe desafios significativos no que tange à sua coleta, análise e interpretação (MOHAMMADI et al., 2024; ANWAR et al., 2023). A capacidade de transformar esse vasto volume de dados em insights acionáveis para a tomada de decisão pedagógica e administrativa torna-se, portanto, um diferencial estratégico para instituições que buscam a excelência e a relevância. Dentro desse panorama, o Ensino Técnico e Profissional (ETP), ou Technical and Vocational Education and Training (TVET), conforme referenciado por Kanbul et al. (2022) e Derevyanchuk et al. (2025), assume uma importância estratégica para o desenvolvimento socioeconômico de qualquer nação. Ao qualificar jovens e adultos para o exercício de profissões técnicas, o ETP contribui diretamente para o aumento da produtividade, para a inovação tecnológica e para a inserção qualificada no mundo do trabalho. No entanto, a efetividade do ETP está intrinsecamente ligada à qualidade dos seus processos formativos, à atualização constante de seus currículos frente às demandas setoriais e à competência de seus docentes em utilizar ferramentas e metodologias de ensino que promovam uma aprendizagem significativa e contextualizada (KANBUL et al., 2022; ISMAIL; YUSOF, 2023). A avaliação contínua e sistemática desses processos é, por conseguinte, fundamental para garantir que o ETP cumpra seu papel social e econômico, formando profissionais aptos a enfrentar os desafios do século XXI e a contribuir para o desenvolvimento sustentável. A avaliação da qualidade em educação, e particularmente no ensino técnico, é uma tarefa inerentemente complexa, que transcende a simples mensuração de resultados de exames ou taxas de aprovação. Envolve a consideração de múltiplos fatores, que vão desde a adequação da infraestrutura e dos recursos didáticos, a qualificação e o desempenho docente, a pertinência do currículo, até a satisfação e o engajamento dos estudantes, bem como a sua posterior inserção e sucesso no mercado de trabalho (RYABKO et al., 2025; MEHDI; NACHOUKI, 2022). Muitas dessas dimensões são de natureza qualitativa e carregadas de subjetividade, o que dificulta a aplicação de modelos avaliativos puramente quantitativos e evidencia a necessidade de abordagens que consigam lidar com a imprecisão e a incerteza inerentes aos fenômenos educacionais (DE IULIIS; KAMMOUH; CIMELLARO, 2022; FAROOQUI; TIWARI, 2023). A busca por métodos avaliativos mais robustos, transparentes e capazes de subsidiar decisões estratégicas tem impulsionado a exploração de técnicas oriundas de outras áreas do conhecimento, como a pesquisa operacional e a inteligência artificial. Nesse contexto, os Métodos de Apoio Multicritério à Decisão (MAMD), ou Multicriteria Decision Making (MCDM), emergem como ferramentas valiosas para auxiliar na estruturação e resolução de problemas complexos de avaliação e escolha, onde diversas alternativas precisam ser analisadas à luz de múltiplos critérios, muitas vezes conflitantes entre si (ULUTAŞ et al., 2021; COSTA et al., 2024). Dentre os diversos métodos MCDM, o Processo Analítico Hierárquico (AHP), desenvolvido por Thomas L. Saaty na década de 1970, destaca-se por sua capacidade de decompor um problema complexo em uma estrutura hierárquica mais simples, facilitando a atribuição de pesos aos critérios e a avaliação das alternativas por meio de comparações paritárias (SAATY, 1980 apud ARAUJO, 2020; JOMTONG, 2022). A aplicabilidade do AHP tem sido demonstrada em uma vasta gama de domínios, incluindo a gestão educacional, onde pode auxiliar na seleção de metodologias de ensino, na avaliação de desempenho de programas, na priorização de investimentos e na escolha de tecnologias educacionais (ARAUJO et al., 2019a; ARAUJO et al., 2019b; KANBUL et al., 2022). Contudo, a natureza das avaliações no campo educacional frequentemente envolve julgamentos humanos que são permeados por ambiguidades, imprecisões e preferências subjetivas, que nem sempre podem ser adequadamente representadas por valores numéricos crispados, como exige o AHP tradicional. A dificuldade em expressar preferências de forma precisa e a variabilidade nas percepções dos avaliadores são desafios comuns que podem comprometer a consistência e a confiabilidade dos resultados obtidos (JOMTONG, 2022; KHORSHIDI; AICKELIN, 2020). Para contornar essas limitações, a Teoria dos Conjuntos Fuzzy, introduzida por Lotfi Zadeh em 1965, oferece um arcabouço matemático robusto para modelar e processar informações vagas e incertas, utilizando variáveis linguísticas e funções de pertinência que refletem graus de verdade em vez de uma lógica binária estrita (ZADEH, 1965 apud FAROOQUI; TIWARI, 2023; DE IULIIS; KAMMOUH; CIMELLARO, 2022). A lógica fuzzy tem encontrado aplicações crescentes em diversas áreas, incluindo a avaliação de sistemas complexos onde a subjetividade e a imprecisão são predominantes. A sinergia entre o Processo Analítico Hierárquico e a Teoria dos Conjuntos Fuzzy resultou no desenvolvimento do GAFEduca (Gaussian AHP Fuzzy in Education), uma abordagem que incorpora a capacidade da lógica fuzzy de lidar com a imprecisão nos julgamentos comparativos do AHP. No GAFEduca, os especialistas podem expressar suas preferências utilizando termos linguísticos (como "muito mais importante", "igualmente importante", "ligeiramente menos importante"), que são então convertidos em números fuzzy (triangulares, trapezoidais, gaussianos, entre outros) para a construção das matrizes de comparação paritária (JOMTONG, 2022; RODRIGUES; PINHEIRO, 2024). Essa flexibilidade permite uma representação mais realista do pensamento humano e pode levar a resultados mais consistentes e robustos, especialmente em contextos onde os critérios de avaliação são qualitativos ou difíceis de mensurar objetivamente (KANBUL et al., 2022). Diversos estudos têm explorado a aplicação do GAFEduca em contextos educacionais, como na avaliação da qualidade de programas (RYABKO et al., 2025), na seleção de tecnologias de e-learning (SHEN, 2024) e na avaliação de desempenho docente. O Distrito Federal, como unidade federativa central do Brasil, possui uma rede pública de ensino técnico que desempenha um papel crucial na formação de mão de obra qualificada para diversos setores produtivos e de serviços. A garantia da qualidade e a melhoria contínua do processo de aprendizagem nessas instituições são imperativos para o desenvolvimento regional e para a promoção da inclusão social e produtiva dos jovens. Nesse sentido, a avaliação sistemática e aprofundada dos elementos que compõem o processo de aprendizagem – como metodologias de ensino, recursos didáticos, práticas avaliativas, engajamento estudantil e desenvolvimento de competências – torna-se essencial. A complexidade dessa avaliação, que envolve múltiplos atores (gestores, professores, alunos) e dimensões (pedagógicas, infraestruturais, socioemocionais), justifica a busca por ferramentas analíticas que possam oferecer suporte qualificado à tomada de decisão e ao planejamento de ações de melhoria. A utilização de métodos como o AHP Fuzzy pode, portanto, representar uma contribuição significativa para o aprimoramento da gestão e da qualidade do ensino técnico na rede pública do Distrito Federal. Considerando o exposto, a presente dissertação se propõe a investigar a aplicabilidade do Processo Analítico Hierárquico Fuzzy como uma ferramenta metodológica para auxiliar na avaliação do processo de aprendizagem no âmbito do ensino técnico ofertado pela rede pública do Distrito Federal. Busca-se, com este estudo, não apenas explorar as potencialidades teóricas e práticas do GAFEduca nesse contexto específico, mas também desenvolver um modelo que possa ser efetivamente utilizado por gestores e educadores para identificar pontos fortes e fracos, priorizar áreas de intervenção e, consequentemente, promover a melhoria contínua da qualidade educacional. A relevância desta pesquisa reside na carência de estudos que apliquem sistematicamente o GAFEduca para uma análise tão granular do processo de aprendizagem no ensino técnico público brasileiro, e na potencial contribuição para o desenvolvimento de práticas avaliativas mais robustas, participativas e alinhadas com as complexidades do cenário educacional contemporâneo. Acredita-se que os resultados aqui obtidos poderão subsidiar políticas e ações voltadas ao fortalecimento do ensino técnico, com reflexos positivos para os estudantes, para as instituições de ensino e para a sociedade como um todo. A necessidade premente de aprimorar os sistemas de ensino técnico e profissional, especialmente no setor público, impõe uma reflexão crítica sobre os mecanismos de avaliação atualmente empregados. No contexto específico do Distrito Federal, onde a rede pública de ensino técnico desempenha um papel vital na capacitação de jovens e adultos para o mercado de trabalho, a ausência de ferramentas avaliativas que capturem a multifacetada natureza do processo de aprendizagem representa um obstáculo significativo para a implementação de melhorias efetivas e para a garantia da qualidade educacional (KANBUL et al., 2022; DANGI; KANJA, 2023). As abordagens tradicionais de avaliação, muitas vezes focadas em indicadores quantitativos isolados ou em percepções fragmentadas, tendem a negligenciar a complexa interação de fatores pedagógicos, socioemocionais e contextuais que moldam a experiência de aprendizagem dos estudantes e, consequentemente, os resultados alcançados pelas instituições (MEHDI; NACHOUKI, 2022; ANWAR et al., 2023). Essa lacuna metodológica dificulta a identificação precisa de fragilidades e potencialidades, limitando a capacidade dos gestores e educadores de promoverem intervenções pedagógicas e administrativas assertivas e baseadas em evidências robustas. A avaliação do processo de aprendizagem no ensino técnico transcende a mera aferição de conhecimentos técnicos específicos, devendo abranger também o desenvolvimento de competências transversais, como pensamento crítico, resolução de problemas, trabalho em equipe e adaptabilidade, habilidades cada vez mais valorizadas no mundo do trabalho contemporâneo (KANMANI; SHREENIVAS; GURURAJ, 2023; ISMAIL; YUSOF, 2023). Adicionalmente, a percepção dos diferentes atores envolvidos – estudantes, docentes, coordenadores pedagógicos e gestores – sobre a eficácia das metodologias de ensino, a relevância dos conteúdos, a adequação dos recursos e a qualidade do ambiente de aprendizagem constitui uma fonte rica de informações para o diagnóstico e o aprimoramento contínuo (MOHAMMADI et al., 2024; PACHORI; SAJID; BATRA, 2023). No entanto, a incorporação sistemática dessas múltiplas perspectivas e a ponderação de critérios, que frequentemente são de natureza qualitativa e carregados de subjetividade, representam um desafio considerável para os modelos avaliativos convencionais, que muitas vezes carecem da flexibilidade necessária para lidar com a imprecisão e a vagueza inerentes aos julgamentos humanos (JOMTONG, 2022; DE IULIIS; KAMMOUH; CIMELLARO, 2022). Diante desse cenário, o Processo Analítico Hierárquico Fuzzy (GAFEduca) surge como uma abordagem metodológica promissora, capaz de oferecer um tratamento mais adequado à complexidade e à subjetividade que caracterizam a avaliação de sistemas educacionais. Ao combinar a capacidade de estruturação hierárquica de problemas do AHP com a robustez da lógica fuzzy para modelar a incerteza e a imprecisão dos julgamentos, o GAFEduca permite que os avaliadores expressem suas preferências e percepções por meio de variáveis linguísticas, que são posteriormente traduzidas em números fuzzy para a realização das comparações paritárias e o cálculo dos pesos dos critérios e das prioridades das alternativas (RODRIGUES; PINHEIRO, 2024; JOMTONG, 2022; SANTOS et al., 2023). Essa abordagem não apenas confere maior flexibilidade ao processo avaliativo, mas também permite a incorporação de múltiplos critérios, tanto quantitativos quanto qualitativos, e a agregação das opiniões de diferentes especialistas ou stakeholders, resultando em uma avaliação mais holística e consensual (ULUTAŞ et al., 2021; KHORSHIDI; AICKELIN, 2020). A literatura tem reportado aplicações bem-sucedidas do GAFEduca em diversos contextos educacionais, como na avaliação da qualidade de programas de ensino superior (RYABKO et al., 2025), na seleção de plataformas de e-learning (SHEN, 2024; PRASAD et al., 2023b) e na priorização de fatores para o sucesso de instituições de ensino (ARAUJO, 2020), demonstrando seu potencial como ferramenta de apoio à decisão. Apesar do crescente reconhecimento do potencial do GAFEduca na área educacional, observa-se uma lacuna significativa na literatura no que tange à sua aplicação sistemática e aprofundada para a avaliação específica do processo de aprendizagem no ensino técnico público, particularmente no contexto brasileiro e, mais especificamente, no Distrito Federal. Muitos estudos existentes tendem a focar em aspectos mais amplos da gestão educacional ou na avaliação de resultados finais, sem adentrar com a devida granularidade nas dinâmicas e nos elementos que constituem a experiência de aprendizagem dos estudantes no dia a dia das instituições de ensino técnico (ARAUJO et al., 2019a; ISMAIL; YUSOF, 2023). A complexidade inerente ao processo de aprendizagem, que envolve a interação entre currículo, pedagogia, avaliação, recursos, ambiente e as características individuais dos aprendizes, demanda um modelo avaliativo que seja capaz de desmembrar essa complexidade em componentes analisáveis, ponderar sua importância relativa e integrar as percepções dos diversos atores envolvidos de maneira consistente e transparente (KANMANI; SHREENIVAS; GURURAJ, 2023; DANGI; KANJA, 2023). Nesse sentido, o problema de pesquisa que esta dissertação se propõe a investigar pode ser formulado da seguinte maneira: A avaliação do processo de aprendizagem no ensino técnico da rede pública do Distrito Federal carece de um modelo sistemático e multidimensional que seja capaz de integrar, de forma robusta, critérios qualitativos e quantitativos, bem como as percepções subjetivas e inerentemente imprecisas dos diferentes stakeholders (alunos, professores e gestores), dificultando a identificação clara de prioridades para o aprimoramento contínuo da qualidade educacional. A ausência de tal modelo limita a capacidade de diagnóstico preciso das fortalezas e fragilidades do sistema, podendo levar a tomadas de decisão menos informadas e, consequentemente, a intervenções pedagógicas e administrativas com menor impacto na melhoria efetiva da aprendizagem dos estudantes. A complexidade da gestão de dados educacionais, especialmente em cenários de grande volume e variedade, como os encontrados em sistemas públicos de ensino, reforça a necessidade de métodos que possam lidar com essa diversidade e extrair informações relevantes para a tomada de decisão (PEPE et al., 2023; MOHAMMADI et al., 2024). Derivada dessa problemática, a questão de pesquisa principal que norteará este estudo é: De que forma a aplicação de um modelo baseado no Processo Analítico Hierárquico Fuzzy (GAFEduca) pode contribuir para a avaliação e o aprimoramento do processo de aprendizagem no ensino técnico da rede pública do Distrito Federal, considerando a perspectiva de seus principais stakeholders? Esta questão central desdobra-se na necessidade de identificar os critérios mais relevantes para a avaliação do processo de aprendizagem nesse contexto, estruturá-los hierarquicamente, desenvolver um método para coletar e agregar os julgamentos dos stakeholders utilizando a lógica fuzzy, e, finalmente, analisar os resultados para gerar diagnósticos e recomendações que possam subsidiar a tomada de decisão e o planejamento de ações de melhoria. A investigação buscará, portanto, não apenas validar a adequação do GAFEduca para essa finalidade, mas também propor um framework metodológico que possa ser replicado e adaptado por outras instituições de ensino técnico. A relevância desta pesquisa se manifesta em múltiplas dimensões. Do ponto de vista acadêmico, o estudo contribui para o avanço do conhecimento na área de avaliação educacional e de aplicação de métodos multicritério em contextos de ensino técnico, explorando as potencialidades do GAFEduca para lidar com a subjetividade e a complexidade inerentes a esses processos. A sistematização de um modelo GAFEduca para a avaliação do processo de aprendizagem pode servir de referência para futuras investigações e para o desenvolvimento de novas abordagens avaliativas. Do ponto de vista social e prático, os resultados esperados têm o potencial de impactar diretamente a qualidade do ensino técnico ofertado no Distrito Federal, ao fornecer aos gestores e educadores uma ferramenta diagnóstica robusta e participativa. Ao identificar com maior precisão os aspectos do processo de aprendizagem que necessitam de aprimoramento, será possível direcionar recursos e esforços de forma mais eficiente, promovendo um ambiente de aprendizagem mais eficaz, engajador e alinhado com as necessidades dos estudantes e as demandas da sociedade (JAGTAP, 2023; KARTHIKEYAN et al., 2023). Em última instância, espera-se que a melhoria do ensino técnico contribua para a formação de profissionais mais qualificados, para a redução das desigualdades educacionais e para o desenvolvimento socioeconômico do Distrito Federal e do país. Para responder à questão de pesquisa formulada e investigar a problemática delineada, o presente estudo estabelece como objetivo geral: Desenvolver e validar um modelo de avaliação do processo de aprendizagem no ensino técnico da rede pública do Distrito Federal, fundamentado no Processo Analítico Hierárquico Fuzzy (GAFEduca), que integre as percepções dos principais stakeholders (alunos, professores e gestores) e forneça subsídios para o aprimoramento contínuo da qualidade educacional. Este objetivo macro visa a construção de uma ferramenta analítica, demonstrando sua utilidade e viabilidade como instrumento de gestão pedagógica e administrativa. A integração de múltiplas perspectivas é crucial, pois a qualidade do processo de aprendizagem é um construto multifacetado, influenciado por diversas variáveis e percebido de maneiras distintas pelos diferentes atores envolvidos (MOHAMMADI et al., 2024; ANWAR et al., 2023; PADMAJA, 2023). A utilização de técnicas de inteligência artificial, como a lógica fuzzy, para lidar com a subjetividade e a incerteza inerentes a essas percepções, representa um avanço em relação aos métodos tradicionais de avaliação (RYABKO et al., 2025; SHEN, 2024). Para alcançar o objetivo geral, foram definidos os seguintes objetivos específicos:

1. Realizar uma revisão sistemática da literatura sobre a aplicação de métodos de apoio multicritério à decisão, com ênfase no GAFEduca, em contextos educacionais, especialmente no ensino técnico e profissional, identificando as principais abordagens, critérios utilizados, desafios e potencialidades. Esta etapa é fundamental para embasar teoricamente a pesquisa, conhecer o estado da arte e identificar lacunas que o presente estudo possa preencher (ISMAIL; YUSOF, 2023; COSTA et al., 2024; ANWAR et al., 2023).
2. Identificar e estruturar hierarquicamente os critérios e subcritérios relevantes para a avaliação do processo de aprendizagem no ensino técnico da rede pública do Distrito Federal, a partir da literatura especializada, de documentos oficiais e da consulta a especialistas e stakeholders locais. A correta definição e organização dos critérios é um passo crucial para a construção de um modelo GAFEduca robusto e representativo da realidade a ser avaliada (KANMANI; SHREENIVAS; GURURAJ, 2023; JOMTONG, 2022).
3. Desenvolver um instrumento de coleta de dados (questionário) que permita aos stakeholders (alunos, professores e gestores) expressarem seus julgamentos comparativos sobre a importância relativa dos critérios e o desempenho das unidades de análise (por exemplo, cursos ou instituições) em relação a cada critério, utilizando uma escala linguística fuzzy. A elaboração de um instrumento claro, objetivo e adequado ao público-alvo é essencial para garantir a qualidade e a confiabilidade dos dados coletados (DE IULIIS; KAMMOUH; CIMELLARO, 2022; KHORSHIDI; AICKELIN, 2020).
4. Aplicar o método GAFEduca para agregar os julgamentos dos stakeholders, calcular os pesos dos critérios e subcritérios, e obter um ranking ou uma classificação das unidades de análise em relação à qualidade do processo de aprendizagem. Esta etapa envolve a utilização de técnicas de conversão de variáveis linguísticas em números fuzzy, a construção das matrizes de comparação paritária fuzzy e a aplicação de um método de agregação e defuzzyficação para obtenção dos resultados finais (RODRIGUES; PINHEIRO, 2024; SANTOS et al., 2023; JOMTONG, 2022).
5. Analisar e interpretar os resultados obtidos com a aplicação do modelo GAFEduca, identificando os pontos fortes e fracos do processo de aprendizagem nas unidades de análise investigadas, bem como as prioridades para intervenção e melhoria. A análise de sensibilidade dos resultados também será considerada para verificar a robustez do modelo frente a variações nos julgamentos (ULUTAŞ et al., 2021; PEPE et al., 2023).
6. Validar o modelo proposto por meio da triangulação de dados, comparando os resultados do GAFEduca com outras fontes de informação (como indicadores de desempenho acadêmico, relatórios de avaliação externa, entrevistas com stakeholders) e submetendo o modelo à apreciação de especialistas na área. A validação é um passo importante para atestar a pertinência e a utilidade do modelo desenvolvido (COSTA et al., 2024; MOHAMMADI et al., 2024).
7. Propor recomendações e diretrizes para gestores e educadores da rede pública de ensino técnico do Distrito Federal, com base nos resultados da avaliação, visando o aprimoramento contínuo do processo de aprendizagem e a promoção da qualidade educacional. As recomendações devem ser práticas, factíveis e alinhadas com as especificidades do contexto investigado (DANGI; KANJA, 2023; JAGTAP, 2023).

REFERENCIAL TEÓRICO O Ensino Técnico e Profissional (ETP), internacionalmente conhecido como Technical and Vocational Education and Training (TVET), constitui uma modalidade educacional estratégica, intrinsecamente ligada ao desenvolvimento econômico e social das nações. Sua principal finalidade é preparar indivíduos para o exercício de profissões técnicas, fornecendo-lhes não apenas conhecimentos teóricos específicos, mas, fundamentalmente, as habilidades práticas e as competências socioemocionais necessárias para uma inserção qualificada e produtiva no mundo do trabalho (KANBUL et al., 2022; DEREVYANCHUK et al., 2025). Diferentemente da educação puramente acadêmica ou propedêutica, o ETP possui um forte componente de orientação para o mercado, buscando alinhar a formação oferecida com as demandas atuais e futuras dos diversos setores produtivos e de serviços. Essa modalidade de ensino abrange uma ampla gama de áreas do conhecimento, desde setores industriais tradicionais até as novas economias baseadas em tecnologia e serviços, refletindo a diversidade e a dinamicidade do panorama laboral contemporâneo (ISMAIL; YUSOF, 2023; SHARMA; MEHTA; SHARMA, 2023). A relevância do ETP é multifacetada. Para os indivíduos, representa uma via de acesso mais rápido ao emprego, à geração de renda e à ascensão social, oferecendo alternativas concretas de qualificação profissional que podem ser cruciais para jovens em transição da escola para o trabalho ou para adultos que buscam requalificação ou novas oportunidades de carreira (JAGTAP, 2023; KANBUL et al., 2022). Para as empresas e setores produtivos, o ETP é fundamental para suprir a demanda por mão de obra qualificada, impulsionar a inovação tecnológica, aumentar a competitividade e melhorar a qualidade de produtos e serviços (KARTHIKEYAN et al., 2023; BONDE; KIRANGE, 2023). Em uma escala macroeconômica, um sistema de ETP robusto e eficiente contribui para o aumento da produtividade nacional, para a redução do desemprego, especialmente entre os jovens, e para a promoção de um desenvolvimento econômico mais inclusivo e sustentável, alinhado com os Objetivos de Desenvolvimento Sustentável (ODS) propostos pela Agenda 2030, como o ODS 4 (Educação de Qualidade) e o ODS 8 (Trabalho Decente e Crescimento Econômico) (OREGI et al., 2025; KANMANI; SHREENIVAS; GURURAJ, 2023). No contexto brasileiro, o ensino técnico e profissional tem uma longa trajetória, marcada por diferentes políticas e modelos institucionais. Atualmente, ele é ofertado em diversas modalidades, como os cursos técnicos integrados ao ensino médio, os cursos técnicos subsequentes (para quem já concluiu o ensino médio) e os cursos de qualificação profissional de curta duração, por uma variedade de instituições, incluindo as escolas técnicas federais (Institutos Federais), as escolas técnicas estaduais e municipais, e instituições do Sistema S (como SENAI e SENAC). Apesar dos avanços, o Brasil ainda enfrenta o desafio de expandir e qualificar sua oferta de ETP, de modo a atender às necessidades de um mercado de trabalho cada vez mais exigente e tecnológico, e de garantir que essa modalidade de ensino seja percebida como uma opção de qualidade e relevância para os jovens (BONDE; KIRANGE, 2023; DANGI; KANJA, 2023). A articulação entre a formação oferecida e as demandas reais do setor produtivo, a atualização constante dos currículos e a formação continuada dos docentes são aspectos cruciais para o fortalecimento do ETP no país. O Distrito Federal, como centro político e administrativo do Brasil e polo de serviços e tecnologia, possui uma rede pública de ensino técnico que desempenha um papel importante na formação de profissionais para atender às demandas locais e regionais. A qualidade dessa formação é essencial não apenas para a empregabilidade dos egressos, mas também para o desenvolvimento de setores estratégicos para a economia do DF. No entanto, assim como em outras partes do país, as instituições de ensino técnico do DF enfrentam desafios relacionados à infraestrutura, à atualização tecnológica dos laboratórios e equipamentos, à atração e retenção de docentes qualificados e à necessidade de constante inovação pedagógica para manter os cursos relevantes e atrativos para os estudantes (MEHDI; NACHOUKI, 2022; KANBUL et al., 2022). A gestão eficaz desses desafios requer um processo contínuo de avaliação e planejamento, que seja capaz de identificar as necessidades e direcionar os investimentos de forma estratégica. Os desafios contemporâneos impostos ao ETP são complexos e inter-relacionados. A rápida evolução tecnológica, impulsionada pela digitalização, automação e inteligência artificial, transforma constantemente as ocupações e exige novas competências dos profissionais (MOHAMMADI et al., 2024; RODRIGUES; PINHEIRO, 2024; SHEN, 2024). Isso implica a necessidade de currículos flexíveis, capazes de se adaptar rapidamente às mudanças do mercado, e de docentes preparados para incorporar novas tecnologias e metodologias de ensino em suas práticas pedagógicas (KANBUL et al., 2022; DEREVYANCHUK et al., 2025). A integração de tecnologias digitais no processo de ensino-aprendizagem, como plataformas de e-learning, pode enriquecer a experiência formativa e desenvolver habilidades digitais essenciais (PRASAD et al., 2023b; SHARMA; MEHTA; SHARMA, 2023). No entanto, a mera disponibilização de tecnologia não garante a qualidade da aprendizagem; é preciso que seu uso seja pedagogicamente orientado e integrado a um projeto educacional consistente (DESAI et al., 2023). Outro desafio significativo é a promoção da equidade e da inclusão no ETP. É fundamental garantir que grupos historicamente sub-representados, como jovens de baixa renda, mulheres em áreas predominantemente masculinas, pessoas com deficiência e minorias étnico-raciais, tenham acesso e condições de permanência e sucesso nos cursos técnicos (ISMAIL; YUSOF, 2023; ANWAR et al., 2023). Isso requer políticas afirmativas, adaptações curriculares e pedagógicas, e um ambiente escolar acolhedor e livre de discriminação. A personalização do ensino, que considera as necessidades, os ritmos e os estilos de aprendizagem individuais, pode ser uma estratégia importante para promover a inclusão e o sucesso de todos os estudantes (DESAI et al., 2023; MOHAMMADI et al., 2024). A análise de dados educacionais, ou Learning Analytics, utilizando inclusive técnicas de inteligência artificial, pode fornecer informações valiosas para identificar estudantes em risco e personalizar intervenções pedagógicas (DANGI; KANJA, 2023; MEHDI; NACHOUKI, 2022). A articulação entre o ETP e o setor produtivo é outro ponto crítico. A formação oferecida pelas instituições de ensino técnico deve estar alinhada com as competências demandadas pelas empresas, o que requer um diálogo constante e parcerias efetivas entre escolas e o mundo do trabalho (KARTHIKEYAN et al., 2023; BONDE; KIRANGE, 2023). Programas de estágio, projetos desenvolvidos em colaboração com empresas, e a participação de profissionais do mercado na elaboração e atualização dos currículos são estratégias que podem fortalecer essa articulação e aumentar a relevância da formação técnica. A capacidade de antecipar tendências e futuras demandas do mercado de trabalho também é essencial para que o ETP possa formar profissionais preparados para os empregos do futuro, e não apenas para os do presente (SHARMA; MEHTA; SHARMA, 2023). A valorização social do ensino técnico também se configura como um desafio em muitos contextos, incluindo o brasileiro. Frequentemente, o ETP é percebido como uma opção de "segunda classe" em relação ao ensino superior universitário, o que pode desestimular os jovens a optarem por essa via formativa, mesmo quando ela oferece boas perspectivas de empregabilidade e desenvolvimento profissional (ISMAIL; YUSOF, 2023). Mudar essa percepção requer um esforço conjunto da sociedade, dos governos e das próprias instituições de ensino, no sentido de divulgar as oportunidades e os benefícios do ETP, e de garantir que os cursos técnicos ofereçam uma formação de alta qualidade, que seja reconhecida e valorizada pelo mercado e pela sociedade em geral. A acreditação de programas e a certificação de profissionais, como proposto por Araujo (2020) e Letouze et al. (2019), podem contribuir para esse reconhecimento e para a elevação dos padrões de qualidade. Finalmente, a sustentabilidade das instituições de ETP, tanto do ponto de vista financeiro quanto ambiental, é uma preocupação crescente. A necessidade de investimentos contínuos em infraestrutura, equipamentos e formação de docentes, aliada a orçamentos públicos muitas vezes restritos, exige uma gestão eficiente e a busca por fontes alternativas de financiamento (JAGTAP, 2023). Além disso, as instituições de ETP devem incorporar princípios de sustentabilidade em suas práticas e currículos, formando profissionais conscientes de seu papel na construção de uma sociedade mais justa e ambientalmente responsável (OREGI et al., 2025). A otimização do uso de recursos, como energia e água, e a adoção de práticas de gestão ambiental nas escolas técnicas são exemplos de ações que podem contribuir para esse objetivo. A análise de sistemas de sombreamento para o conforto térmico, como investigado por Oregi et al. (2025), é um exemplo prático de como o design sustentável pode ser aplicado em ambientes educacionais. Diante desse complexo panorama de relevância e desafios, a avaliação da qualidade do processo de aprendizagem no ETP assume um papel central. Não se trata apenas de verificar se os objetivos de ensino estão sendo alcançados, mas de compreender como eles estão sendo alcançados, quais fatores facilitam ou dificultam a aprendizagem, e como as práticas pedagógicas e de gestão podem ser aprimoradas para promover uma formação técnica de excelência. É nesse contexto que a busca por métodos avaliativos mais sofisticados e abrangentes, como o GAFEduca, se justifica. A avaliação educacional é um componente intrínseco e indispensável de qualquer sistema de ensino, desempenhando múltiplas funções que vão desde o diagnóstico de necessidades de aprendizagem e o acompanhamento do progresso dos estudantes até a certificação de competências e o subsídio para a tomada de decisões em níveis micro (sala de aula) e macro (políticas educacionais). Longe de ser um mero instrumento de classificação ou seleção, a avaliação, quando bem concebida e implementada, configura-se como uma poderosa ferramenta pedagógica, capaz de orientar o processo de ensino-aprendizagem, promover a reflexão crítica sobre as práticas educativas e impulsionar a melhoria contínua da qualidade da educação (KANMANI; SHREENIVAS; GURURAJ, 2023; DANGI; KANJA, 2023). No contexto do Ensino Técnico e Profissional (ETP), onde a formação visa ao desenvolvimento de competências específicas para o mundo do trabalho, a avaliação assume contornos particulares, devendo ser capaz de aferir não apenas o domínio de conhecimentos teóricos, mas também a capacidade de aplicação prática desses conhecimentos em situações simuladas ou reais, bem como o desenvolvimento de habilidades socioemocionais e atitudes profissionais (KANBUL et al., 2022; MEHDI; NACHOUKI, 2022). Tradicionalmente, a avaliação educacional tem sido frequentemente associada à aplicação de testes e provas ao final de um período letivo, com o objetivo principal de atribuir notas e classificar os alunos. Essa abordagem, conhecida como avaliação somativa, embora necessária para fins de certificação e progressão nos estudos, oferece uma visão limitada do processo de aprendizagem, focando mais no produto final do que no percurso de desenvolvimento do estudante. Em contrapartida, a avaliação formativa emerge como uma perspectiva que busca acompanhar de perto o processo de aprendizagem, fornecendo feedback contínuo tanto para o aluno quanto para o professor, de modo a identificar dificuldades, reorientar estratégias de ensino e promover uma aprendizagem mais significativa e autônoma (DESAI et al., 2023; MOHAMMADI et al., 2024). No ETP, a avaliação formativa pode se manifestar por meio da observação do desempenho em atividades práticas, da análise de portfólios, da realização de projetos integradores e da autoavaliação, permitindo um acompanhamento mais individualizado e contextualizado do desenvolvimento das competências profissionais. A integração de tecnologias, como Learning Management Systems (LMS) e ferramentas de gamificação, pode potencializar a avaliação formativa, oferecendo recursos para o monitoramento do engajamento e do progresso dos alunos em tempo real (SHARMA; MEHTA; SHARMA, 2023; PRASAD et al., 2023b). A avaliação do processo de aprendizagem, em si, representa um desafio ainda maior, pois busca ir além da simples verificação de resultados ou da aplicação de instrumentos pontuais. Trata-se de uma análise sistêmica e multidimensional que considera a interação de todos os elementos que compõem a experiência educativa: o currículo (sua relevância, atualização e articulação), as metodologias de ensino (sua adequação aos objetivos e aos perfis dos alunos), os recursos didáticos e tecnológicos (sua disponibilidade e qualidade), as práticas avaliativas (sua coerência e efetividade), o ambiente de aprendizagem (seu clima, infraestrutura e relações interpessoais), o engajamento e a motivação dos estudantes, e o desenvolvimento de competências cognitivas, técnicas e socioemocionais (ANWAR et al., 2023; KANMANI; SHREENIVAS; GURURAJ, 2023; RYABKO et al., 2025). Avaliar o processo de aprendizagem implica, portanto, em coletar e analisar dados de múltiplas fontes e perspectivas, buscando compreender as dinâmicas que favorecem ou dificultam a construção do conhecimento e o desenvolvimento integral dos estudantes. Essa compreensão é fundamental para que as instituições de ensino possam identificar seus pontos fortes e fracos e implementar ações de melhoria que sejam, de fato, eficazes. No ensino técnico, a avaliação do processo de aprendizagem deve considerar as especificidades dessa modalidade, como a forte ênfase na articulação entre teoria e prática, a necessidade de desenvolvimento de habilidades manuais e tecnológicas, e a importância da contextualização dos conteúdos com as demandas do mundo do trabalho (KANBUL et al., 2022; DEREVYANCHUK et al., 2025). A qualidade do processo de aprendizagem em um curso técnico não se mede apenas pela capacidade dos alunos de reproduzir conhecimentos, mas pela sua aptidão para resolver problemas reais, utilizar ferramentas e equipamentos específicos, trabalhar em equipe, comunicar-se de forma eficaz e adaptar-se a novas situações e tecnologias. A avaliação deve, portanto, contemplar atividades que permitam observar e aferir essas competências em contextos autênticos ou simulados, como projetos práticos, estudos de caso, simulações em laboratório e estágios supervisionados (OREGI et al., 2025; KARTHIKEYAN et al., 2023). A utilização de rubricas claras e detalhadas pode auxiliar na avaliação dessas competências complexas, tornando o processo mais transparente e objetivo. A coleta de dados para a avaliação do processo de aprendizagem pode envolver uma variedade de instrumentos e técnicas, tanto quantitativos quanto qualitativos. Questionários aplicados a alunos, professores e gestores podem capturar percepções sobre diferentes aspectos do processo educativo, como a qualidade das aulas, a adequação dos materiais, o clima escolar e a satisfação com o curso (PADMAJA, 2023; JAGTAP, 2023). A análise de documentos, como planos de curso, projetos pedagógicos e relatórios de estágio, pode fornecer informações sobre a concepção e a implementação do currículo. A observação de aulas e atividades práticas pode revelar insights sobre as metodologias de ensino utilizadas e a interação entre professores e alunos. Grupos focais e entrevistas com diferentes segmentos da comunidade escolar podem aprofundar a compreensão de questões específicas e coletar sugestões de melhoria. A análise de dados acadêmicos, como taxas de evasão, aprovação e desempenho em avaliações externas, também pode complementar o diagnóstico (MEHDI; NACHOUKI, 2022; DANGI; KANJA, 2023). A integração de dados multimodais, como os provenientes de interações em ambientes virtuais de aprendizagem, registros de atividades em laboratórios e até mesmo dados fisiológicos (como rastreamento ocular ou respostas emocionais), representa uma fronteira promissora para uma análise ainda mais rica e detalhada do engajamento e da aprendizagem dos estudantes (MOHAMMADI et al., 2024; ANWAR et al., 2023). Um dos principais desafios na avaliação do processo de aprendizagem reside na definição dos critérios e indicadores que serão utilizados para aferir sua qualidade. Dada a natureza multidimensional e complexa do processo, é necessário selecionar um conjunto de critérios que seja abrangente, relevante e passível de mensuração ou avaliação qualitativa. Esses critérios podem incluir aspectos como: clareza dos objetivos de aprendizagem, relevância e atualização do conteúdo curricular, adequação das metodologias de ensino, qualidade dos recursos didáticos e da infraestrutura, eficácia das práticas avaliativas, nível de engajamento e motivação dos alunos, desenvolvimento de competências técnicas e transversais, qualidade da interação professor-aluno e aluno-aluno, e apoio pedagógico oferecido aos estudantes (KANMANI; SHREENIVAS; GURURAJ, 2023; RYABKO et al., 2025). A definição desses critérios deve ser um processo participativo, envolvendo os diferentes atores da comunidade escolar, de modo a garantir sua legitimidade e relevância para o contexto específico da instituição ou do curso avaliado. A utilização de frameworks como o TPACK (Technological Pedagogical Content Knowledge), mencionado por Kanbul et al. (2022), pode auxiliar na compreensão das competências docentes necessárias para a integração eficaz da tecnologia no ensino, um aspecto crucial no ETP contemporâneo. A ponderação da importância relativa de cada critério é outro desafio significativo. Nem todos os critérios possuem o mesmo peso ou impacto na qualidade global do processo de aprendizagem, e a atribuição de pesos de forma arbitrária pode levar a distorções na avaliação. É aqui que métodos de apoio multicritério à decisão, como o GAFEduca, demonstram seu valor, ao oferecerem uma estrutura sistemática para que os especialistas ou stakeholders possam comparar os critérios par a par e expressar seus julgamentos sobre sua importância relativa (JOMTONG, 2022; ARAUJO, 2020; ULUTAŞ et al., 2021). Essa abordagem permite que os pesos sejam derivados de forma mais consistente e transparente, refletindo o consenso ou a divergência de opiniões dentro do grupo de avaliadores. A capacidade de lidar com um grande número de critérios e alternativas, como pode ocorrer na avaliação de múltiplos cursos ou instituições, é outra vantagem desses métodos, embora a escalabilidade possa ser um desafio em implementações tradicionais (PEPE et al., 2023; SANTOS et al., 2023). A interpretação dos resultados da avaliação do processo de aprendizagem também requer cuidado e expertise. Os dados coletados, sejam eles quantitativos ou qualitativos, precisam ser analisados de forma integrada, buscando identificar padrões, tendências, pontos fortes e áreas que necessitam de aprimoramento. A visualização dos dados, por meio de gráficos, tabelas e mapas conceituais, pode facilitar a compreensão e a comunicação dos resultados (DEREVYANCHUK et al., 2025). É fundamental que os resultados da avaliação não se limitem a um diagnóstico, mas que sirvam de base para a elaboração de planos de ação concretos, com metas, estratégias e indicadores de acompanhamento, visando à melhoria contínua do processo de aprendizagem. O feedback aos envolvidos e a promoção de uma cultura de avaliação participativa e orientada para a aprendizagem são essenciais para o sucesso desse ciclo de melhoria (PADMAJA, 2023; DESAI et al., 2023). A utilização de sistemas de informação e de técnicas de Educational Data Mining (EDM) pode auxiliar na análise de grandes volumes de dados educacionais e na identificação de padrões que não seriam facilmente perceptíveis por meio de análises manuais (DANGI; KANJA, 2023; MOHAMMADI et al., 2024). Em suma, a avaliação do processo de aprendizagem no ensino técnico é uma tarefa complexa, mas crucial para a garantia da qualidade e para a promoção da melhoria contínua. Ela exige uma abordagem sistêmica, multidimensional e participativa, que seja capaz de integrar diferentes fontes de informação e as percepções dos diversos atores envolvidos. A utilização de métodos robustos e flexíveis, como o GAFEduca, pode oferecer um suporte valioso para enfrentar os desafios inerentes a essa tarefa, auxiliando as instituições de ensino técnico a compreenderem melhor suas realidades e a tomarem decisões mais informadas e eficazes em prol de uma formação profissional de excelência. A tomada de decisão em ambientes complexos, como o educacional, frequentemente envolve a avaliação de múltiplas alternativas frente a um conjunto diversificado de critérios, que podem ser tanto de natureza quantitativa quanto qualitativa, e muitas vezes apresentam interdependências e conflitos entre si. A intuição e a experiência dos gestores são valiosas, mas podem ser insuficientes para garantir decisões ótimas ou consensuais, especialmente quando há um grande volume de informações a serem processadas e diferentes perspectivas a serem consideradas (ULUTAŞ et al., 2021; COSTA et al., 2024; PADMAJA, 2023). Nesse contexto, os Métodos de Apoio Multicritério à Decisão (MAMD), também conhecidos como Multicriteria Decision Making (MCDM) ou Multicriteria Decision Aiding (MCDA), oferecem um conjunto de abordagens formais e sistemáticas para estruturar problemas de decisão, analisar alternativas e critérios, e auxiliar os decisores na escolha da melhor opção ou na priorização de ações (KHORSHIDI; AICKELIN, 2020; JOMTONG, 2022). Esses métodos buscam trazer maior racionalidade, transparência e consistência ao processo decisório, permitindo a incorporação explícita das preferências dos decisores e a análise de trade-offs entre diferentes objetivos. Existe uma vasta gama de métodos MCDM disponíveis na literatura, cada um com suas particularidades, pressupostos e campos de aplicação. Alguns dos métodos mais conhecidos incluem o AHP (Analytic Hierarchy Process), ANP (Analytic Network Process), TOPSIS (Technique for Order of Preference by Similarity to Ideal Solution), ELECTRE (ELimination Et Choix Traduisant la REalité), PROMETHEE (Preference Ranking Organization METHod for Enrichment of Evaluations), VIKOR (VIseKriterijumska Optimizacija I Kompromisno Resenje), e métodos baseados em agregação de valor como o SAW (Simple Additive Weighting) (ULUTAŞ et al., 2021; COSTA et al., 2024; SOUSA et al., 2024). A escolha do método mais adequado depende da natureza do problema, do tipo de dados disponíveis, do número de alternativas e critérios, e das preferências e do nível de envolvimento desejado dos decisores. A integração de diferentes métodos, ou a combinação de MCDM com outras técnicas como a Análise de Componentes Principais (PCA) para redução de dimensionalidade de critérios, também tem sido explorada para otimizar o processo decisório em cenários de alta complexidade e grande volume de dados (COSTA et al., 2024). O Processo Analítico Hierárquico (AHP), proposto por Thomas L. Saaty, é um dos métodos MCDM mais difundidos e aplicados em diversas áreas, devido à sua estrutura intuitiva e à sua capacidade de lidar com critérios tanto quantitativos quanto qualitativos (SAATY, 1980 apud ARAUJO, 2020; JOMTONG, 2022). O AHP baseia-se em três princípios fundamentais: a decomposição do problema de decisão em uma estrutura hierárquica (objetivo, critérios, subcritérios e alternativas); a realização de julgamentos comparativos paritários entre os elementos de cada nível da hierarquia, utilizando uma escala numérica (geralmente de 1 a 9) para expressar a importância relativa de um elemento sobre o outro; e a síntese das prioridades locais para obter as prioridades globais das alternativas (ARAUJO, 2020; KANBUL et al., 2022). Uma das grandes vantagens do AHP é sua capacidade de verificar a consistência dos julgamentos emitidos pelos decisores, por meio do cálculo do Índice de Consistência (CI) e da Razão de Consistência (CR), o que contribui para a confiabilidade dos resultados (JOMTONG, 2022). O AHP tem sido amplamente utilizado na gestão educacional para diversas finalidades, como seleção de pessoal, avaliação de programas, alocação de recursos e priorização de projetos (ARAUJO et al., 2019a; ARAUJO et al., 2019b; KANMANI; SHREENIVAS; GURURAJ, 2023). Apesar de sua popularidade e utilidade, o AHP tradicional apresenta algumas limitações, principalmente no que se refere à sua capacidade de lidar com a imprecisão e a subjetividade inerentes aos julgamentos humanos. A exigência de que os decisores expressem suas preferências por meio de valores numéricos exatos em uma escala predefinida pode não refletir adequadamente a natureza vaga ou hesitante do pensamento humano, especialmente quando se trata de critérios qualitativos ou de difícil mensuração (JOMTONG, 2022; KHORSHIDI; AICKELIN, 2020). Além disso, a agregação de julgamentos de múltiplos especialistas pode ser problemática se houver grande divergência de opiniões ou se os especialistas tiverem diferentes níveis de confiança em seus próprios julgamentos. A dificuldade em alcançar um consenso e a possibilidade de inconsistências nos julgamentos são desafios frequentemente apontados na aplicação do AHP clássico (SANTOS et al., 2023; PEPE et al., 2023). Outra crítica refere-se à potencial inversão de ranking quando uma nova alternativa é introduzida ou uma irrelevante é removida, embora existam variações do método que buscam mitigar esse problema. Para superar as limitações do AHP tradicional no tratamento da incerteza e da imprecisão, a Teoria dos Conjuntos Fuzzy, introduzida por Lotfi Zadeh (1965), oferece um poderoso arcabouço conceitual e matemático. A lógica fuzzy permite modelar o raciocínio humano aproximado, trabalhando com graus de pertinência em vez de uma lógica binária de verdadeiro ou falso (FAROOQUI; TIWARI, 2023; DE IULIIS; KAMMOUH; CIMELLARO, 2022). Em vez de exigir valores numéricos precisos, a lógica fuzzy utiliza variáveis linguísticas (termos como "baixo", "médio", "alto", "muito importante", "pouco importante") que são representadas por conjuntos fuzzy, definidos por funções de pertinência que atribuem um grau de pertencimento (entre 0 e 1) a cada elemento do universo de discurso (SHEN, 2024; RYABKO et al., 2025). Essa abordagem permite uma representação mais flexível e realista da vagueza e da subjetividade presentes no julgamento humano e na descrição de fenômenos complexos. A capacidade de realizar inferências a partir de regras do tipo "se-então" com antecedentes e consequentes fuzzy torna a lógica fuzzy uma ferramenta poderosa para sistemas de apoio à decisão em ambientes incertos. A integração da Teoria dos Conjuntos Fuzzy com o Processo Analítico Hierárquico deu origem ao GAFEduca, uma extensão do AHP que visa incorporar de forma mais eficaz a imprecisão e a subjetividade nos julgamentos comparativos. No GAFEduca, em vez de utilizar uma escala numérica crispada, os decisores expressam suas preferências por meio de termos linguísticos, que são então modelados como números fuzzy (JOMTONG, 2022; RODRIGUES; PINHEIRO, 2024). Os números fuzzy mais comumente utilizados no GAFEduca são os triangulares (TFNs) e os trapezoidais, devido à sua simplicidade conceitual e facilidade de cálculo, embora outras formas, como os números fuzzy gaussianos, também possam ser empregadas (JOMTONG, 2022; SANTOS et al., 2023). A utilização de números fuzzy permite que os decisores expressem não apenas a intensidade de sua preferência, mas também o grau de incerteza associado a essa preferência. Por exemplo, um julgamento "moderadamente mais importante" pode ser representado por um número fuzzy triangular que abrange um intervalo de valores, refletindo a hesitação ou a falta de precisão do decisor. O processo de cálculo no GAFEduca envolve a construção de matrizes de comparação paritária com elementos fuzzy, a agregação desses julgamentos (no caso de múltiplos decisores) e a derivação dos pesos dos critérios e das prioridades das alternativas, também na forma de números fuzzy ou valores crispados após um processo de defuzzyficação (JOMTONG, 2022; KANBUL et al., 2022). Diversos métodos foram propostos na literatura para realizar essas operações com números fuzzy, como o método da extensão de Chang, que utiliza TFNs e operações de álgebra fuzzy para calcular os vetores de prioridade sintéticos, e abordagens baseadas em programação linear ou simulação de Monte Carlo (JOMTONG, 2022). A escolha do método específico de GAFEduca pode depender da complexidade do problema, do tipo de números fuzzy adotados e das propriedades desejadas para o processo de agregação e ranqueamento. A verificação da consistência dos julgamentos fuzzy também é uma etapa importante, embora mais complexa do que no AHP tradicional. As vantagens do GAFEduca sobre o AHP clássico residem principalmente em sua capacidade de modelar a incerteza e a vagueza de forma mais realista, permitindo que os decisores expressem seus julgamentos de maneira mais natural e flexível, por meio de termos linguísticos (RYABKO et al., 2025; SHEN, 2024). Isso pode levar a uma maior aceitação do método pelos decisores e a resultados que refletem de forma mais fidedigna suas percepções e preferências. Além disso, o GAFEduca pode ser mais robusto em situações onde os dados são escassos, incompletos ou de natureza predominantemente qualitativa, como é comum em muitas avaliações educacionais (MEHDI; NACHOUKI, 2022). A capacidade de agregar julgamentos de múltiplos especialistas, considerando a imprecisão individual de cada um, também é uma fortaleza do GAFEduca. No entanto, a aplicação do GAFEduca também apresenta desafios, como a maior complexidade computacional em comparação com o AHP tradicional, a necessidade de definir adequadamente as funções de pertinência para as variáveis linguísticas e a escolha de um método apropriado para agregação e defuzzyficação dos resultados (JOMTONG, 2022). A interpretação dos resultados, que podem ser apresentados como números fuzzy ou intervalos, também pode exigir um maior esforço cognitivo por parte dos decisores. No campo da educação, o GAFEduca tem sido aplicado para uma variedade de problemas de decisão, como a avaliação da qualidade de cursos e instituições (RYABKO et al., 2025), a seleção de metodologias de ensino (KANBUL et al., 2022), a avaliação de competências docentes (KANBUL et al., 2022), a priorização de critérios para o desenvolvimento de currículos (KANMANI; SHREENIVAS; GURURAJ, 2023), e a seleção de tecnologias educacionais (SHEN, 2024; PRASAD et al., 2023b). Esses estudos demonstram o potencial do GAFEduca para lidar com a subjetividade e a complexidade inerentes à avaliação de sistemas e processos educacionais, fornecendo um suporte mais robusto e flexível para a tomada de decisão. A capacidade de integrar as percepções de diferentes stakeholders (alunos, professores, gestores) de forma estruturada e considerando a imprecisão de seus julgamentos é particularmente valiosa para promover avaliações mais participativas e consensuais. A utilização de ferramentas computacionais, como o MATLAB ou softwares específicos para MCDM, pode facilitar a implementação dos cálculos envolvidos no GAFEduca (MEHDI; NACHOUKI, 2022; KANBUL et al., 2022). Considerando o contexto específico desta dissertação – a avaliação do processo de aprendizagem no ensino técnico da rede pública do Distrito Federal – a abordagem GAFEduca se apresenta como particularmente adequada. A avaliação do processo de aprendizagem, conforme discutido anteriormente, envolve múltiplos critérios, muitos dos quais são de natureza qualitativa e dependem da percepção subjetiva dos stakeholders. A utilização de variáveis linguísticas para expressar a importância dos critérios (como "relevância do conteúdo", "qualidade da mediação pedagógica", "adequação dos recursos") e o desempenho das unidades de análise em relação a esses critérios (como "muito bom", "satisfatório", "insatisfatório") permite capturar a nuance e a imprecisão desses julgamentos de forma mais eficaz do que escalas numéricas rígidas. A agregação das percepções de alunos, professores e gestores, cada um com suas vivências e perspectivas, pode ser realizada de forma mais consistente e transparente por meio do GAFEduca, levando a um diagnóstico mais completo e representativo da realidade do processo de aprendizagem nas escolas técnicas do Distrito Federal.

METODOLOGIA A presente dissertação configura-se como uma pesquisa de natureza aplicada, com abordagem metodológica mista, combinando elementos quantitativos e qualitativos para alcançar os objetivos propostos e responder à questão de pesquisa central. A natureza aplicada se justifica pelo intuito de desenvolver um modelo de avaliação (baseado no GAFEduca) que possa ser efetivamente utilizado para diagnosticar e propor melhorias no processo de aprendizagem do ensino técnico da rede pública do Distrito Federal, gerando conhecimento com potencial de intervenção prática na realidade educacional (COSTA et al., 2024; MOHAMMADI et al., 2024). A abordagem mista, por sua vez, é adotada em reconhecimento à complexidade do objeto de estudo – o processo de aprendizagem – que envolve tanto aspectos mensuráveis quanto dimensões subjetivas e contextuais que demandam uma compreensão mais aprofundada e interpretativa (CRESWELL; CRESWELL, 2017 apud COSTA et al., 2024; ANWAR et al., 2023). A integração de dados quantitativos, provenientes da aplicação do GAFEduca e da análise de indicadores, com dados qualitativos, oriundos da revisão de literatura, análise documental e consulta a especialistas, permitirá uma análise mais rica, robusta e triangulada dos resultados. O delineamento da pesquisa seguirá as etapas clássicas de um estudo científico, iniciando-se com uma extensa revisão bibliográfica para fundamentação teórica e identificação do estado da arte, seguida pela definição precisa do problema e dos objetivos. Posteriormente, será realizada a fase de construção do modelo GAFEduca, que envolverá a identificação e estruturação hierárquica dos critérios de avaliação, a elaboração do instrumento de coleta de dados (questionário com escala linguística fuzzy) e a definição dos procedimentos matemáticos para agregação dos julgamentos e cálculo das prioridades. A etapa subsequente consistirá na aplicação do modelo em um estudo de caso envolvendo instituições de ensino técnico da rede pública do Distrito Federal, com a coleta de dados junto aos stakeholders (alunos, professores e gestores). Os dados coletados serão então processados e analisados, gerando os resultados que serão discutidos e interpretados à luz do referencial teórico. Finalmente, o modelo será validado e serão propostas recomendações para o aprimoramento do processo de aprendizagem (JOMTONG, 2022; KANBUL et al., 2022; RYABKO et al., 2025). Este percurso metodológico busca garantir o rigor científico e a relevância prática da pesquisa, alinhando-se com as boas práticas em pesquisa educacional e em estudos que empregam métodos de apoio multicritério à decisão. A fase quantitativa da pesquisa estará centrada na aplicação do Processo Analítico Hierárquico Fuzzy (GAFEduca). Esta abordagem permitirá a quantificação das preferências e percepções dos stakeholders em relação aos critérios de avaliação do processo de aprendizagem e ao desempenho das unidades de análise. Serão coletados dados por meio de questionários estruturados, onde os participantes realizarão comparações paritárias entre os critérios e subcritérios, e entre as alternativas, utilizando uma escala linguística fuzzy. Esses julgamentos linguísticos serão convertidos em números fuzzy (provavelmente triangulares ou trapezoidais, devido à sua maior aplicabilidade e facilidade de compreensão, conforme apontado por Jomtong (2022) e Shen (2024)), que alimentarão as matrizes de decisão fuzzy. A agregação dos julgamentos de múltiplos respondentes será realizada utilizando técnicas apropriadas da teoria fuzzy, e os pesos dos critérios e as prioridades das alternativas serão calculados. A análise estatística descritiva e inferencial poderá ser utilizada para caracterizar a amostra e para identificar diferenças significativas nas percepções entre os diferentes grupos de stakeholders (alunos, professores, gestores). A análise de sensibilidade dos resultados do GAFEduca também será um componente importante da fase quantitativa, verificando a estabilidade do modelo frente a variações nos julgamentos (ULUTAŞ et al., 2021; PEPE et al., 2023). A fase qualitativa da pesquisa desempenhará um papel complementar e fundamental em diversas etapas do estudo. Inicialmente, a revisão sistemática da literatura e a análise documental (de projetos pedagógicos, relatórios de avaliação, legislação educacional, etc.) fornecerão o embasamento teórico para a definição dos critérios de avaliação do processo de aprendizagem e para a compreensão do contexto do ensino técnico no Distrito Federal (ISMAIL; YUSOF, 2023; ARAUJO, 2020). Posteriormente, entrevistas semiestruturadas ou grupos focais com especialistas (pesquisadores da área de educação técnica, gestores experientes) e com representantes dos stakeholders poderão ser utilizados para refinar a estrutura hierárquica dos critérios, para validar o instrumento de coleta de dados e para auxiliar na interpretação dos resultados quantitativos do GAFEduca (ANWAR et al., 2023; MOHAMMADI et al., 2024). A análise de conteúdo ou a análise temática serão empregadas para processar os dados qualitativos coletados, buscando identificar categorias, padrões e significados emergentes. A triangulação entre os dados quantitativos do GAFEduca e os dados qualitativos permitirá uma compreensão mais profunda e contextualizada do fenômeno investigado, enriquecendo a análise e aumentando a validade dos achados da pesquisa. A escolha da abordagem mista justifica-se pela natureza do problema de pesquisa, que busca não apenas "medir" a qualidade do processo de aprendizagem, mas também "compreender" os fatores que a influenciam e as percepções dos envolvidos. Enquanto a fase quantitativa com o GAFEduca oferecerá uma estrutura para a priorização de critérios e a avaliação comparativa, a fase qualitativa permitirá explorar as nuances, os contextos e os significados subjacentes a esses julgamentos (COSTA et al., 2024; KANBUL et al., 2022). Por exemplo, se o GAFEduca indicar que o critério "metodologias de ensino" é percebido como altamente importante, mas com baixo desempenho, as entrevistas poderão aprofundar quais aspectos específicos das metodologias estão sendo problemáticos e quais sugestões de melhoria emergem da perspectiva dos stakeholders. Essa complementaridade entre as abordagens quantitativa e qualitativa é essencial para gerar um diagnóstico mais completo e para formular recomendações que sejam, ao mesmo tempo, baseadas em evidências e sensíveis ao contexto específico do ensino técnico no Distrito Federal. O universo desta pesquisa compreende a rede pública de ensino técnico e profissional do Distrito Federal. Esta rede é composta por diversas unidades escolares que ofertam cursos técnicos em diferentes eixos tecnológicos, atendendo a um público variado de estudantes, majoritariamente jovens que buscam qualificação para o mercado de trabalho ou continuidade nos estudos. A escolha deste universo se justifica pela relevância social e econômica do ensino técnico para o desenvolvimento do Distrito Federal e pela necessidade de aprimorar continuamente a qualidade dos serviços educacionais oferecidos pelo setor público. A complexidade administrativa e pedagógica dessas instituições, bem como a diversidade de cursos e perfis de estudantes, tornam este universo um campo fértil e desafiador para a aplicação de modelos avaliativos multidimensionais como o GAFEduca (DANGI; KANJA, 2023; MEHDI; NACHOUKI, 2022). Dada a extensão do universo, a pesquisa será realizada com uma amostra representativa de instituições, cursos e stakeholders. A seleção da amostra buscará contemplar a diversidade existente na rede pública de ensino técnico do DF, considerando, por exemplo, diferentes eixos tecnológicos (como indústria, gestão, informática, saúde, etc.), diferentes portes de escolas e, possivelmente, diferentes regiões administrativas. A definição precisa da amostra de instituições e cursos será realizada após um levantamento detalhado das unidades escolares que compõem a rede e dos cursos técnicos por elas ofertados, em consulta à Secretaria de Educação do Distrito Federal ou órgão equivalente. A seleção poderá utilizar critérios de conveniência e acessibilidade, mas também buscará garantir uma representatividade mínima das principais áreas de formação técnica. A pesquisa de Carvalho et al. (2024), que avaliou instituições de ensino superior no Rio de Janeiro com base em rankings, embora em outro contexto, ilustra a complexidade da seleção de unidades de análise em sistemas educacionais. Os participantes da pesquisa, ou stakeholders, serão compostos por três grupos principais: alunos regularmente matriculados nos cursos técnicos selecionados; professores que atuam nesses cursos; e gestores (coordenadores de curso, diretores de escola, supervisores pedagógicos) responsáveis pela condução e acompanhamento das atividades de ensino. A inclusão desses três grupos é fundamental para obter uma visão multifacetada do processo de aprendizagem, capturando as diferentes perspectivas e experiências de quem ensina, de quem aprende e de quem gerencia o sistema (PADMAJA, 2023; JAGTAP, 2023; ANWAR et al., 2023). A seleção dos participantes dentro de cada grupo será realizada por meio de amostragem não probabilística, por conveniência ou por indicação (bola de neve), buscando-se obter um número suficiente de respondentes em cada categoria para permitir análises estatísticas significativas e garantir a saturação de informações na fase qualitativa. Serão considerados critérios como tempo de experiência (para professores e gestores) e semestre em curso (para alunos) para caracterizar os perfis dos participantes. A participação será voluntária e condicionada à assinatura de um Termo de Consentimento Livre e Esclarecido (TCLE), garantindo o anonimato e a confidencialidade das informações fornecidas. O tamanho da amostra para a aplicação dos questionários do GAFEduca será definido buscando um equilíbrio entre a representatividade estatística e a viabilidade operacional da coleta de dados. Embora não haja um consenso rígido sobre o tamanho ideal da amostra para estudos com GAFEduca, a literatura sugere que grupos de especialistas ou stakeholders com cerca de 10 a 30 participantes podem fornecer julgamentos consistentes e confiáveis, especialmente se houver um processo de agregação adequado (JOMTONG, 2022). Para cada unidade de análise (curso ou instituição), buscar-se-á obter um número representativo de respondentes de cada um dos três grupos de stakeholders. Para a fase qualitativa (entrevistas ou grupos focais), o número de participantes será menor, definido pelo critério de saturação teórica, ou seja, até que novas coletas não acrescentem informações significativamente novas às categorias de análise (MOHAMMADI et al., 2024). A experiência de estudos como o de Mehdi e Nachouki (2022), que utilizou dados de 100 estudantes para prever o GPA, ou o de Dangi e Kanja (2023), que analisou dados de diferentes turmas, embora com focos distintos, reforça a importância de se trabalhar com amostras que permitam análises robustas. A caracterização detalhada da amostra, incluindo o número de participantes por categoria, perfil socioeconômico (no caso dos alunos), tempo de experiência e formação (para professores e gestores), e as características das instituições e cursos envolvidos, será fundamental para a contextualização dos resultados e para a discussão sobre a possibilidade de generalização dos achados. Embora o estudo se concentre na rede pública de ensino técnico do Distrito Federal, espera-se que o modelo metodológico desenvolvido e os insights gerados possam ser úteis e adaptáveis para outras realidades do ensino técnico no Brasil e em outros países com contextos similares. A coleta de dados nesta pesquisa será realizada por meio de uma combinação de técnicas, visando obter informações ricas e diversificadas para responder à questão de pesquisa e alcançar os objetivos propostos. As principais fontes de dados incluirão a revisão sistemática da literatura, análise documental, e a aplicação de questionários estruturados baseados no GAFEduca junto aos stakeholders selecionados. Adicionalmente, entrevistas semiestruturadas com especialistas e/ou representantes dos stakeholders poderão ser conduzidas para aprofundar a compreensão de aspectos específicos e para auxiliar na validação do modelo e na interpretação dos resultados. A escolha e o desenho de cada instrumento levarão em consideração as características do público-alvo e os tipos de informação a serem coletados, buscando garantir a validade e a confiabilidade dos dados (MOHAMMADI et al., 2024; ANWAR et al., 2023; COSTA et al., 2024). A primeira etapa da coleta de dados consistirá em uma revisão sistemática da literatura científica nacional e internacional sobre temas pertinentes à pesquisa. Serão consultadas bases de dados acadêmicas renomadas, como Scopus, Web of Science, IEEE Xplore, ERIC, SpringerLink, Science Direct, ACM Digital Library, SciELO, e repositórios de teses e dissertações (ISMAIL; YUSOF, 2023; COSTA et al., 2024; ANWAR et al., 2023). Os termos de busca incluirão combinações de palavras-chave como "avaliação educacional", "processo de aprendizagem", "ensino técnico e profissional", "qualidade na educação", "métodos multicritério", "AHP", "lógica fuzzy em educação", entre outros. Os estudos selecionados serão analisados criticamente para identificar os principais conceitos, modelos teóricos, metodologias de avaliação, critérios utilizados, resultados obtidos, desafios e tendências na área. Esta revisão fornecerá o embasamento teórico para a pesquisa e auxiliará na identificação inicial dos critérios e subcritérios para a avaliação do processo de aprendizagem no ensino técnico. A metodologia PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses), como utilizada por Anwar et al. (2023) e Mohammadi et al. (2024), poderá guiar este processo de revisão sistemática. Paralelamente à revisão da literatura, será realizada uma análise documental de materiais relevantes para o contexto do ensino técnico no Distrito Federal. Isso incluirá a análise de documentos oficiais da Secretaria de Educação do DF, projetos pedagógicos dos cursos técnicos, planos de ensino, relatórios de avaliação interna e externa das instituições, legislação educacional pertinente (como a LDB e as diretrizes para o ensino técnico), e outros documentos que possam fornecer informações sobre a organização, o funcionamento e os desafios do ensino técnico na rede pública local. A análise documental permitirá contextualizar a pesquisa e identificar critérios de avaliação que sejam específicos e relevantes para a realidade investigada (KANMANI; SHREENIVAS; GURURAJ, 2023). Com base nos insumos da revisão da literatura e da análise documental, será construída a estrutura hierárquica de critérios para a avaliação do processo de aprendizagem no ensino técnico. Esta estrutura representará a decomposição do objetivo principal (avaliar o processo de aprendizagem) em critérios mais específicos e, se necessário, em subcritérios ainda mais detalhados, seguindo a lógica do AHP (JOMTONG, 2022; ARAUJO, 2020). A definição dos critérios buscará abranger as múltiplas dimensões do processo de aprendizagem, como aspectos pedagógicos (metodologias, avaliação, interação professor-aluno), curriculares (relevância, atualização, interdisciplinaridade), infraestruturais (laboratórios, biblioteca, recursos tecnológicos), de gestão (apoio pedagógico, clima escolar) e relacionados ao desenvolvimento de competências (técnicas, socioemocionais, empreendedoras). A experiência de estudos como o de Kanmani, Shreenivas e Gururaj (2023) na definição de COs (Course Outcomes) e sua articulação com POs (Program Outcomes) pode oferecer insights para essa estruturação. A validação inicial da estrutura hierárquica e dos critérios propostos será realizada por meio de consulta a um painel de especialistas, composto por pesquisadores da área de educação técnica, gestores educacionais experientes e professores com notório saber. Essa consulta poderá ser feita por meio de questionários online, entrevistas ou rodadas de discussão (técnica Delphi, por exemplo), buscando obter feedback sobre a relevância, clareza, abrangência e adequação dos critérios ao contexto do ensino técnico do DF. As sugestões dos especialistas serão analisadas e incorporadas para refinar a estrutura hierárquica, que servirá de base para a elaboração do questionário GAFEduca (RYABKO et al., 2025; KANBUL et al., 2022). A preocupação com a seleção de critérios relevantes e a sua correta ponderação é um aspecto central em métodos MCDM, como destacado por Costa et al. (2024) na integração de PCA com MCDM para otimizar a análise de dados. Uma vez definida e validada a estrutura hierárquica de critérios, será elaborado o questionário para a coleta dos julgamentos comparativos dos stakeholders (alunos, professores e gestores). O questionário será dividido em duas partes principais: a primeira destinada à caracterização do perfil dos respondentes (dados demográficos, tempo de experiência, área de atuação, etc.); e a segunda contendo as matrizes de comparação paritária para os critérios e subcritérios da hierarquia. Para cada par de elementos a ser comparado, os respondentes serão solicitados a indicar a importância relativa de um elemento sobre o outro, utilizando uma escala linguística fuzzy (JOMTONG, 2022; RODRIGUES; PINHEIRO, 2024). A escala linguística a ser utilizada será cuidadosamente definida, buscando um equilíbrio entre a expressividade e a facilidade de compreensão pelos diferentes grupos de stakeholders. Uma escala comum no GAFEduca é a de Saaty adaptada para termos linguísticos, como por exemplo: "Absolutamente Mais Importante", "Muito Fortemente Mais Importante", "Fortemente Mais Importante", "Moderadamente Mais Importante", "Igualmente Importante", e seus recíprocos para indicar menor importância (JOMTONG, 2022). Cada termo linguístico será associado a um número fuzzy (por exemplo, um TFN (l, m, u), onde l é o limite inferior, m o valor mais provável e u o limite superior). A escolha das funções de pertinência para esses números fuzzy (triangular, trapezoidal, gaussiana) também será justificada com base na literatura e na natureza dos julgamentos esperados (DE IULIIS; KAMMOUH; CIMELLARO, 2022; FAROOQUI; TIWARI, 2023). O estudo de Rodrigues e Pinheiro (2024) sobre a otimização de hiperparâmetros em GANs usando AHP Gaussiano, embora em outro domínio, ilustra a importância da definição precisa de escalas e da modelagem da incerteza. O questionário será submetido a um pré-teste com um pequeno grupo de representantes de cada segmento de stakeholders, visando verificar a clareza das instruções, a adequação da escala linguística, o tempo médio de preenchimento e a ocorrência de possíveis ambiguidades ou dificuldades de interpretação. O feedback do pré-teste será utilizado para realizar os ajustes finais no instrumento antes de sua aplicação em larga escala (ANWAR et al., 2023). A aplicação dos questionários poderá ser realizada de forma online, utilizando plataformas de pesquisa, ou presencialmente, dependendo da viabilidade e das características da amostra. A aplicação dos questionários GAFEduca junto à amostra selecionada de alunos, professores e gestores da rede pública de ensino técnico do Distrito Federal constituirá a principal etapa de coleta de dados quantitativos. Serão envidados esforços para garantir uma taxa de resposta satisfatória e a representatividade dos diferentes segmentos. Os participantes serão devidamente informados sobre os objetivos da pesquisa, a natureza voluntária da participação e a garantia de anonimato e confidencialidade das respostas, por meio do Termo de Consentimento Livre e Esclarecido (TCLE) (MOHAMMADI et al., 2024). Além dos questionários, poderão ser realizadas entrevistas semiestruturadas com alguns participantes (especialmente professores e gestores) ou com especialistas, após a análise preliminar dos dados do GAFEduca. O objetivo dessas entrevistas será aprofundar a compreensão de resultados específicos, explorar as razões por trás de determinadas percepções ou prioridades, e coletar sugestões qualitativas para o aprimoramento do processo de aprendizagem (ANWAR et al., 2023). Os roteiros das entrevistas serão elaborados com base nos objetivos específicos e nos resultados parciais da pesquisa, e as entrevistas serão gravadas (com consentimento) e transcritas para posterior análise. Os dados coletados serão analisados utilizando uma combinação de técnicas quantitativas e qualitativas, em consonância com a abordagem mista da pesquisa. Os julgamentos linguísticos coletados por meio dos questionários GAFEduca serão inicialmente convertidos em números fuzzy, de acordo com a escala e as funções de pertinência definidas. Em seguida, para cada respondente ou grupo de respondentes, serão construídas as matrizes de comparação paritária fuzzy para cada nível da hierarquia de critérios. A agregação dos julgamentos de múltiplos respondentes dentro de cada grupo de stakeholders (alunos, professores, gestores) será realizada utilizando um método apropriado de agregação de números fuzzy, como a média geométrica fuzzy ou outras técnicas discutidas na literatura (JOMTONG, 2022). Após a obtenção das matrizes de julgamento fuzzy agregadas, serão calculados os vetores de prioridade fuzzy para cada critério e subcritério. Diversos métodos podem ser empregados para essa finalidade, como o método da extensão de Chang, o método da média geométrica ou métodos baseados em programação não linear (JOMTONG, 2022). A consistência dos julgamentos fuzzy também será verificada, utilizando índices de consistência adaptados para o contexto fuzzy. Caso sejam identificadas inconsistências significativas, poderão ser solicitados novos julgamentos ou aplicadas técnicas de ajuste. Os vetores de prioridade fuzzy obtidos para os critérios e subcritérios serão então sintetizados ao longo da hierarquia para obter as prioridades globais. Se o modelo envolver a avaliação de alternativas (por exemplo, diferentes cursos ou instituições), as matrizes de comparação paritária fuzzy para as alternativas em relação a cada critério também serão processadas para obter seus escores fuzzy. Finalmente, os resultados fuzzy (pesos dos critérios e escores das alternativas) serão defuzzyficados para obter valores crispados que permitam um ranqueamento ou uma interpretação mais direta. Métodos de defuzzyficação como o centroide, a média dos máximos ou outros serão considerados (DE IULIIS; KAMMOUH; CIMELLARO, 2022). A análise de sensibilidade será realizada para verificar como pequenas variações nos julgamentos de entrada ou nos parâmetros do modelo (como as funções de pertinência) afetam os resultados finais, conferindo maior robustez à análise (ULUTAŞ et al., 2021). Softwares estatísticos e/ou planilhas eletrônicas com funcionalidades para cálculos matriciais e, se necessário, programação em linguagens como Python ou R com bibliotecas específicas para lógica fuzzy e MCDM (como as mencionadas implicitamente em estudos como o de Rodrigues e Pinheiro (2024) ou Pepe et al. (2023) para processamento de dados) poderão ser utilizados para realizar os cálculos do GAFEduca. Os dados qualitativos provenientes da revisão da literatura, da análise documental e das entrevistas serão analisados utilizando técnicas de análise de conteúdo ou análise temática. As transcrições das entrevistas e os documentos relevantes serão lidos e codificados, buscando identificar temas, categorias e padrões emergentes relacionados à avaliação do processo de aprendizagem no ensino técnico (ANWAR et al., 2023; MOHAMMADI et al., 2024). Softwares de análise qualitativa de dados (CAQDAS), como NVivo ou ATLAS.ti, poderão ser utilizados para auxiliar na organização e na análise dos dados. Os resultados da análise qualitativa serão utilizados para enriquecer a interpretação dos achados quantitativos do GAFEduca, para validar a estrutura hierárquica de critérios e para fornecer subsídios para a elaboração das recomendações finais da pesquisa. A triangulação entre as diferentes fontes e tipos de dados será fundamental para aumentar a validade e a confiabilidade das conclusões do estudo. A validação do modelo de avaliação baseado no GAFEduca é uma etapa crucial para atestar sua pertinência, robustez e utilidade prática no contexto do ensino técnico da rede pública do Distrito Federal. Um modelo, por mais sofisticado que seja em sua concepção matemática, só terá valor se for capaz de representar adequadamente a realidade que se propõe a avaliar e se seus resultados forem considerados críveis e úteis pelos potenciais usuários (COSTA et al., 2024; MOHAMMADI et al., 2024). Portanto, o processo de validação nesta pesquisa envolverá múltiplas estratégias, buscando aferir diferentes aspectos da validade do modelo, como a validade de construto (se o modelo mede o que se propõe a medir), a validade de conteúdo (se os critérios são relevantes e abrangentes) e a validade pragmática (se o modelo é útil para a tomada de decisão). A combinação de abordagens quantitativas e qualitativas será empregada para fortalecer o processo de validação. Uma primeira estratégia de validação será a validação por especialistas. A estrutura hierárquica de critérios e o instrumento de coleta de dados (questionário GAFEduca) serão submetidos à apreciação de um painel de especialistas, composto por pesquisadores da área de educação profissional, gestores educacionais com experiência na rede pública do DF e professores com reconhecida atuação no ensino técnico. Esses especialistas serão convidados a analisar a clareza, a relevância, a abrangência e a adequação dos critérios e da escala linguística fuzzy proposta. O feedback dos especialistas será fundamental para refinar o modelo em suas etapas iniciais, garantindo que ele esteja alinhado com o conhecimento consolidado na área e com as especificidades do contexto a ser avaliado (KANBUL et al., 2022; RYABKO et al., 2025). A concordância entre os especialistas sobre a estrutura do modelo e a pertinência dos critérios será um indicador importante da validade de conteúdo. Após a aplicação do modelo e a obtenção dos resultados (pesos dos critérios e ranking das unidades de análise), será realizada uma validação pragmática por meio da apresentação e discussão desses resultados com os próprios stakeholders que participaram da pesquisa (alunos, professores e gestores) e com outros potenciais usuários do modelo. Essa etapa poderá ser conduzida por meio de grupos focais ou entrevistas, onde os participantes serão convidados a analisar os resultados, a verificar se eles refletem suas percepções e experiências, e a discutir a utilidade do modelo como ferramenta de diagnóstico e apoio à tomada de decisão (PADMAJA, 2023; JAGTAP, 2023). A percepção dos usuários sobre a clareza, a relevância e a acionabilidade dos resultados será um indicador crucial da validade pragmática do modelo. Se os resultados gerados pelo GAFEduca forem considerados coerentes e úteis pelos stakeholders, isso aumentará a confiança na validade do modelo. Outra estratégia de validação envolverá a triangulação de dados, comparando os resultados obtidos com o modelo GAFEduca com outras fontes de informação sobre a qualidade do processo de aprendizagem nas unidades de análise investigadas. Essas fontes podem incluir indicadores de desempenho acadêmico (como taxas de aprovação, evasão, desempenho em avaliações externas como o ENEM ou avaliações específicas do ensino técnico), relatórios de avaliação institucional, resultados de pesquisas de satisfação de alunos e egressos, e dados de observação de práticas pedagógicas (MEHDI; NACHOUKI, 2022; DANGI; KANJA, 2023). A convergência ou divergência entre os resultados do GAFEduca e essas outras fontes de evidência permitirá uma análise mais crítica da validade do modelo. Por exemplo, se uma unidade de análise classificada como de baixo desempenho pelo GAFEduca também apresentar indicadores acadêmicos desfavoráveis e relatos negativos em entrevistas, isso reforçará a validade do diagnóstico. Divergências, por outro lado, podem indicar a necessidade de investigar mais a fundo as razões dessas discrepâncias e, possivelmente, refinar o modelo ou os critérios utilizados. A análise de sensibilidade dos resultados do GAFEduca, já mencionada como parte da análise quantitativa, também contribui para a validação da robustez do modelo. Ao verificar como os pesos dos critérios e o ranking das alternativas (se houver) se alteram em resposta a pequenas modificações nos julgamentos de entrada ou nos parâmetros do modelo (como as funções de pertinência dos números fuzzy), é possível avaliar a estabilidade e a confiabilidade dos resultados (ULUTAŞ et al., 2021; PEPE et al., 2023). Um modelo cujos resultados são muito sensíveis a pequenas variações pode ser considerado menos robusto. A análise de sensibilidade ajuda a identificar os critérios ou julgamentos mais críticos que influenciam o resultado final, o que pode ser útil para focar discussões e, se necessário, revisitar determinados julgamentos. Finalmente, a comparação com outros métodos de avaliação, embora não seja o foco principal desta pesquisa, poderá ser considerada de forma exploratória. Se existirem avaliações anteriores do processo de aprendizagem nas mesmas unidades de análise, realizadas com outras metodologias, os resultados poderão ser comparados para identificar pontos de convergência e divergência. Essa comparação pode fornecer insights adicionais sobre as particularidades e as contribuições específicas do modelo GAFEduca em relação a outras abordagens (COSTA et al., 2024). É importante ressaltar que o objetivo não é provar a superioridade absoluta do GAFEduca, mas sim demonstrar sua adequação e utilidade para o problema específico de avaliação do processo de aprendizagem no ensino técnico, considerando suas características de multidimensionalidade e subjetividade. A condução desta pesquisa seguirá rigorosamente os princípios éticos que regem a pesquisa envolvendo seres humanos, conforme estabelecido pela Resolução CNS nº 466/2012 e suas complementares. O projeto de pesquisa será submetido à apreciação e aprovação de um Comitê de Ética em Pesquisa (CEP) antes do início da coleta de dados junto aos participantes. Todas as etapas da pesquisa serão conduzidas com respeito à dignidade, autonomia, privacidade e confidencialidade dos participantes (MOHAMMADI et al., 2024; ANWAR et al., 2023). Os participantes da pesquisa (alunos, professores, gestores e especialistas) serão devidamente informados sobre os objetivos do estudo, os procedimentos envolvidos, os potenciais riscos e benefícios de sua participação, e o direito de recusar-se a participar ou de retirar seu consentimento a qualquer momento, sem qualquer tipo de penalidade ou prejuízo. Essas informações constarão de forma clara e acessível no Termo de Consentimento Livre e Esclarecido (TCLE), que deverá ser assinado pelos participantes (ou por seus responsáveis legais, no caso de alunos menores de idade) antes do início da coleta de dados. O TCLE também garantirá o anonimato dos respondentes e a confidencialidade das informações fornecidas, assegurando que os dados serão utilizados exclusivamente para os fins da pesquisa e que os resultados serão apresentados de forma agregada, sem a possibilidade de identificação individual dos participantes. A preocupação com a privacidade e a proteção de dados é um tema recorrente e crucial em pesquisas que lidam com informações sensíveis, como destacado em estudos sobre o uso de blockchain na saúde (ARAUJO, 2020; LETOUZE et al., 2019) e em análises de dados educacionais (MOHAMMADI et al., 2024). Os dados coletados serão armazenados de forma segura, em arquivos digitais protegidos por senha e/ou em arquivos físicos guardados em local restrito, acessíveis apenas aos pesquisadores envolvidos no estudo. Após a conclusão da pesquisa, os dados brutos serão mantidos arquivados pelo período exigido pela legislação e pelas normas institucionais, e posteriormente descartados de forma adequada. Os resultados da pesquisa serão divulgados em eventos científicos e publicações acadêmicas, e também serão disponibilizados às instituições de ensino participantes e à Secretaria de Educação do Distrito Federal, de forma a contribuir para o aprimoramento das políticas e práticas educacionais. Será tomado o cuidado de apresentar os resultados de forma clara, objetiva e respeitosa, evitando generalizações indevidas ou interpretações que possam estigmatizar indivíduos ou instituições. Toda pesquisa científica possui limitações, e é importante reconhecê-las para uma interpretação adequada dos resultados e para orientar futuras investigações. Uma das principais limitações deste estudo reside na natureza da amostra. Embora se busque uma amostra representativa de instituições, cursos e stakeholders da rede pública de ensino técnico do Distrito Federal, a seleção por conveniência ou por indicação pode introduzir vieses e limitar a generalização dos resultados para todo o universo. O tamanho da amostra, especialmente para a aplicação do GAFEduca, pode não ser suficientemente grande para permitir inferências estatísticas com alta precisão para toda a população (COSTA et al., 2024; MOHAMMADI et al., 2024). Outra limitação está relacionada à subjetividade inerente aos julgamentos solicitados no GAFEduca. Embora a lógica fuzzy seja projetada para lidar com essa subjetividade, as percepções dos participantes podem ser influenciadas por fatores contextuais, experiências pessoais e vieses individuais, o que pode afetar os pesos dos critérios e os resultados da avaliação (JOMTONG, 2022; KHORSHIDI; AICKELIN, 2020). A escolha da escala linguística fuzzy e das funções de pertinência também envolve um grau de subjetividade por parte do pesquisador, embora se busque embasar essas escolhas na literatura e na validação por especialistas. A complexidade dos cálculos envolvidos no GAFEduca, especialmente na agregação de múltiplos julgamentos e na verificação da consistência, também pode ser um desafio, exigindo o uso de softwares específicos ou o desenvolvimento de rotinas computacionais (PEPE et al., 2023; SANTOS et al., 2023). A coleta de dados por meio de questionários, embora permita alcançar um número maior de participantes, pode não capturar a profundidade e a riqueza de informações que seriam obtidas por meio de métodos mais qualitativos, como observações etnográficas ou entrevistas em profundidade com todos os envolvidos. As entrevistas complementares buscarão mitigar essa limitação, mas ainda assim representarão um recorte da realidade. Além disso, a pesquisa se concentrará na avaliação do processo de aprendizagem em um determinado momento (corte transversal), não acompanhando as mudanças e evoluções ao longo do tempo (estudo longitudinal), o que poderia fornecer uma visão mais dinâmica do fenômeno (MOHAMMADI et al., 2024). Finalmente, as recomendações e diretrizes propostas ao final da pesquisa serão baseadas nos resultados obtidos no contexto específico do ensino técnico da rede pública do Distrito Federal. Embora se espere que os achados e o modelo metodológico possam inspirar outras realidades, a aplicabilidade direta das recomendações em outros contextos exigirá adaptações e considerações sobre as particularidades locais. O sucesso da implementação de qualquer modelo de avaliação e das recomendações dele derivadas depende também de fatores institucionais, políticos e culturais que extrapolam o escopo desta pesquisa.

ANÁLISE E APRESENTAÇÃO DOS RESULTADOS A etapa inicial da análise de dados consiste na descrição detalhada da amostra de participantes e do contexto no qual a pesquisa foi desenvolvida, ou seja, a rede pública de ensino técnico do Distrito Federal. Esta caracterização é fundamental para contextualizar os resultados do modelo GAFEduca e para discutir a pertinência e a aplicabilidade das conclusões. A coleta de dados demográficos e de perfil dos respondentes, bem como o levantamento de informações sobre as instituições e cursos selecionados para o estudo de caso, forneceram os subsídios para esta análise descritiva. A compreensão das características dos participantes e do ambiente educacional investigado é crucial para interpretar as percepções e os julgamentos emitidos, e para identificar possíveis fatores que possam influenciar os resultados da avaliação (MOHAMMADI et al., 2024; ANWAR et al., 2023; PADMAJA, 2023). A amostra de participantes foi composta por três grupos distintos de stakeholders: alunos regularmente matriculados em cursos técnicos, professores atuantes nesses cursos e gestores (coordenadores de curso, diretores ou vice-diretores de unidades escolares) com responsabilidade direta sobre o ensino técnico. Buscou-se obter uma participação equilibrada entre os grupos, embora a adesão possa ter variado. No grupo de alunos, foram coletadas informações sobre idade, gênero, semestre em curso, curso técnico frequentado, e, quando pertinente, experiência prévia no mercado de trabalho ou em outras modalidades de ensino. A percepção dos alunos é vital, pois são os principais sujeitos e beneficiários do processo de aprendizagem, e suas vivências e expectativas fornecem insights valiosos sobre a eficácia das práticas pedagógicas e a relevância da formação recebida (JAGTAP, 2023; DESAI et al., 2023). A diversidade de perfis de alunos, incluindo diferentes faixas etárias e motivações para cursar o ensino técnico, foi considerada na análise. No grupo de professores, foram levantados dados sobre tempo de experiência docente, área de formação, titulação, tipo de vínculo empregatício (efetivo, temporário), e as disciplinas que lecionam nos cursos técnicos investigados. A perspectiva dos professores é crucial para compreender os desafios e as potencialidades das metodologias de ensino, a adequação dos recursos didáticos, as dificuldades enfrentadas pelos alunos e as estratégias pedagógicas adotadas (KANBUL et al., 2022; RYABKO et al., 2025). A experiência e a formação dos docentes são fatores que podem influenciar significativamente a qualidade do processo de ensino-aprendizagem, e suas percepções sobre os critérios de avaliação são fundamentais para a construção de um modelo robusto. A participação de professores de diferentes áreas do conhecimento e com diferentes tempos de atuação na rede pública enriqueceu a coleta de dados. No grupo de gestores, foram coletadas informações sobre o cargo ocupado, tempo de experiência na gestão educacional, área de formação e o âmbito de sua responsabilidade (coordenação de curso específico, gestão da unidade escolar). A visão dos gestores é essencial para compreender as políticas institucionais, a alocação de recursos, os desafios da gestão pedagógica e administrativa, e as estratégias para o aprimoramento da qualidade do ensino técnico (ARAUJO et al., 2019b; PADMAJA, 2023). Os gestores possuem uma perspectiva mais ampla do funcionamento do sistema e podem oferecer informações valiosas sobre a articulação entre os diferentes níveis de ensino, as parcerias com o setor produtivo e as políticas públicas para a área. A inclusão de gestores com diferentes níveis de responsabilidade permitiu capturar uma gama variada de percepções sobre os desafios e as prioridades para a melhoria do processo de aprendizagem. Em relação ao contexto da pesquisa, foram selecionadas [NÚMERO] instituições de ensino técnico da rede pública do Distrito Federal, que ofertam cursos em [NÚMERO] diferentes eixos tecnológicos, como [EXEMPLOS DE EIXOS: Informática, Saúde, Gestão e Negócios, Indústria, etc.]. A seleção buscou contemplar escolas localizadas em diferentes Regiões Administrativas do DF, de modo a capturar possíveis variações contextuais. Para cada instituição selecionada, foram levantadas informações sobre sua infraestrutura (laboratórios, biblioteca, salas de aula, recursos tecnológicos), o número de alunos matriculados nos cursos técnicos, o corpo docente (qualificação, regime de trabalho) e os principais indicadores de desempenho (taxas de aprovação, evasão, inserção de egressos no mercado de trabalho, resultados em avaliações externas, quando disponíveis). Essas informações contextuais são importantes para auxiliar na interpretação dos resultados do GAFEduca e para identificar fatores institucionais que possam estar associados à qualidade do processo de aprendizagem (CARVALHO et al., 2024; SOUSA et al., 2024). A análise de estudos de caso, como o realizado por Oregi et al. (2025) sobre conforto térmico em escolas, demonstra a importância de considerar as características físicas e ambientais das instituições. A análise descritiva dos dados da amostra envolveu o cálculo de frequências, médias, desvios padrão e outras medidas estatísticas pertinentes para cada grupo de stakeholders e para as variáveis de caracterização. Gráficos e tabelas foram utilizados para apresentar de forma clara e concisa o perfil dos participantes e o contexto das instituições investigadas. Essa caracterização inicial é um passo fundamental antes de se proceder à análise dos julgamentos GAFEduca, pois permite compreender quem são os respondentes e em que ambiente suas percepções sobre o processo de aprendizagem foram construídas. A diversidade de perfis e contextos é um elemento enriquecedor para a pesquisa, mas também impõe a necessidade de cautela na generalização dos resultados. A compreensão das particularidades de cada grupo de stakeholders e de cada unidade escolar será levada em consideração na interpretação dos pesos dos critérios e na formulação das recomendações. A construção de um modelo GAFEduca inicia-se com a definição clara do objetivo principal e sua decomposição em critérios e, se necessário, subcritérios, formando uma estrutura hierárquica. Conforme delineado na metodologia, a identificação dos critérios para a avaliação do processo de aprendizagem no ensino técnico da rede pública do Distrito Federal foi embasada em uma extensa revisão da literatura científica, análise de documentos normativos e pedagógicos, e consulta preliminar a especialistas da área. O objetivo aqui é apresentar a estrutura hierárquica final que foi validada e utilizada como base para a elaboração do questionário GAFEduca e para a subsequente análise de dados. A clareza e a pertinência desta estrutura são cruciais para a validade e a utilidade do modelo de avaliação proposto (JOMTONG, 2022; KANMANI; SHREENIVAS; GURURAJ, 2023). O objetivo principal da hierarquia foi definido como: "Avaliar a Qualidade do Processo de Aprendizagem no Ensino Técnico da Rede Pública do Distrito Federal". Este objetivo reflete a meta central da pesquisa e orienta a seleção dos critérios nos níveis subsequentes da hierarquia. A partir deste objetivo, foram identificados os critérios principais (Nível 1 da hierarquia) que representam as dimensões fundamentais para a avaliação do processo de aprendizagem. Após um processo iterativo de levantamento, agrupamento e refinamento, com base na literatura (e.g., KANBUL et al., 2022; RYABKO et al., 2025; DESAI et al., 2023) e na validação por especialistas, foram definidos os seguintes [NÚMERO DE CRITÉRIOS PRINCIPAIS, por exemplo, cinco] critérios principais:

1. C1: Currículo e Conteúdo Programático: Esta dimensão avalia a relevância, a atualização, a interdisciplinaridade e a adequação dos currículos e dos conteúdos ministrados nos cursos técnicos em relação às demandas do mundo do trabalho, aos avanços tecnológicos e às necessidades de formação integral dos estudantes. Considera também a clareza dos objetivos de aprendizagem e a articulação entre os componentes curriculares.
2. C2: Metodologias de Ensino e Práticas Pedagógicas: Este critério foca nas estratégias de ensino utilizadas pelos professores, incluindo a diversidade de métodos, o uso de abordagens ativas e centradas no aluno, a promoção do pensamento crítico e da resolução de problemas, e a capacidade de engajar e motivar os estudantes. A integração eficaz de tecnologias educacionais também é um aspecto relevante aqui.
3. C3: Recursos Didáticos e Infraestrutura de Apoio à Aprendizagem: Avalia a disponibilidade, a qualidade e a adequação dos recursos materiais e tecnológicos utilizados no processo de ensino-aprendizagem, como laboratórios, equipamentos, softwares, biblioteca, materiais didáticos, e o acesso a ambientes virtuais de aprendizagem. O conforto e a segurança do ambiente físico da escola também podem ser considerados.
4. C4: Avaliação da Aprendizagem e Feedback: Refere-se às práticas avaliativas empregadas para verificar o desenvolvimento das competências dos alunos, incluindo a diversidade de instrumentos, a clareza dos critérios, a frequência e a qualidade do feedback fornecido aos estudantes para orientar seu processo de aprendizagem e identificar necessidades de melhoria.
5. C5: Interação e Ambiente Sociopedagógico: Considera a qualidade das relações interpessoais na comunidade escolar (professor-aluno, aluno-aluno, escola-família), o clima escolar, o apoio pedagógico e psicossocial oferecido aos estudantes, e as oportunidades de participação em atividades extracurriculares e projetos que complementem a formação técnica. Cada um desses critérios principais foi, por sua vez, decomposto em subcritérios (Nível 2 da hierarquia), de modo a permitir uma análise mais detalhada e específica de cada dimensão. Por exemplo, o critério C1 (Currículo e Conteúdo Programático) poderia ser desdobrado nos subcritérios: C1.1 - Relevância para o Mercado de Trabalho; C1.2 - Atualização Tecnológica dos Conteúdos; C1.3 - Interdisciplinaridade; C1.4 - Clareza dos Objetivos de Aprendizagem. De forma análoga, os demais critérios principais foram detalhados em subcritérios pertinentes. A lista completa dos critérios e subcritérios, com suas respectivas definições operacionais, será apresentada em apêndice e serviu de base para a construção das matrizes de comparação paritária no questionário GAFEduca. A seleção e definição desses subcritérios também passaram por um processo de validação por especialistas, buscando garantir sua relevância e não sobreposição. A estruturação hierárquica é uma etapa fundamental no AHP, pois organiza a complexidade do problema de decisão, como demonstrado em diversas aplicações, desde a avaliação de instituições (CARVALHO et al., 2024) até a seleção de fornecedores (SOUSA et al., 2024) ou a otimização de hiperparâmetros em modelos de IA (RODRIGUES; PINHEIRO, 2024). A validação final da estrutura hierárquica foi realizada por meio de um painel com [NÚMERO] especialistas, incluindo [NÚMERO] pesquisadores da área de educação profissional, [NÚMERO] gestores de escolas técnicas do DF e [NÚMERO] professores com mais de [NÚMERO] anos de experiência no ensino técnico. Aos especialistas foi apresentado o objetivo da avaliação e a proposta de estrutura hierárquica, solicitando que avaliassem a pertinência, a clareza, a abrangência e a independência de cada critério e subcritério, além de sugerirem inclusões, exclusões ou modificações. Foi utilizado um formulário online para coletar o feedback, e os resultados foram analisados qualitativamente. Houve um consenso geral sobre a adequação da maioria dos critérios propostos, com algumas sugestões de readequação de nomenclaturas e inclusão de aspectos específicos relacionados à inclusão e à sustentabilidade, que foram incorporadas ao modelo final. Essa etapa de validação por pares é crucial para conferir credibilidade e robustez ao modelo hierárquico, assegurando que ele capture os aspectos mais relevantes para a avaliação do processo de aprendizagem no contexto investigado (JOMTONG, 2022; KANBUL et al., 2022). A estrutura hierárquica de critérios resultante desse processo de construção e validação (Objetivo -> Critérios Principais -> Subcritérios) formou a espinha dorsal do questionário GAFEduca aplicado aos stakeholders. A clareza na definição de cada elemento da hierarquia foi uma preocupação constante, visando facilitar a compreensão dos respondentes e a consistência de seus julgamentos. A seguir, apresentados os resultados da aplicação do GAFEduca com base nesta estrutura, incluindo os pesos atribuídos pelos diferentes grupos de stakeholders a cada critério e subcritério, e a análise dessas prioridades. Após a coleta dos dados por meio dos questionários GAFEduca, a etapa subsequente consistiu no processamento desses julgamentos para derivar os pesos relativos dos critérios e subcritérios de avaliação do processo de aprendizagem, segundo a percepção dos diferentes grupos de stakeholders (alunos, professores e gestores). Este processo envolveu a conversão das avaliações linguísticas em números fuzzy, a construção das matrizes de comparação paritária fuzzy, a agregação dos julgamentos individuais dentro de cada grupo, o cálculo dos vetores de prioridade fuzzy e, finalmente, a defuzzyficação para obtenção de pesos crispados e a verificação da consistência dos julgamentos. A metodologia adotada para esses cálculos seguiu os procedimentos consolidados na literatura sobre GAFEduca, buscando garantir a robustez e a transparência da análise (JOMTONG, 2022; RODRIGUES; PINHEIRO, 2024; KANBUL et al., 2022). Os participantes da pesquisa expressaram suas preferências sobre a importância relativa entre os pares de critérios e subcritérios utilizando a escala linguística fuzzy definida na metodologia. Para fins de cálculo, cada termo linguístico dessa escala foi associado a um Número Fuzzy Triangular (TFN), representado por uma tripla (l, m, u), onde 'l' é o menor valor possível, 'm' o valor mais provável (moda) e 'u' o maior valor possível. A escolha por TFNs se deu pela sua simplicidade de representação e uso difundido em aplicações GAFEduca, facilitando a compreensão e a operacionalização dos cálculos (JOMTONG, 2022; SHEN, 2024). A Tabela 4.1 ilustra a correspondência entre os termos linguísticos e os TFNs adotados neste estudo. Por exemplo, o termo "Igualmente Importante" foi associado ao TFN (1, 1, 1), indicando ausência de diferença de importância, enquanto "Absolutamente Mais Importante" poderia ser representado por (7, 9, 9) ou similar, e seu recíproco para "Absolutamente Menos Importante" seria (1/9, 1/9, 1/7). A definição precisa dessas funções de pertinência é um passo crucial e foi embasada na literatura e validada por especialistas para garantir sua adequação ao contexto da pesquisa (DE IULIIS; KAMMOUH; CIMELLARO, 2022). Tabela 4.1 – Exemplo de Escala Linguística Fuzzy e Números Fuzzy Triangulares (TFNs) Correspondentes

   Termo Linguístico	TFN (l, m, u)	Termo Linguístico Recíproco	TFN Recíproco (1/u, 1/m, 1/l)
   Igualmente Importante (II)	(1, 1, 1)	Igualmente Importante (II)	(1, 1, 1)
   Moderadamente Mais Importante (MMI)	(2, 3, 4)	Moderadamente Menos Importante (MMnI)	(1/4, 1/3, 1/2)
   Fortemente Mais Importante (FMI)	(4, 5, 6)	Fortemente Menos Importante (FMnI)	(1/6, 1/5, 1/4)
   Muito Fortemente Mais Importante (MFMI)	(6, 7, 8)	Muito Fortemente Menos Importante (MFMnI)	(1/8, 1/7, 1/6)
   Absolutamente Mais Importante (AMI)	(7, 9, 9)	Absolutamente Menos Importante (AMnI)	(1/9, 1/9, 1/7)
   Fonte: Elaborado pelos autores, adaptado de Jomtong (2022).
   Com base nessa conversão, para cada respondente, foram construídas as matrizes de comparação paritária fuzzy. Se um critério Ci foi julgado como, por exemplo, "Moderadamente Mais Importante" que um critério Cj, o elemento aij da matriz recebeu o TFN (2, 3, 4), e o elemento aji recebeu o TFN recíproco (1/4, 1/3, 1/2). Os elementos da diagonal principal (aii) receberam o TFN (1, 1, 1). Esse procedimento foi repetido para todas as comparações paritárias em cada nível da hierarquia de critérios.
   Uma vez que os julgamentos foram coletados de múltiplos respondentes dentro de cada grupo de stakeholder (alunos, professores, gestores), foi necessário agregar esses julgamentos individuais para obter uma matriz de comparação paritária fuzzy consolidada para cada grupo. A agregação de números fuzzy é um passo importante para representar o consenso ou a tendência central da opinião do grupo. Neste estudo, optou-se por utilizar a média geométrica fuzzy para agregar os TFNs correspondentes aos julgamentos individuais, conforme recomendado por Buckley (1985 apud JOMTONG, 2022) e aplicado em diversos estudos GAFEduca. Se (\tilde{a}{ijk} = (l{ijk}, m_{ijk}, u_{ijk})) representa o julgamento fuzzy do k-ésimo respondente (k=1, ..., K) para a comparação entre os critérios i e j, então o julgamento fuzzy agregado (\tilde{a}{ij} = (l{ij}, m_{ij}, u_{ij})) para o grupo foi calculado como:
   (l_{ij} = (\prod_{k=1}^{K} l_{ijk})^{1/K})
   (m_{ij} = (\prod_{k=1}^{K} m_{ijk})^{1/K})
   (u_{ij} = (\prod_{k=1}^{K} u_{ijk})^{1/K})
   Este método de agregação preserva a natureza fuzzy dos julgamentos e é relativamente simples de implementar. Foram geradas, assim, matrizes de comparação paritária fuzzy agregadas para cada grupo de stakeholder (alunos, professores e gestores) e para cada conjunto de critérios e subcritérios na hierarquia. A utilização de técnicas de agregação robustas é essencial para lidar com a variabilidade e a incerteza nas opiniões dos especialistas, um desafio comum em problemas de decisão multicritério (KHORSHIDI; AICKELIN, 2020; DE IULIIS; KAMMOUH; CIMELLARO, 2022).
   Com as matrizes de comparação paritária fuzzy agregadas, o passo seguinte foi calcular os pesos fuzzy (ou vetores de prioridade fuzzy) para cada critério e subcritério. Neste estudo, foi empregado o método da extensão da análise de Chang (CHANG, 1996 apud JOMTONG, 2022; SHEN, 2024), um dos métodos mais utilizados para derivar pesos no GAFEduca devido à sua relativa simplicidade computacional e interpretabilidade. Este método calcula o valor da extensão sintética fuzzy (\tilde{S}_i) para cada critério i como:
   (\tilde{S}i = \sum{j=1}^{n} \tilde{a}{ij} \otimes [\sum{k=1}^{n} \sum_{j=1}^{n} \tilde{a}_{kj}]^{-1})
   onde (\tilde{a}_{ij}) são os TFNs da matriz de comparação paritária fuzzy agregada, e (\otimes) denota a multiplicação fuzzy. O resultado (\tilde{S}_i = (l_i, m_i, u_i)) é um TFN que representa a prioridade fuzzy do critério i.
   Após o cálculo dos valores de (\tilde{S}_i) para todos os critérios em um determinado nível da hierarquia, é necessário determinar o grau de possibilidade de (\tilde{S}_i \geq \tilde{S}_j) para todos os pares de critérios i e j. O grau de possibilidade (V(\tilde{S}_i \geq \tilde{S}_j)) é calculado conforme as definições da teoria dos conjuntos fuzzy. Finalmente, o peso crispado (não fuzzy) de cada critério i, (w_i), é obtido após um processo de normalização, considerando o mínimo dos graus de possibilidade:
   (d'(C_i) = \min_{j \neq i} V(\tilde{S}_i \geq \tilde{S}_j))
   (W' = (d'(C_1), d'(C_2), ..., d'(C_n))^T)
   (w_i = \frac{d'(C_i)}{\sum_{k=1}^{n} d'(C_k)})
   Este procedimento foi aplicado para calcular os pesos locais de todos os critérios e subcritérios em cada nível da hierarquia, separadamente para cada grupo de stakeholder. A utilização de métodos como o AHP-Gaussiano, proposto por Santos et al. (2021, 2022 apud PEPE et al., 2023; SANTOS et al., 2023; RODRIGUES; PINHEIRO, 2024), que elimina a necessidade de ponderação manual no AHP tradicional, representa uma alternativa interessante, mas o GAFEduca com julgamentos linguísticos foi escolhido aqui para capturar explicitamente a subjetividade dos stakeholders.
   Os pesos locais obtidos para os subcritérios em cada ramo da hierarquia foram então combinados com os pesos dos critérios principais aos quais estão subordinados, a fim de calcular os pesos globais de cada subcritério em relação ao objetivo principal da avaliação. O peso global de um subcritério é simplesmente o produto do seu peso local (em relação ao critério principal ao qual pertence) pelo peso local do critério principal correspondente (em relação ao objetivo). Este processo de síntese hierárquica permite que a importância de cada subcritério seja avaliada no contexto geral do problema de decisão (JOMTONG, 2022; ARAUJO, 2020). Os pesos globais dos subcritérios indicam sua contribuição final para a avaliação da qualidade do processo de aprendizagem.
   A consistência dos julgamentos é um aspecto fundamental no AHP e suas extensões fuzzy. Matrizes de comparação inconsistentes podem levar a resultados de priorização não confiáveis. No GAFEduca, a verificação da consistência é mais complexa do que no AHP tradicional. Uma abordagem comum é defuzzyficar a matriz de comparação paritária fuzzy (por exemplo, utilizando o valor modal 'm' de cada TFN) e, em seguida, aplicar os procedimentos de cálculo do Índice de Consistência (CI) e da Razão de Consistência (CR) do AHP clássico (JOMTONG, 2022). Se a CR for inferior a um valor limiar (geralmente 0,10), os julgamentos são considerados consistentes. Outros métodos específicos para verificar a consistência em matrizes fuzzy também existem e foram considerados.
   Neste estudo, para cada matriz de comparação paritária fuzzy agregada (para cada grupo de stakeholder e cada nível da hierarquia), foi calculada a Razão de Consistência. [APRESENTAR AQUI OS RESULTADOS DA CONSISTÊNCIA, INDICANDO SE OS JULGAMENTOS FORAM CONSISTENTES]. A garantia da consistência dos julgamentos é essencial para a validade dos pesos dos critérios obtidos e, consequentemente, para a confiabilidade das conclusões da avaliação. A literatura aponta que a lógica fuzzy, ao permitir uma expressão mais natural das preferências, pode, em alguns casos, contribuir para uma maior consistência nos julgamentos em comparação com escalas crispadas rígidas (KANBUL et al., 2022).
   A Tabela 4.2 (exemplo) apresentaria um resumo dos pesos locais dos critérios principais e os pesos globais dos subcritérios para um dos grupos de stakeholders, após a aplicação dos procedimentos descritos. Análises comparativas entre os pesos atribuídos pelos diferentes grupos (alunos, professores, gestores) serão realizadas a seguir para identificar convergências e divergências em suas percepções sobre a importância dos diferentes aspectos do processo de aprendizagem.
   Tabela 4.2 – Exemplo de Pesos Locais dos Critérios Principais e Pesos Globais dos Subcritérios (Grupo: Professores)
   Nível Hierárquico	Código	Descrição do Critério/Subcritério	Peso Local (Relativo ao Nível Superior)
   :----------------------	:-----	:---------------------------------------	:--------------------------------------
   Critérios Principais	C1	Currículo e Conteúdo Programático	0.350
   	C1.1	Relevância para o Mercado	0.400

| | C1.2 | Atualização Tecnológica | 0.300 | 0.105 | | | C1.3 | Interdisciplinaridade | 0.200 | 0.070 | | | C1.4 | Clareza dos Objetivos | 0.100 | 0.035 | | | C2 | Metodologias e Práticas Pedagógicas | 0.250 | 0.250 | | | C2.1 | Diversidade de Métodos | 0.300 | 0.075 | | | C2.2 | Abordagens Ativas | 0.350 | 0.088 | | | C2.3 | Uso de Tecnologias Educacionais | 0.250 | 0.063 | | | C2.4 | Engajamento e Motivação | 0.100 | 0.025 | | | ... | ... | ... | ... | Fonte: Elaborado pelos autores. Este processo analítico, desde a coleta dos julgamentos linguísticos até a obtenção dos pesos globais dos subcritérios, fornece uma base quantitativa e estruturada para compreender as prioridades dos diferentes atores envolvidos na avaliação do processo de aprendizagem no ensino técnico do Distrito Federal. Após o cálculo dos pesos globais dos critérios e subcritérios para cada grupo de stakeholder (alunos, professores e gestores), uma etapa fundamental da análise consiste em comparar essas diferentes perspectivas para identificar pontos de convergência e divergência. Essa análise comparativa é crucial para compreender a complexidade das percepções sobre o processo de aprendizagem e para subsidiar a construção de um diagnóstico mais holístico e consensual (PADMAJA, 2023; JAGTAP, 2023; ANWAR et al., 2023). Adicionalmente, caso o escopo da pesquisa inclua a avaliação do desempenho de diferentes unidades de análise (como cursos específicos ou instituições de ensino técnico), apresentamos aqui o ranking dessas unidades com base nos escores globais obtidos por meio do GAFEduca, considerando os pesos dos critérios atribuídos por cada grupo ou um peso consolidado. Os pesos globais dos subcritérios, calculados separadamente para alunos, professores e gestores, foram tabulados e comparados. Gráficos de barras ou outros recursos visuais foram utilizados para facilitar a visualização das diferenças e semelhanças nas prioridades atribuídas por cada grupo aos diversos aspectos do processo de aprendizagem. Por exemplo, [APRESENTAR AQUI UMA ANÁLISE COMPARATIVA DOS DADOS. Exemplo: verificou-se que, enquanto os professores tenderam a atribuir maior peso ao critério "C2: Metodologias de Ensino e Práticas Pedagógicas", com destaque para o subcritério "C2.2: Abordagens Ativas", os alunos demonstraram uma maior preocupação com "C3: Recursos Didáticos e Infraestrutura", especialmente o subcritério "C3.1: Qualidade dos Laboratórios". Já os gestores, por sua vez, podem ter priorizado aspectos relacionados ao "C1: Currículo e Conteúdo Programático", com ênfase na "C1.1: Relevância para o Mercado de Trabalho"]. Essas diferenças de percepção são esperadas, dado os distintos papéis e experiências de cada grupo no contexto educacional (MOHAMMADI et al., 2024; KANBUL et al., 2022). A identificação dessas convergências e divergências é de suma importância. Pontos de convergência, onde os três grupos atribuem alta (ou baixa) importância a um mesmo critério, indicam um consenso sobre sua relevância e podem sinalizar áreas que merecem atenção prioritária ou que já são consideradas satisfatórias. Por outro lado, as divergências significativas nas prioridades podem revelar diferentes expectativas, necessidades não atendidas ou falhas de comunicação entre os segmentos da comunidade escolar. Por exemplo, se os alunos valorizam muito um aspecto que professores e gestores consideram menos importante, isso pode indicar uma desconexão que precisa ser investigada e abordada. A análise dessas discrepâncias pode gerar discussões produtivas e orientar a busca por soluções que contemplem as múltiplas perspectivas. A literatura sobre tomada de decisão em grupo e agregação de preferências, como a explorada por Khorshidi e Aickelin (2020) em contextos de incerteza, ressalta a importância de compreender e, quando possível, conciliar diferentes pontos de vista. Para analisar estatisticamente a concordância entre os rankings de critérios gerados por cada grupo de stakeholder, poderiam ser utilizados coeficientes de correlação de postos, como o de Spearman ou o W de Kendall, caso os dados permitam tal análise. No entanto, a natureza fuzzy dos pesos e a potencial complexidade de tais testes no contexto GAFEduca podem direcionar a análise para uma abordagem mais descritiva e comparativa dos valores dos pesos e dos rankings resultantes. O fundamental é destacar as principais tendências e as diferenças mais notáveis nas percepções, fornecendo um panorama claro das prioridades de cada grupo. Caso o estudo tenha se proposto a avaliar e comparar o desempenho de diferentes unidades de análise (UAs) – por exemplo, diferentes cursos técnicos dentro de uma mesma instituição, ou diferentes instituições de ensino técnico do DF – em relação à qualidade do processo de aprendizagem, o GAFEduca permite a obtenção de um escore global para cada UA. Este escore é calculado combinando-se os pesos globais dos subcritérios com as avaliações do desempenho de cada UA em relação a cada um desses subcritérios. Essas avaliações de desempenho também podem ser coletadas dos stakeholders por meio de comparações paritárias fuzzy entre as UAs para cada subcritério, ou por meio de uma escala linguística fuzzy de avaliação de desempenho (por exemplo, "Muito Bom", "Bom", "Regular", "Ruim", "Muito Ruim"), cujos termos são convertidos em números fuzzy. O escore global fuzzy (\tilde{E}_k) para cada unidade de análise (UA_k) seria calculado como uma soma ponderada: (\tilde{E}k = \sum{i=1}^{m} \tilde{w}i \otimes \tilde{p}{ik}) onde (\tilde{w}i) é o peso global fuzzy do i-ésimo subcritério (com m subcritérios no total) e (\tilde{p}{ik}) é a avaliação fuzzy do desempenho da (UA_k) em relação ao subcritério i. Após a defuzzyficação, obtém-se um escore crispado para cada UA, permitindo seu ranqueamento. [APRESENTAR AQUI OS RESULTADOS DO RANKING DAS UNIDADES DE ANÁLISE. Exemplo: A Tabela 4.3 apresenta o ranking dos cursos técnicos A, B e C, considerando os pesos dos critérios atribuídos pelo grupo consolidado de stakeholders (ou separadamente para cada grupo). O Curso B obteve o maior escore global (0.750), seguido pelo Curso A (0.680) e pelo Curso C (0.550). Uma análise mais detalhada dos escores parciais de cada curso em relação aos critérios principais pode revelar os pontos fortes e fracos específicos de cada um.] Tabela 4.3 – Exemplo de Ranking de Cursos Técnicos com Base nos Escores Globais GAFEduca

Curso Técnico	Escore Global GAFEduca (Consolidado)	Ranking
Curso A	0.680	2º
Curso B	0.750	1º
Curso C	0.550	3º
Fonte: Elaborado pelos autores.
Este tipo de ranking, como o utilizado por Carvalho et al. (2024) para avaliar instituições de ensino superior com base no RUF, ou por Sousa et al. (2024) na escolha de fornecedores, fornece uma visão comparativa que pode ser útil para a alocação de recursos, para a identificação de boas práticas a serem disseminadas e para o estabelecimento de metas de melhoria para as unidades com menor desempenho. É crucial, no entanto, que esse ranking seja interpretado com cautela, considerando as limitações do modelo e as especificidades de cada unidade de análise. O objetivo principal não é simplesmente classificar, mas sim fornecer informações que subsidiem o aprimoramento.
Os resultados quantitativos obtidos com o GAFEduca, tanto os pesos dos critérios quanto os rankings das unidades de análise, foram enriquecidos e contextualizados por meio da integração com os dados qualitativos coletados na pesquisa (revisão de literatura, análise documental e, principalmente, as entrevistas ou grupos focais com stakeholders e especialistas). A análise qualitativa permitiu aprofundar a compreensão das razões por trás das prioridades atribuídas pelos diferentes grupos e das avaliações de desempenho das unidades de análise.
Por exemplo, [APRESENTAR AQUI EXEMPLOS DA INTEGRAÇÃO QUALI-QUANTI. Exemplo: as entrevistas com professores revelaram que a alta importância atribuída por eles às "Metodologias de Ensino" (C2) está relacionada à percepção de que as abordagens tradicionais já não são suficientes para engajar os alunos do ensino técnico, que demandam aulas mais práticas e contextualizadas. Em relação ao Curso C, que obteve o menor escore global, as entrevistas com alunos e a análise de documentos indicaram problemas recorrentes com a infraestrutura dos laboratórios e a falta de atualização de alguns equipamentos, o que corrobora a baixa avaliação desse curso no critério "Recursos Didáticos e Infraestrutura" (C3)].
Essa triangulação entre dados quantitativos e qualitativos confere maior validade e profundidade à análise, permitindo ir além dos números e compreender os significados, as percepções e as experiências dos atores envolvidos no processo de aprendizagem (MOHAMMADI et al., 2024; ANWAR et al., 2023). A análise qualitativa também foi fundamental para coletar sugestões e propostas de melhoria diretamente dos stakeholders, que podem ser incorporadas às recomendações finais da pesquisa. A combinação de métodos, como a proposta por Costa et al. (2024) ao integrar MCDM com PCA, ou por Rodrigues e Pinheiro (2024) ao usar AHP Gaussiano com otimização de hiperparâmetros, demonstra a tendência e a necessidade de abordagens mais holísticas e robustas para lidar com problemas complexos.
A análise integrada dos dados quantitativos e qualitativos permitiu, portanto, construir um diagnóstico mais completo e nuançado da qualidade do processo de aprendizagem no ensino técnico da rede pública do Distrito Federal. Os pesos dos critérios revelaram as prioridades dos diferentes stakeholders, os rankings (se aplicáveis) indicaram o desempenho comparativo das unidades de análise, e a análise qualitativa forneceu o contexto e as explicações para esses resultados, além de apontar caminhos para o aprimoramento. Esses achados serão discutidos em maior detalhe a seguir, em diálogo com a literatura e com os objetivos da pesquisa.

DISCUSSÃO A aplicação do Processo Analítico Hierárquico Fuzzy (GAFEduca) permitiu não apenas estruturar o complexo problema da avaliação do processo de aprendizagem no ensino técnico da rede pública do Distrito Federal, mas também quantificar a importância relativa que diferentes grupos de stakeholders – alunos, professores e gestores – atribuem aos diversos critérios e subcritérios que compõem este processo. A análise dos pesos obtidos, revela um panorama multifacetado de percepções e prioridades, cujas convergências e divergências merecem uma discussão aprofundada à luz do referencial teórico e das particularidades do contexto investigado. Nos dedicamos aqui a interpretar esses achados, buscando extrair significados que possam subsidiar a compreensão dos desafios e das potencialidades para o aprimoramento da qualidade educacional (MOHAMMADI et al., 2024; ANWAR et al., 2023; PADMAJA, 2023). Um dos achados centrais da pesquisa refere-se à [DISCUTIR AQUI O CRITÉRIO OU CONJUNTO DE CRITÉRIOS QUE OBTEVE MAIOR PESO CONSOLIDADO OU QUE FOI CONSISTENTEMENTE PRIORIZADO PELOS DIFERENTES GRUPOS DE STAKEHOLDERS. Exemplo: notável proeminência do critério "C2: Metodologias de Ensino e Práticas Pedagógicas" como um dos mais importantes para a qualidade do processo de aprendizagem, segundo a percepção agregada dos participantes.]. Este resultado encontra ressonância na literatura especializada, que cada vez mais enfatiza o papel crucial das abordagens pedagógicas ativas, centradas no estudante e contextualizadas para a promoção de uma aprendizagem significativa e para o desenvolvimento de competências essenciais no século XXI (KANBUL et al., 2022; DESAI et al., 2023; KANMANI; SHREENIVAS; GURURAJ, 2023). No ensino técnico, onde a articulação entre teoria e prática é fundamental, a escolha e a implementação de metodologias que favoreçam a experimentação, a resolução de problemas reais e o desenvolvimento de projetos práticos são particularmente relevantes. A alta valorização desse critério pelos stakeholders do DF pode indicar uma conscientização sobre a necessidade de superar modelos de ensino tradicionais e de buscar práticas inovadoras que tornem a aprendizagem mais engajadora e alinhada com as demandas do mundo do trabalho. No entanto, a análise desagregada por grupo de stakeholder revelou nuances importantes. [APRESENTAR E DISCUTIR AS PRINCIPAIS CONVERGÊNCIAS E DIVERGÊNCIAS. Exemplo: Enquanto professores e gestores demonstraram uma forte convergência na valorização das metodologias de ensino, os alunos, embora também considerando este critério importante, atribuíram um peso relativamente maior ao critério "C3: Recursos Didáticos e Infraestrutura de Apoio à Aprendizagem", com ênfase particular na qualidade e disponibilidade de laboratórios e equipamentos atualizados.] Essa divergência pode ser interpretada de diferentes maneiras. Por um lado, reflete as diferentes posições e focos de cada grupo: os professores e gestores, mais diretamente envolvidos com o planejamento e a execução das atividades pedagógicas, tendem a valorizar os aspectos metodológicos; os alunos, por sua vez, como usuários diretos da infraestrutura, podem perceber de forma mais imediata as carências ou as qualidades dos recursos disponíveis (JAGTAP, 2023; OREGI et al., 2025). A preocupação dos alunos com a infraestrutura pode estar ligada à expectativa de que o ensino técnico lhes proporcione contato com tecnologias e equipamentos similares aos que encontrarão no mercado de trabalho, o que é crucial para sua formação prática e empregabilidade (DEREVYANCHUK et al., 2025). Estudos como o de Oregi et al. (2025), que investigam o impacto de sistemas de sombreamento no conforto térmico e, consequentemente, no bem-estar e desempenho dos alunos, reforçam a importância de se considerar os aspectos físicos do ambiente de aprendizagem. A priorização do critério "C1: Currículo e Conteúdo Programático", [Exemplo: especialmente pelos gestores, que podem ter destacado a importância da "Relevância para o Mercado de Trabalho"], está alinhada com a missão fundamental do ensino técnico de formar profissionais para atender às demandas da sociedade e da economia (BONDE; KIRANGE, 2023; KARTHIKEYAN et al., 2023). A preocupação com a atualização constante dos currículos frente às transformações tecnológicas e às novas exigências do setor produtivo é um desafio permanente para as instituições de ETP. A percepção dos gestores pode refletir a pressão por resultados em termos de empregabilidade dos egressos e a necessidade de garantir que os cursos oferecidos estejam em sintonia com as necessidades do arranjo produtivo local e regional. A literatura sobre gestão educacional frequentemente aponta a relevância do currículo como um elemento central para a qualidade da educação (ARAUJO et al., 2019b). A integração de conhecimentos de diferentes áreas, como a financeira para engenheiros, como discute Jagtap (2023), também pode ser um reflexo dessa busca por relevância curricular. Por outro lado, [DISCUTIR CRITÉRIOS QUE RECEBERAM MENOR PESO OU ONDE HOUVE MAIOR DIVERGÊNCIA. Exemplo: o critério "C4: Avaliação da Aprendizagem e Feedback" pode ter recebido pesos relativamente menores em comparação com os demais, ou apresentado maior variabilidade entre os grupos.] Se os alunos, por exemplo, atribuíram um peso menor a este critério do que professores e gestores, isso pode indicar uma percepção de que as práticas avaliativas atuais não são tão impactantes para seu processo de aprendizagem, ou talvez uma falta de clareza sobre os propósitos e os critérios da avaliação. A literatura sobre avaliação formativa destaca a importância do feedback contínuo e significativo para a aprendizagem (DESAI et al., 2023), e uma baixa valorização desse aspecto pelos alunos pode ser um sinal de alerta. Alternativamente, se os professores valorizam muito o feedback, mas os alunos não o percebem como tão relevante, pode haver uma falha na forma como esse feedback está sendo comunicado ou utilizado. A pesquisa de Dangi e Kanja (2023) sobre a predição do desempenho acadêmico utilizando técnicas de mineração de dados educacionais (EDM) ressalta a importância de se analisar o envolvimento dos alunos e seus registros acadêmicos, que são, em parte, produtos do processo avaliativo. A importância atribuída ao critério "C5: Interação e Ambiente Sociopedagógico" [Exemplo: pode ter sido mais acentuada entre os alunos e professores do que entre os gestores.] Isso pode refletir a vivência diária do clima escolar e a percepção de que um ambiente acolhedor, com boas relações interpessoais e apoio socioemocional, é fundamental para o bem-estar e o engajamento dos estudantes (ANWAR et al., 2023; MOHAMMADI et al., 2024). A literatura sobre o impacto das emoções na aprendizagem, como revisado por Anwar et al. (2023) no contexto do STEM online, corrobora a relevância de se considerar os aspectos afetivos e sociais do processo educativo. Se os gestores atribuíram menor peso a este critério, pode ser que seu foco esteja mais direcionado a aspectos estruturais ou de resultados, ou que haja uma percepção de que esses aspectos já estão adequadamente contemplados. As convergências e divergências nas prioridades dos stakeholders, reveladas pelo GAFEduca, fornecem um rico material para reflexão e para o planejamento de ações de melhoria. As áreas onde há consenso sobre a alta importância e, possivelmente, baixo desempenho (se o estudo incluiu avaliação de desempenho das UAs), devem ser tratadas como prioritárias. As áreas onde há divergência de percepções exigem um diálogo mais aprofundado entre os diferentes grupos, buscando compreender as razões dessas diferenças e construir um entendimento comum sobre os caminhos a seguir. Por exemplo, se os alunos demandam melhores laboratórios e os gestores priorizam a atualização curricular, é preciso encontrar formas de conciliar essas demandas, reconhecendo que ambas são importantes para a qualidade do ensino técnico. A utilização de métodos como o GAFEduca, que explicitam e quantificam essas diferentes prioridades, pode facilitar esse diálogo e a tomada de decisão baseada em um conjunto mais amplo de informações (JOMTONG, 2022; ULUTAŞ et al., 2021). A capacidade do GAFEduca de lidar com a subjetividade e a imprecisão dos julgamentos, utilizando a lógica fuzzy, torna-o particularmente adequado para esse tipo de análise em contextos educacionais complexos (RODRIGUES; PINHEIRO, 2024; DE IULIIS; KAMMOUH; CIMELLARO, 2022). É importante ressaltar que os pesos dos critérios refletem a importância relativa atribuída pelos stakeholders, dentro do conjunto de critérios considerados. Um critério com peso menor não significa que ele seja irrelevante, mas sim que, em comparação com os demais, foi considerado menos prioritário por um determinado grupo. A interpretação desses pesos deve ser sempre contextualizada e complementada pelas informações qualitativas coletadas ao longo da pesquisa. A seguir, a discussão se aprofundará na análise do desempenho das unidades de análise e nas implicações gerais dos resultados para o aprimoramento do processo de aprendizagem no ensino técnico do Distrito Federal. Se a pesquisa contemplou a avaliação de desempenho de diferentes unidades de análise (UAs) – como cursos específicos ou instituições de ensino técnico – os resultados do ranking obtido por meio do GAFEduca fornecem um ponto de partida para uma discussão mais aprofundada sobre os fatores que distinguem as UAs com melhor e pior desempenho. É crucial reiterar que o objetivo do ranking não é meramente classificatório, mas sim diagnóstico, buscando identificar boas práticas que possam ser disseminadas e áreas problemáticas que necessitem de intervenções prioritárias (CARVALHO et al., 2024; SOUSA et al., 2024). A interpretação desses rankings deve ser realizada com cautela, considerando os pesos dos critérios atribuídos pelos stakeholders e, fundamentalmente, integrando os achados da análise qualitativa para contextualizar e dar sentido aos escores numéricos. A combinação de dados quantitativos e qualitativos permite uma compreensão mais rica e nuançada das realidades de cada UA (MOHAMMADI et al., 2024; ANWAR et al., 2023). [DISCUTIR AQUI OS RESULTADOS. Exemplo: A análise do ranking dos cursos técnicos (Tabela 4.3) revelou que o Curso B se destacou positivamente, obtendo o maior escore global. Ao cruzar este resultado com os dados qualitativos, as entrevistas com professores e alunos do Curso B indicaram uma forte percepção de que as metodologias de ensino são inovadoras e práticas, e que há um bom alinhamento entre o currículo e as demandas do mercado. Além disso, a análise documental do Projeto Pedagógico do Curso B evidenciou um investimento consistente em projetos integradores e parcerias com empresas locais, o que pode explicar seu bom desempenho nos critérios "Metodologias de Ensino" e "Currículo e Conteúdo".] Este tipo de análise, que combina o "o quê" (resultado do GAFEduca) com o "porquê" (insights qualitativos), é essencial para transformar os resultados da avaliação em conhecimento acionável. A identificação de práticas exitosas em UAs de alto desempenho pode servir de inspiração para outras unidades, fomentando uma cultura de compartilhamento e aprendizagem institucional (PADMAJA, 2023). Por outro lado, [Exemplo: o Curso C, que apresentou o menor escore global, teve seu desempenho comprometido principalmente pela baixa avaliação no critério "Recursos Didáticos e Infraestrutura". As entrevistas com alunos e professores deste curso confirmaram a percepção de laboratórios desatualizados e dificuldades de acesso a softwares específicos, o que impacta diretamente a qualidade das aulas práticas. Adicionalmente, a análise de documentos revelou um histórico de subinvestimento na infraestrutura deste curso nos últimos anos.] A integração dos dados qualitativos aqui não apenas corrobora o resultado quantitativo, mas também aponta para causas específicas do baixo desempenho, direcionando as possíveis ações de melhoria. A falta de recursos adequados pode, inclusive, limitar a capacidade dos professores de implementar metodologias de ensino mais ativas e práticas, mesmo que eles valorizem esses aspectos, como discutido anteriormente (OREGI et al., 2025; KANBUL et al., 2022). A pesquisa de Mehdi e Nachouki (2022), ao prever o GPA de graduação com base no desempenho em cursos introdutórios, também sugere que deficiências em etapas iniciais ou em recursos fundamentais podem ter um impacto cascata no desempenho geral. A análise comparativa entre as UAs também pode revelar como diferentes contextos institucionais ou diferentes áreas tecnológicas lidam com os desafios do processo de aprendizagem. [Exemplo: Pode-se observar que cursos da área de Tecnologia da Informação, em geral, apresentaram melhores avaliações no critério "Uso de Tecnologias Educacionais" do que cursos de áreas industriais mais tradicionais, o que pode refletir tanto a natureza intrínseca de cada área quanto diferentes níveis de investimento e capacitação docente.] Essas comparações, no entanto, devem ser feitas com cuidado, evitando generalizações apressadas e considerando sempre as especificidades de cada curso e instituição. O objetivo é aprender com as diferenças, e não simplesmente estigmatizar as UAs com menor desempenho. A experiência de estudos que utilizam benchmarking em educação, como o de Salem (2013 apud ARAUJO et al., 2019a) para comparar universidades, pode oferecer referências metodológicas para esse tipo de análise comparativa, sempre com a devida contextualização. A integração dos achados qualitativos também foi fundamental para aprofundar a compreensão das divergências nas prioridades dos critérios entre os diferentes grupos de stakeholders. [Exemplo: Se os alunos valorizaram mais a infraestrutura e os professores as metodologias, as entrevistas podem ter revelado que os alunos se sentem diretamente prejudicados pela falta de equipamentos para realizar as atividades propostas pelos professores, enquanto os professores se sentem frustrados por não conseguirem aplicar as metodologias que consideram mais adequadas devido a essas carências.] Essa compreensão mais profunda das inter-relações entre os critérios e das diferentes perspectivas pode ajudar a construir soluções mais integradas e eficazes. Por exemplo, a melhoria da infraestrutura (demanda dos alunos) pode ser uma condição necessária para a implementação de metodologias de ensino mais inovadoras (prioridade dos professores). A literatura sobre gestão participativa em educação enfatiza a importância de criar espaços de diálogo para que as diferentes vozes da comunidade escolar possam ser ouvidas e consideradas na tomada de decisão (ARAUJO et al., 2019b; PADMAJA, 2023). Ademais, a análise qualitativa permitiu capturar sugestões e propostas de melhoria diretamente dos participantes, que podem não ter sido contempladas nos critérios formais do GAFEduca, mas que são extremamente relevantes para o aprimoramento do processo de aprendizagem. [Exemplo: Durante as entrevistas, os alunos podem ter sugerido a criação de mais oportunidades de estágios ou projetos em parceria com empresas, enquanto os professores podem ter apontado a necessidade de maior apoio para formação continuada em novas tecnologias e metodologias.] Essas sugestões, quando analisadas e sistematizadas, podem enriquecer significativamente as recomendações finais da pesquisa, tornando-as mais contextualizadas e alinhadas com as necessidades reais da comunidade escolar. A pesquisa de Ismail e Yusof (2023), que realizou uma revisão sistemática sobre técnicas de predição da escolha de alunos por carreiras STEM, destaca a importância de se considerar uma variedade de fatores e percepções para compreender as decisões e necessidades dos estudantes. A robustez do modelo GAFEduca, verificada por meio da análise de consistência dos julgamentos e, idealmente, por uma análise de sensibilidade, confere maior credibilidade aos resultados quantitativos. No entanto, é a integração com os dados qualitativos que permite "dar vida" a esses números, explicando os "porquês" por trás das prioridades e dos desempenhos, e identificando as nuances e complexidades que um modelo puramente quantitativo poderia não capturar. Essa abordagem mista, que valoriza tanto a precisão da modelagem matemática quanto a profundidade da interpretação qualitativa, está em consonância com as tendências contemporâneas em pesquisa educacional, que buscam superar a dicotomia entre métodos quantitativos e qualitativos em favor de uma compreensão mais integral dos fenômenos educativos (MOHAMMADI et al., 2024; ANWAR et al., 2023). A utilização de ferramentas de Educational Data Mining (EDM) e Learning Analytics (LA), como discutido por Mohammadi et al. (2024) e Dangi e Kanja (2023), também representa uma forma de integrar dados de múltiplas fontes para gerar insights sobre o processo de aprendizagem, e os achados desta pesquisa podem dialogar com essas abordagens. Os resultados desta pesquisa, tanto os quantitativos derivados do modelo GAFEduca quanto os qualitativos, possuem implicações significativas para a teoria e a prática da avaliação educacional e para o aprimoramento do ensino técnico na rede pública do Distrito Federal e, potencialmente, em outros contextos. A identificação das prioridades dos diferentes stakeholders e a avaliação do desempenho das unidades de análise fornecem um diagnóstico que pode orientar políticas públicas, o planejamento estratégico das instituições de ensino e as práticas pedagógicas em sala de aula. A própria metodologia GAFEduca, adaptada e validada para este contexto, representa uma contribuição para o campo da avaliação educacional, oferecendo uma ferramenta robusta para lidar com a complexidade e a subjetividade inerentes a esse tipo de avaliação (JOMTONG, 2022; RODRIGUES; PINHEIRO, 2024). Uma das principais implicações práticas é a possibilidade de utilizar os resultados do GAFEduca como um instrumento de diagnóstico e planejamento estratégico para as instituições de ensino técnico e para a Secretaria de Educação do DF. Ao conhecer os critérios mais valorizados pelos diferentes segmentos da comunidade escolar e o desempenho comparativo dos cursos ou escolas, os gestores podem identificar com maior clareza as áreas que necessitam de investimento prioritário, seja em infraestrutura, formação de professores, atualização curricular ou desenvolvimento de novas metodologias de ensino (CARVALHO et al., 2024; ARAUJO et al., 2019b). Por exemplo, se o critério "Qualidade dos Laboratórios" for consistentemente apontado como importante e com baixo desempenho, isso sinaliza uma necessidade urgente de investimentos nessa área. Da mesma forma, se as "Metodologias Ativas" forem altamente valorizadas, mas pouco implementadas, isso indica a necessidade de programas de formação continuada para os docentes. A alocação de recursos pode, assim, ser mais eficiente e baseada em evidências, como propõem os estudos sobre gestão e finanças na educação (JAGTAP, 2023). Outra implicação relevante é o potencial do modelo GAFEduca para fomentar uma cultura de avaliação participativa e dialógica nas escolas técnicas. Ao envolver alunos, professores e gestores no processo de definição de prioridades e, possivelmente, na avaliação de desempenho, o modelo contribui para que as decisões sejam mais legitimadas e para que haja um maior engajamento da comunidade escolar na busca por soluções e melhorias (PADMAJA, 2023). As divergências de percepção identificadas entre os grupos podem se tornar pauta para discussões construtivas, promovendo um alinhamento de expectativas e a construção de um entendimento compartilhado sobre os objetivos e os desafios da instituição. Esse processo de diálogo e reflexão coletiva é, em si, formativo e pode fortalecer o sentimento de pertencimento e a corresponsabilidade pela qualidade da educação. A transparência nos critérios e nos resultados da avaliação também contribui para aumentar a confiança e a accountability no sistema. Do ponto de vista pedagógico, os resultados da avaliação do processo de aprendizagem podem subsidiar a reflexão e o aprimoramento das práticas docentes. Ao conhecerem as percepções dos alunos e dos gestores sobre a importância de diferentes aspectos metodológicos, curriculares e avaliativos, os professores podem repensar suas estratégias de ensino, buscar novas abordagens e recursos, e adaptar suas práticas às necessidades e expectativas dos estudantes (KANBUL et al., 2022; DESAI et al., 2023). Por exemplo, se os alunos valorizam muito o feedback individualizado, os professores podem buscar formas de intensificar essa prática. Se a relevância do conteúdo para o mercado de trabalho é uma prioridade, os docentes podem buscar maior articulação com o setor produtivo e trazer exemplos e estudos de caso mais contextualizados para a sala de aula. A avaliação do processo de aprendizagem, nesse sentido, não tem um caráter punitivo, mas sim formativo, visando ao desenvolvimento profissional contínuo dos educadores. Para os formuladores de políticas públicas na área de educação técnica, os resultados desta pesquisa podem oferecer insumos importantes para a definição de diretrizes, programas e investimentos. A identificação dos critérios mais críticos para a qualidade do processo de aprendizagem, segundo a percepção dos atores locais, pode orientar a elaboração de políticas mais eficazes e alinhadas com as realidades das escolas (ARAUJO et al., 2019b). Por exemplo, se a pesquisa indicar uma carência generalizada em termos de infraestrutura tecnológica, isso pode subsidiar a criação de programas de investimento nessa área. Se a formação continuada de professores em metodologias inovadoras emergir como uma prioridade, políticas de incentivo e oferta de cursos podem ser desenvolvidas. A metodologia GAFEduca também pode ser adaptada e utilizada pela própria Secretaria de Educação para monitorar e avaliar a qualidade do ensino técnico em toda a rede, estabelecendo um sistema de indicadores e metas. No campo teórico-metodológico, esta pesquisa contribui ao demonstrar a aplicabilidade e as potencialidades do GAFEduca para a avaliação de um construto complexo como o processo de aprendizagem em um contexto específico do ensino técnico. A adaptação do método, a construção da estrutura hierárquica de critérios e a integração com abordagens qualitativas podem servir de referência para outros pesquisadores interessados em utilizar o GAFEduca em avaliações educacionais. Os desafios enfrentados e as soluções encontradas ao longo do processo de pesquisa também podem enriquecer a discussão metodológica na área. A crescente utilização de métodos de inteligência artificial e análise de dados em educação (MOHAMMADI et al., 2024; RODRIGUES; PINHEIRO, 2024; SHEN, 2024) encontra no GAFEduca uma abordagem que, embora estruturada, permite a incorporação da subjetividade e do conhecimento tácito dos especialistas, o que é particularmente relevante em ciências sociais e humanas. Finalmente, é importante considerar as implicações dos resultados para os próprios alunos. Ao participarem do processo avaliativo e terem suas percepções consideradas, os estudantes podem se sentir mais valorizados e engajados com a melhoria da qualidade de sua própria formação. A transparência sobre os critérios de qualidade e os resultados da avaliação pode ajudá-los a compreender melhor o que se espera deles e como podem contribuir para um processo de aprendizagem mais eficaz. Em última instância, a melhoria da qualidade do ensino técnico, impulsionada por avaliações mais robustas e participativas, reverte-se em benefícios diretos para os alunos, na forma de uma formação mais relevante, de melhores oportunidades de emprego e de um maior desenvolvimento pessoal e profissional (ISMAIL; YUSOF, 2023; DANGI; KANJA, 2023). A condução de uma pesquisa científica, por mais rigorosa que seja em seu planejamento e execução, invariavelmente encontra limitações que moldam o alcance e a generalização de seus resultados. Reconhecer e discutir abertamente essas limitações não diminui o valor do estudo, mas, ao contrário, confere-lhe maior transparência e orienta futuras investigações. No caso da presente dissertação, que se propôs a desenvolver e validar um modelo GAFEduca para a avaliação do processo de aprendizagem no ensino técnico da rede pública do Distrito Federal, algumas limitações metodológicas e práticas foram identificadas e merecem consideração (COSTA et al., 2024; MOHAMMADI et al., 2024). A reflexão sobre os desafios enfrentados durante o percurso investigativo também oferece aprendizados valiosos para outros pesquisadores que se aventurem em temáticas e contextos similares. Uma das principais limitações refere-se à amostragem. Embora tenham sido envidados esforços para obter uma amostra diversificada de instituições, cursos e stakeholders, a natureza não probabilística da seleção (por conveniência e/ou bola de neve) impõe restrições à generalização estatística dos resultados para todo o universo do ensino técnico público do DF. O número de participantes em cada grupo de stakeholder, embora suficiente para a aplicação do GAFEduca e para a análise qualitativa exploratória, pode não capturar toda a heterogeneidade de percepções existente na rede. Estudos com amostras maiores e, idealmente, probabilísticas, poderiam oferecer resultados com maior poder de generalização, embora a complexidade logística e os custos associados a tais desenhos amostrais em sistemas educacionais amplos sejam consideráveis (MOHAMMADI et al., 2024; ANWAR et al., 2023). A dificuldade em obter taxas de resposta elevadas em pesquisas com questionários extensos, como os que podem ser gerados em modelo GAFEduca com muitos critérios, também é um desafio prático que pode ter impactado o tamanho final da amostra. A subjetividade inerente aos julgamentos no GAFEduca, embora mitigada pela estrutura do método e pela lógica fuzzy, permanece como uma limitação. As percepções dos alunos, professores e gestores sobre a importância dos critérios e o desempenho das unidades de análise são influenciadas por suas experiências, valores e contextos individuais (JOMTONG, 2022; KHORSHIDI; AICKELIN, 2020). Mesmo com a validação da estrutura hierárquica por especialistas e o pré-teste do questionário, não se pode eliminar completamente a possibilidade de vieses individuais ou grupais nos julgamentos. A escolha da escala linguística fuzzy e das funções de pertinência, embora embasada na literatura, também carrega um componente de decisão do pesquisador que pode influenciar os resultados. A análise de consistência dos julgamentos ajuda a identificar e, em alguns casos, corrigir problemas, mas não elimina a subjetividade intrínseca ao processo de elicitação de preferências. A utilização de métodos de agregação de grupo no GAFEduca busca um consenso, mas as diferentes formas de agregação podem levar a resultados ligeiramente distintos, como aponta a literatura sobre MCDM em grupo (ULUTAŞ et al., 2021). A complexidade do modelo GAFEduca e dos cálculos envolvidos pode representar um desafio tanto para os pesquisadores quanto para a compreensão e apropriação dos resultados pelos stakeholders. Embora se tenha buscado utilizar métodos consolidados e ferramentas que facilitem os cálculos, a sofisticação matemática do GAFEduca pode dificultar sua replicação por outros pesquisadores ou sua implementação autônoma pelas próprias instituições de ensino sem o devido suporte técnico (PEPE et al., 2023; SANTOS et al., 2023). A necessidade de softwares específicos ou de programação para realizar as análises pode ser uma barreira em contextos com recursos limitados. A comunicação dos resultados de forma clara e acessível para um público não especializado em MCDM também é um desafio importante, para que o modelo não seja percebido como uma "caixa preta", mas como uma ferramenta transparente e útil para a tomada de decisão. A pesquisa de Rodrigues e Pinheiro (2024), que explora a otimização de hiperparâmetros em redes GAN usando AHP Gaussiano, ilustra a complexidade que pode surgir na aplicação de métodos MCDM em conjunto com técnicas avançadas de IA, embora o AHP Gaussiano busque simplificar a ponderação. O caráter transversal do estudo, que realizou uma avaliação do processo de aprendizagem em um momento específico no tempo, limita a capacidade de analisar a evolução e as mudanças ao longo de um período mais extenso. Um estudo longitudinal, que acompanhasse as unidades de análise por vários semestres ou anos letivos, poderia oferecer uma visão mais dinâmica da qualidade do processo de aprendizagem e do impacto de eventuais intervenções (MOHAMMADI et al., 2024). No entanto, estudos longitudinais são mais complexos, demorados e custosos, e extrapolavam o escopo e os recursos disponíveis para esta dissertação. Os resultados aqui apresentados oferecem um "retrato" da situação no momento da coleta de dados, que pode servir de linha de base para futuras avaliações. A delimitação do escopo da avaliação também representa uma limitação. Embora se tenha buscado construir uma estrutura hierárquica abrangente, é impossível contemplar absolutamente todos os fatores que influenciam o processo de aprendizagem. A seleção de critérios e subcritérios, mesmo validada por especialistas, envolveu escolhas que podem ter deixado de fora aspectos relevantes para determinados contextos ou stakeholders. Além disso, o foco no "processo" de aprendizagem, embora fundamental, não abrange de forma exaustiva os "resultados" da aprendizagem (como o desenvolvimento de competências específicas ou a inserção dos egressos no mercado), que demandariam outros instrumentos e abordagens avaliativas. O modelo proposto deve ser visto como uma ferramenta complementar a outras formas de avaliação existentes, e não como uma solução única e definitiva. A pesquisa de Kanmani, Shreenivas e Gururaj (2023) sobre a articulação entre COs e POs, por exemplo, foca mais nos resultados esperados do programa. Durante a execução da pesquisa, alguns desafios práticos foram enfrentados. O acesso às instituições de ensino e aos participantes, a obtenção das autorizações necessárias e a garantia de uma taxa de resposta adequada aos questionários demandaram um esforço logístico considerável. A coleta de dados em múltiplas escolas e com diferentes grupos de stakeholders exigiu um planejamento cuidadoso e flexibilidade para lidar com imprevistos. A pandemia de COVID-19, embora não tenha sido o foco central dos textos fornecidos, é um fator contextual que pode ter influenciado a dinâmica das instituições de ensino e a disponibilidade dos participantes em períodos recentes, como sugerido pela análise de Chouhan et al. (2023) sobre ameaças cibernéticas no pós-pandemia, que reflete um período de adaptação e mudanças. A análise de grandes volumes de dados, mesmo com o suporte de ferramentas computacionais, também representou um desafio em termos de tempo e recursos. A integração dos dados quantitativos e qualitativos, embora enriquecedora, também apresentou desafios metodológicos. Garantir que as duas abordagens se complementassem de forma efetiva, e que os resultados fossem triangulados de maneira consistente, exigiu um planejamento cuidadoso da coleta e da análise dos dados. A interpretação das convergências e divergências entre os achados quantitativos do GAFEduca e os insights qualitativos das entrevistas ou da análise documental demandou um esforço analítico significativo para construir uma narrativa coerente e bem fundamentada (ANWAR et al., 2023; MOHAMMADI et al., 2024). As limitações identificadas neste estudo e os desafios enfrentados abrem um leque de oportunidades para pesquisas futuras que possam aprofundar e expandir o conhecimento sobre a avaliação do processo de aprendizagem no ensino técnico e sobre a aplicação de métodos MCDM nesse contexto. Algumas sugestões para investigações futuras incluem:

1. Ampliação da Amostra e Estudos Comparativos: Realizar estudos com amostras maiores e mais diversificadas, abrangendo um número maior de instituições e cursos técnicos em diferentes regiões do Distrito Federal e, possivelmente, em outros estados brasileiros. Estudos comparativos entre diferentes redes de ensino (pública e privada) ou entre diferentes modelos de ETP (integrado, subsequente, FIC) poderiam revelar insights valiosos sobre os fatores contextuais que influenciam a qualidade do processo de aprendizagem. A comparação com sistemas de ETP de outros países também seria enriquecedora.
2. Desenvolvimento de Modelos Longitudinais: Conduzir estudos longitudinais que acompanhem o processo de aprendizagem ao longo do tempo, permitindo analisar a evolução da qualidade, o impacto de intervenções pedagógicas e administrativas, e a trajetória dos egressos no mercado de trabalho. Isso poderia envolver a aplicação periódica do modelo GAFEduca e a coleta de dados complementares sobre o percurso dos estudantes.
3. Aprofundamento na Análise de Critérios Específicos: Realizar estudos mais focados em critérios específicos da avaliação do processo de aprendizagem que se mostraram particularmente relevantes ou problemáticos nesta pesquisa. Por exemplo, investigar mais a fundo as metodologias de ensino mais eficazes para o desenvolvimento de competências técnicas e socioemocionais no ETP, ou analisar o impacto de diferentes modelos de avaliação formativa no engajamento e no desempenho dos alunos. A pesquisa de Kanbul et al. (2022) sobre a competência de professores de ETP em TICs, utilizando o modelo TPACK, é um exemplo de estudo focado em um aspecto específico.
4. Exploração de Outros Métodos MCDM e Abordagens Híbridas: Investigar a aplicabilidade de outros métodos MCDM (como TOPSIS Fuzzy, VIKOR Fuzzy, ANP Fuzzy) para a avaliação do processo de aprendizagem, comparando seus resultados e sua adequação com os do GAFEduca. Abordagens híbridas, que combinem o GAFEduca com outras técnicas, como mineração de dados educacionais (EDM), análise de redes sociais (SNA) ou inteligência artificial (IA) para análise de sentimentos ou predição de desempenho, também representam um campo promissor (MOHAMMADI et al., 2024; ANWAR et al., 2023; DANGI; KANJA, 2023; SHEN, 2024). A integração do GAFEduca com modelos de machine learning para otimizar a seleção de critérios ou para prever o impacto de diferentes cenários de melhoria seria uma linha de pesquisa inovadora.
5. Desenvolvimento de Ferramentas Computacionais Amigáveis: Criar e disponibilizar ferramentas computacionais (softwares ou plataformas online) que facilitem a aplicação do modelo GAFEduca por gestores e educadores, sem a necessidade de conhecimento aprofundado em matemática ou programação. Ferramentas com interfaces intuitivas para a construção da hierarquia, a coleta dos julgamentos e a visualização dos resultados poderiam aumentar a disseminação e o uso prático do GAFEduca na gestão educacional. A experiência de Sousa et al. (2024) com versões web de métodos híbridos como PSI-CoCoSo aponta nessa direção.
6. Investigação do Impacto da Avaliação na Melhoria da Qualidade: Realizar estudos que não apenas apliquem o modelo de avaliação, mas que também acompanhem o processo de implementação das recomendações e verifiquem seu impacto efetivo na melhoria da qualidade do processo de aprendizagem e nos resultados educacionais. Isso envolveria estudos de caso com intervenção e avaliação de resultados em médio e longo prazo.
7. Análise da Relação Custo-Benefício de Intervenções: Utilizar os resultados da avaliação GAFEduca para subsidiar análises de custo-benefício ou custo-efetividade de diferentes estratégias de melhoria no ensino técnico. Ao conhecer as prioridades dos stakeholders e o potencial impacto de diferentes ações, seria possível otimizar a alocação de recursos financeiros e humanos.
8. Estudos sobre a Formação de Avaliadores: Investigar as necessidades de formação de gestores, professores e outros atores educacionais para que possam participar de forma mais qualificada em processos avaliativos complexos como os baseados no GAFEduca, e para que possam utilizar os resultados da avaliação de forma eficaz para a tomada de decisão e o planejamento. Ao explorar essas e outras direções de pesquisa, será possível continuar avançando no desenvolvimento de modelos avaliativos mais robustos, participativos e eficazes para o ensino técnico, contribuindo para a formação de profissionais cada vez mais qualificados e para o fortalecimento dessa importante modalidade educacional.

CONCLUSÃO A presente dissertação dedicou-se a investigar a aplicabilidade do Processo Analítico Hierárquico Fuzzy (GAFEduca) como uma ferramenta metodológica para auxiliar na avaliação e no aprimoramento do processo de aprendizagem no ensino técnico da rede pública do Distrito Federal, considerando a perspectiva de seus principais stakeholders: alunos, professores e gestores. Ao longo deste estudo, buscou-se responder à questão central sobre como essa abordagem multicritério, que incorpora a lógica fuzzy para lidar com a subjetividade e a imprecisão dos julgamentos humanos, poderia contribuir para um diagnóstico mais robusto e participativo da qualidade educacional nesse contexto específico. Os resultados obtidos, tanto da análise quantitativa via GAFEduca quanto da integração com dados qualitativos, permitiram alcançar os objetivos propostos e geraram um conjunto de achados e contribuições relevantes para a área de avaliação educacional e para a gestão do ensino técnico (MOHAMMADI et al., 2024; ANWAR et al., 2023; COSTA et al., 2024). Um dos principais resultados da pesquisa foi a construção e validação de uma estrutura hierárquica de critérios e subcritérios considerada pertinente e abrangente para a avaliação do processo de aprendizagem no ensino técnico do DF. Essa estrutura, desenvolvida a partir de uma extensa revisão da literatura e refinada com a contribuição de especialistas locais, contemplou dimensões cruciais como "Currículo e Conteúdo Programático", "Metodologias de Ensino e Práticas Pedagógicas", "Recursos Didáticos e Infraestrutura de Apoio à Aprendizagem", "Avaliação da Aprendizagem e Feedback", e "Interação e Ambiente Sociopedagógico". A definição clara desses elementos proporcionou uma base sólida para a coleta sistemática das percepções dos stakeholders e para a aplicação do GAFEduca, demonstrando a viabilidade de se decompor um construto complexo como o "processo de aprendizagem" em componentes analisáveis e ponderáveis (JOMTONG, 2022; KANMANI; SHREENIVAS; GURURAJ, 2023; KANBUL et al., 2022). A aplicação do GAFEduca permitiu quantificar a importância relativa atribuída por alunos, professores e gestores a cada um dos critérios e subcritérios da hierarquia. A análise comparativa desses pesos revelou um panorama rico e, por vezes, divergente de prioridades. [RECAPITULAR AQUI OS PRINCIPAIS ACHADOS SOBRE OS PESOS DOS CRITÉRIOS. Exemplo: Constatou-se, por exemplo, uma valorização geral das metodologias de ensino ativas e da relevância do currículo para o mercado de trabalho, mas com nuances significativas entre os grupos, como a maior ênfase dos alunos na qualidade da infraestrutura e dos recursos.] Essas descobertas são cruciais, pois explicitam as diferentes expectativas e necessidades dos atores envolvidos, fornecendo um mapa de prioridades que pode orientar a alocação de recursos e o planejamento de ações de melhoria de forma mais alinhada com as percepções da comunidade escolar (PADMAJA, 2023; JAGTAP, 2023; ULUTAŞ et al., 2021). A capacidade do GAFEduca de agregar julgamentos linguísticos e lidar com a incerteza mostrou-se particularmente útil para capturar essa diversidade de percepções de forma estruturada. [SINTETIZAR OS RESULTADOS AQUI. Exemplo: Adicionalmente, quando aplicado à avaliação comparativa de diferentes cursos técnicos, o modelo GAFEduca demonstrou capacidade de gerar um ranking de desempenho com base nos escores globais, identificando cursos com práticas mais bem avaliadas e aqueles com maiores desafios. A integração desses resultados com a análise qualitativa permitiu contextualizar os escores e identificar fatores específicos associados ao desempenho de cada curso, como a qualidade dos laboratórios ou a implementação de projetos integradores.] Este tipo de resultado, conforme ilustrado em estudos como o de Carvalho et al. (2024) e Sousa et al. (2024) em outros contextos, pode ser um instrumento valioso para a gestão em rede, promovendo o compartilhamento de boas práticas e o foco em áreas que necessitam de maior atenção. A pesquisa também confirmou a viabilidade e a adequação da abordagem GAFEduca para lidar com a subjetividade e a complexidade da avaliação educacional no ensino técnico. Ao permitir que os stakeholders expressassem seus julgamentos por meio de termos linguísticos, o método se mostrou mais intuitivo e acessível do que abordagens que exigem apenas escalas numéricas rígidas, o que pode ter contribuído para um maior engajamento dos participantes e para a obtenção de julgamentos mais consistentes (JOMTONG, 2022; RODRIGUES; PINHEIRO, 2024). A lógica fuzzy, ao modelar a imprecisão inerente às percepções humanas, ofereceu um tratamento mais realista para a incerteza presente nos dados, resultando em uma avaliação que reflete melhor a complexidade do fenômeno estudado (DE IULIIS; KAMMOUH; CIMELLARO, 2022; FAROOQUI; TIWARI, 2023). A utilização de técnicas de agregação de grupo e a verificação da consistência dos julgamentos contribuíram para a robustez dos resultados. Uma contribuição significativa deste estudo reside na proposição de um modelo metodológico específico para a avaliação do processo de aprendizagem no ensino técnico da rede pública do Distrito Federal, que pode ser adaptado e replicado em outras instituições e contextos. O detalhamento das etapas de construção da hierarquia, elaboração do questionário, coleta e análise dos dados GAFEduca, e integração com abordagens qualitativas, oferece um roteiro prático para pesquisadores e gestores interessados em aplicar essa metodologia. A pesquisa demonstrou, portanto, que o GAFEduca não é apenas uma ferramenta teórica, mas um instrumento prático com potencial para gerar informações valiosas e acionáveis para a melhoria da qualidade educacional. A crescente necessidade de métodos que suportem a tomada de decisão em cenários de grande volume de dados e múltiplas variáveis, como destacado por Pepe et al. (2023) e Santos et al. (2023) no contexto do Big Data e do AHP-Gaussiano, encontra no GAFEduca uma alternativa que valoriza a expertise e a percepção humana. Em resposta à questão de pesquisa central – De que forma a aplicação de um modelo baseado no Processo Analítico Hierárquico Fuzzy (GAFEduca) pode contribuir para a avaliação e o aprimoramento do processo de aprendizagem no ensino técnico da rede pública do Distrito Federal, considerando a perspectiva de seus principais stakeholders? – este estudo conclui que o GAFEduca contribui de maneira substancial ao: (a) Estruturar a complexidade da avaliação do processo de aprendizagem em um modelo hierárquico de critérios compreensível e analisável; (b) Incorporar a subjetividade e a imprecisão dos julgamentos dos stakeholders de forma sistemática e robusta, por meio da lógica fuzzy e de variáveis linguísticas; (c) Identificar e quantificar as prioridades relativas dos diferentes aspectos do processo de aprendizagem, segundo a percepção de alunos, professores e gestores, revelando convergências e divergências; (d) Fornecer um diagnóstico (e um ranking comparativo) que pode subsidiar a tomada de decisão e o planejamento de ações de melhoria de forma mais informada e participativa; e (e) Promover o diálogo e a reflexão entre os atores da comunidade escolar sobre a qualidade da educação oferecida. As implicações práticas desses achados são diversas. Para os gestores educacionais do Distrito Federal, o modelo GAFEduca e os resultados da avaliação podem servir como um importante subsídio para a formulação de políticas, a alocação de recursos e o monitoramento da qualidade do ensino técnico. Para as equipes pedagógicas das escolas, os resultados podem orientar a revisão de projetos pedagógicos, o planejamento de formação continuada para os docentes e a implementação de novas práticas de ensino e avaliação. Para os professores, a pesquisa oferece insights sobre as percepções dos alunos e gestores, podendo inspirar reflexões sobre suas próprias práticas. E para os alunos, a participação no processo avaliativo e a consideração de suas vozes podem aumentar seu sentimento de pertencimento e seu engajamento com a melhoria da escola. A utilização de tecnologias para coleta e análise de dados, como as exploradas por Mohammadi et al. (2024) em Multimodal Learning Analytics ou por Shen (2024) em plataformas de recomendação de recursos, pode, no futuro, ser integrada a modelos GAFEduca para avaliações ainda mais dinâmicas e personalizadas. Em síntese, esta pesquisa demonstrou que o Processo Analítico Hierárquico Fuzzy é uma ferramenta metodológica valiosa e aplicável para a avaliação do processo de aprendizagem no ensino técnico. Seus resultados oferecem um diagnóstico rico e multifacetado que, se devidamente apropriado e utilizado pelos atores educacionais, tem o potencial de impulsionar ciclos de melhoria contínua, contribuindo para a oferta de uma educação técnica de maior qualidade e relevância para os jovens do Distrito Federal. Com base nos resultados e discussões apresentados ao longo desta dissertação, emerge um conjunto de recomendações práticas que visam subsidiar ações de melhoria no processo de aprendizagem do ensino técnico da rede pública do Distrito Federal. Estas recomendações são direcionadas aos gestores educacionais, às equipes pedagógicas das escolas, aos professores e aos formuladores de políticas públicas, e buscam traduzir os achados da pesquisa em orientações concretas e acionáveis. Adicionalmente, algumas considerações finais são tecidas para reforçar a relevância do estudo e suas contribuições para o avanço do conhecimento na área de avaliação educacional e gestão do ensino técnico (MOHAMMADI et al., 2024; ANWAR et al., 2023; PADMAJA, 2023).

1. Utilizar o Modelo GAFEduca como Ferramenta de Diagnóstico e Planejamento: Recomenda-se que as instituições de ensino técnico e a Secretaria de Educação do DF considerem a adoção do modelo GAFEduca desenvolvido nesta pesquisa, ou de modelos similares, como uma ferramenta regular para o diagnóstico da qualidade do processo de aprendizagem. A aplicação periódica do modelo pode fornecer um monitoramento contínuo das percepções dos stakeholders e identificar tendências, subsidiando o planejamento estratégico, a alocação de recursos e a definição de metas de melhoria. A capacidade do método de hierarquizar prioridades é particularmente útil em cenários de recursos escassos (CARVALHO et al., 2024; SOUSA et al., 2024; ARAUJO et al., 2019b).
2. Promover o Diálogo entre os Stakeholders com Base nos Resultados: As convergências e, especialmente, as divergências nas percepções dos alunos, professores e gestores sobre a importância dos critérios de avaliação devem ser utilizadas como ponto de partida para promover o diálogo e a reflexão coletiva na comunidade escolar. Reuniões, seminários ou fóruns de discussão podem ser organizados para apresentar os resultados da avaliação GAFEduca e para que os diferentes grupos possam expor seus pontos de vista, compreender as perspectivas dos outros e construir consensos sobre os caminhos para a melhoria. Esse processo participativo pode aumentar o engajamento e a corresponsabilização pela qualidade da educação (PADMAJA, 2023; JAGTAP, 2023).
3. Focar em Critérios Prioritários e Áreas de Baixo Desempenho: Os critérios identificados como de alta importância pelos stakeholders e, no caso de avaliação de desempenho, as unidades de análise ou os aspectos específicos que apresentaram baixa avaliação, devem receber atenção prioritária nos planos de melhoria. [INSERIR AQUI RECOMENDAÇÕES ESPECÍFICAS BASEADAS NOS CRITÉRIOS MAIS IMPORTANTES OU PROBLEMÁTICOS IDENTIFICADOS NA PESQUISA. Exemplo: Se "Metodologias de Ensino" e "Infraestrutura de Laboratórios" foram destacados, recomenda-se investir em programas de formação continuada para professores em metodologias ativas e na modernização dos laboratórios.] As ações devem ser planejadas com metas claras, indicadores de acompanhamento e prazos definidos.
4. Incentivar a Inovação Pedagógica e a Atualização Curricular: Dada a provável valorização de metodologias de ensino inovadoras e da relevância do currículo para o mercado de trabalho, recomenda-se que os gestores incentivem e apoiem os professores na busca por novas práticas pedagógicas, na integração de tecnologias educacionais e na atualização constante dos conteúdos programáticos. A criação de espaços para troca de experiências entre docentes e o estabelecimento de parcerias com o setor produtivo para a revisão curricular são estratégias importantes (KANBUL et al., 2022; KARTHIKEYAN et al., 2023; BONDE; KIRANGE, 2023).
5. Fortalecer as Práticas de Avaliação Formativa e Feedback: Independentemente do peso atribuído especificamente ao critério de avaliação, é fundamental que as instituições fortaleçam as práticas de avaliação formativa, que visam acompanhar o processo de aprendizagem e fornecer feedback contínuo e construtivo aos alunos. Isso pode envolver a diversificação dos instrumentos avaliativos e a capacitação dos professores para oferecer feedback eficaz (DESAI et al., 2023; DANGI; KANJA, 2023).

Recomendações para Professores:

1. Refletir sobre as Próprias Práticas à Luz das Percepções dos Alunos e Gestores: Os resultados da avaliação GAFEduca podem oferecer aos professores um espelho sobre como suas práticas e os diferentes aspectos do processo de aprendizagem são percebidos pelos outros atores da comunidade escolar. Recomenda-se que os docentes utilizem esses resultados como um insumo para a autoavaliação e para a reflexão crítica sobre suas metodologias de ensino, suas estratégias de avaliação e sua interação com os alunos.
2. Buscar Formação Continuada em Áreas Prioritárias: Com base nos critérios mais valorizados e nas áreas onde foram identificadas fragilidades, os professores podem buscar oportunidades de formação continuada para aprimorar suas competências. [Exemplo: Se o uso de tecnologias educacionais foi destacado, cursos e workshops nessa área podem ser relevantes.] A participação em grupos de estudo e a troca de experiências com colegas também são importantes para o desenvolvimento profissional (KANBUL et al., 2022; DEREVYANCHUK et al., 2025).
3. Envolver os Alunos Ativamente no Processo de Aprendizagem: Dada a provável importância atribuída às metodologias ativas, recomenda-se que os professores explorem e implementem estratégias que coloquem os alunos no centro do processo de aprendizagem, como projetos, estudos de caso, aprendizagem baseada em problemas, sala de aula invertida, entre outras. O uso de tecnologias e recursos diversificados pode tornar as aulas mais dinâmicas e engajadoras (SHARMA; MEHTA; SHARMA, 2023; PRASAD et al., 2023b).
4. Intensificar o Feedback Individualizado e Construtivo: O feedback é uma ferramenta poderosa para a aprendizagem. Recomenda-se que os professores busquem oferecer feedback regular, específico e construtivo aos alunos sobre seu desempenho e seu processo de desenvolvimento, ajudando-os a identificar seus pontos fortes e as áreas que precisam de maior dedicação.

Recomendações para Formuladores de Políticas Públicas:

1. Incorporar Métodos Multicritério em Sistemas de Avaliação da Educação Técnica: Recomenda-se que a Secretaria de Educação do DF e outros órgãos responsáveis pela educação técnica considerem a incorporação de métodos de apoio multicritério à decisão, como o GAFEduca, em seus sistemas de avaliação da qualidade. Esses métodos podem complementar os indicadores quantitativos tradicionais, oferecendo uma visão mais holística e considerando a percepção dos diferentes atores.
2. Promover a Participação dos Stakeholders na Definição de Políticas: As políticas para o ensino técnico devem ser formuladas com base em um amplo diálogo com alunos, professores, gestores, setor produtivo e sociedade civil. A utilização de métodos que permitam capturar e agregar essas diferentes perspectivas, como o GAFEduca, pode tornar o processo de formulação de políticas mais democrático e eficaz.
3. Investir em Áreas Estratégicas Identificadas: Os resultados de avaliações como a proposta nesta pesquisa podem sinalizar áreas que demandam investimentos estratégicos por parte do poder público, seja em infraestrutura, tecnologia, formação de professores ou desenvolvimento curricular. O direcionamento de recursos com base em diagnósticos robustos tende a ser mais eficiente.
4. Fomentar uma Cultura de Avaliação para a Melhoria: É fundamental que as políticas públicas incentivem uma cultura de avaliação nas escolas que seja orientada para a aprendizagem e para a melhoria contínua, e não apenas para o controle ou a classificação. A avaliação deve ser vista como um processo formativo que subsidia a tomada de decisão e o desenvolvimento institucional.

Considerações Finais: Este estudo buscou demonstrar o potencial do Processo Analítico Hierárquico Fuzzy como uma abordagem metodológica robusta e flexível para a avaliação do complexo processo de aprendizagem no ensino técnico da rede pública do Distrito Federal. Ao integrar as percepções subjetivas e inerentemente imprecisas de alunos, professores e gestores, o modelo GAFEduca ofereceu um diagnóstico multifacetado das prioridades e, potencialmente, das fragilidades que permeiam o processo de aprendizagem nessas instituições. Acredita-se que os achados desta pesquisa, juntamente com o próprio modelo metodológico desenvolvido, representam uma contribuição significativa tanto para o campo acadêmico da avaliação educacional quanto para a prática da gestão no ensino técnico. A relevância de se buscar métodos avaliativos que transcendam as abordagens puramente quantitativas ou qualitativas isoladas reside na própria natureza complexa e multifatorial da educação. O processo de aprendizagem é influenciado por uma intrincada teia de variáveis pedagógicas, curriculares, infraestruturais, sociais e emocionais, e sua avaliação requer ferramentas que sejam capazes de capturar essa complexidade. O GAFEduca, ao permitir a decomposição hierárquica do problema, a ponderação de múltiplos critérios e a incorporação da incerteza por meio da lógica fuzzy, mostrou-se uma alternativa promissora nesse sentido (JOMTONG, 2022; RODRIGUES; PINHEIRO, 2024; DE IULIIS; KAMMOUH; CIMELLARO, 2022). Espera-se que os resultados e as recomendações aqui apresentados possam inspirar reflexões e ações concretas por parte dos gestores, educadores e formuladores de políticas do Distrito Federal, visando ao aprimoramento contínuo da qualidade do ensino técnico. A melhoria dessa modalidade educacional é fundamental para o desenvolvimento de profissionais qualificados, para a promoção da inclusão social e produtiva dos jovens, e para o fortalecimento da economia local e nacional. Que este trabalho possa servir como um estímulo para que a avaliação educacional seja cada vez mais um instrumento a serviço da aprendizagem e da transformação social. Finalmente, reitera-se que a pesquisa científica é um processo contínuo de construção do conhecimento. As limitações deste estudo, já discutidas, apontam para a necessidade de novas investigações que possam aprofundar e expandir os achados aqui apresentados. A colaboração entre universidades, instituições de ensino técnico e órgãos governamentais é fundamental para que a pesquisa em educação possa, de fato, gerar impacto positivo na realidade das escolas e na vida dos estudantes. Ao término desta investigação, que se debruçou sobre a intrincada tarefa de avaliar o processo de aprendizagem no ensino técnico da rede pública do Distrito Federal através da lente sofisticada do Processo Analítico Hierárquico Fuzzy, emerge uma convicção renovada sobre o potencial transformador de abordagens metodológicas que conjugam rigor analítico com sensibilidade às nuances da experiência humana. A jornada percorrida, desde a contextualização do problema até a discussão dos resultados e a proposição de recomendações, buscou não apenas oferecer um modelo avaliativo, mas, fundamentalmente, fomentar uma reflexão crítica sobre como podemos, de maneira mais eficaz e participativa, compreender e aprimorar os sistemas educacionais que moldam o futuro de tantos jovens e o desenvolvimento de nossa sociedade (MOHAMMADI et al., 2024; ANWAR et al., 2023; COSTA et al., 2024). A aplicação de um método que reconhece e modela a subjetividade e a imprecisão inerentes aos julgamentos humanos, como o GAFEduca, representa um avanço significativo em relação a paradigmas avaliativos que, por vezes, simplificam excessivamente a complexidade dos fenômenos educacionais em busca de uma objetividade ilusória. A originalidade deste estudo reside, em parte, na adaptação e aplicação do GAFEduca a um contexto específico e de grande relevância social – o ensino técnico público no coração do Brasil. Ao construir uma estrutura hierárquica de critérios validada por especialistas e ao coletar as percepções de alunos, professores e gestores, esta pesquisa ofereceu um panorama detalhado das prioridades e, potencialmente, das fragilidades que permeiam o processo de aprendizagem nessas instituições. Os achados, que apontam para a valorização de aspectos como metodologias de ensino inovadoras, currículos relevantes e infraestrutura adequada, mas também para as divergências de percepção entre os diferentes atores, fornecem um substrato rico para a formulação de políticas e práticas educacionais mais assertivas e contextualizadas (JOMTONG, 2022; KANBUL et al., 2022; PADMAJA, 2023). A capacidade de integrar múltiplas vozes e de quantificar, ainda que de forma fuzzy, a importância relativa de diversos fatores, confere ao modelo proposto um caráter democrático e uma utilidade prática que transcende o mero exercício acadêmico. A demonstração de que o GAFEduca pode ser uma ferramenta viável e útil para a gestão educacional no ensino técnico do Distrito Federal é, por si só, uma contribuição relevante. Em um cenário onde a tomada de decisão é frequentemente pressionada por demandas urgentes e recursos limitados, dispor de um método que auxilie na identificação de prioridades e no diagnóstico de problemas de forma estruturada e transparente é de valor inestimável (ARAUJO, 2020; ULUTAŞ et al., 2021; CARVALHO et al., 2024). As recomendações emanadas desta pesquisa, se implementadas, têm o potencial de catalisar processos de melhoria contínua, otimizando a alocação de recursos, promovendo o desenvolvimento profissional dos docentes, aprimorando as práticas pedagógicas e, em última instância, elevando a qualidade da formação oferecida aos estudantes. Acreditamos que a disseminação desta metodologia e de seus resultados pode inspirar outras redes de ensino técnico, em diferentes regiões do país, a adotarem abordagens avaliativas mais sofisticadas e participativas. Olhando para o futuro, as perspectivas para a avaliação educacional, e em particular para a avaliação do processo de aprendizagem no ensino técnico, são vastas e desafiadoras. A crescente disponibilidade de dados educacionais, impulsionada pelas tecnologias digitais e pelas plataformas de aprendizagem online, abre novas fronteiras para a aplicação de técnicas de Educational Data Mining (EDM) e Learning Analytics (LA), que podem ser integradas a métodos MCDM como o GAFEduca para gerar insights ainda mais profundos e personalizados (MOHAMMADI et al., 2024; DANGI; KANJA, 2023; SHEN, 2024). A exploração de algoritmos de inteligência artificial para auxiliar na identificação de padrões de aprendizagem, na detecção precoce de dificuldades e na recomendação de intervenções pedagógicas customizadas representa um campo fértil para futuras investigações. A combinação da capacidade do GAFEduca de capturar a expertise humana com o poder da IA de processar grandes volumes de dados pode resultar em sistemas de avaliação e apoio à decisão ainda mais poderosos e adaptativos. Ademais, a própria natureza do ensino técnico, em constante diálogo com as transformações do mundo do trabalho, exige que os modelos avaliativos sejam dinâmicos e flexíveis. A incorporação de novos critérios, a adaptação das estruturas hierárquicas e a atualização contínua dos instrumentos de coleta de dados serão sempre necessárias para garantir a relevância e a atualidade das avaliações. A pesquisa futura poderia se dedicar ao desenvolvimento de modelos GAFEduca adaptativos, capazes de incorporar novos conhecimentos e de se ajustar às mudanças contextuais de forma mais ágil. A investigação sobre a escalabilidade de tais modelos, para que possam ser aplicados em sistemas educacionais de grande porte sem perda de rigor ou viabilidade, também é uma direção importante, como sugerido pelos desafios de lidar com Big Data em outras aplicações do AHP (PEPE et al., 2023; SANTOS et al., 2023). Outra vertente promissora para investigações futuras reside na análise do impacto efetivo da implementação de modelos avaliativos como o GAFEduca na melhoria da qualidade educacional. Estudos longitudinais que acompanhem as instituições após a aplicação do modelo e a implementação das recomendações seriam cruciais para verificar se as mudanças propostas resultaram, de fato, em aprimoramentos no processo de aprendizagem e nos resultados dos alunos. A avaliação do custo-benefício de diferentes intervenções, orientada pelos resultados do GAFEduca, também poderia fornecer informações valiosas para a gestão eficiente dos recursos públicos. A pesquisa sobre a formação de gestores e educadores para a utilização crítica e reflexiva de dados e modelos avaliativos complexos é, igualmente, fundamental para garantir que essas ferramentas sejam efetivamente apropriadas e utilizadas em prol da melhoria da educação. Em derradeira análise, esta dissertação buscou lançar luz sobre uma abordagem metodológica que, ao conjugar a estruturação hierárquica com a flexibilidade da lógica fuzzy, oferece um caminho promissor para enfrentar os desafios da avaliação do processo de aprendizagem no ensino técnico. A jornada rumo a uma educação de qualidade é contínua e exige um compromisso permanente com a reflexão, a inovação e a busca por soluções que sejam, ao mesmo tempo, cientificamente robustas e socialmente relevantes. Que os conhecimentos aqui gerados possam inspirar novos estudos, novas práticas e, acima de tudo, novas possibilidades para o fortalecimento do ensino técnico no Distrito Federal e no Brasil, contribuindo para a formação de cidadãos e profissionais capazes de construir um futuro mais justo, próspero e sustentável. A busca pela excelência educacional é um imperativo ético e um investimento estratégico no potencial humano, e a avaliação criteriosa e participativa é uma bússola indispensável nessa navegação.

REFERÊNCIAS

ABOLHASSANI, N.; HOSSEINI, A.; KAZEMPOUR, Z. Digital hoarding: Conceptualization, measurement, and associated factors. Journal of Behavioral Addictions, v. 9, n. 3, p. 683-691, 2020. Disponível em: https://www.researchgate.net/publication/379696414_Is_Gamification_a_Proactive_Method_for_Learning_and_Generating_Motivation_to_the_Young_Generation_Community. Acesso em: 12 maio 2025.

ADAM, P.; POSTLETHWAITE, S.; KELLETT, S.; SIMMONDS-BUCKLEY, N. Exploring emotions and cognitions in hoarding: a Q-methodology analysis. Behavioural and Cognitive Psychotherapy, 2020. Disponível em: https://www.researchgate.net/publication/379696414_Is_Gamification_a_Proactive_Method_for_Learning_and_Generating_Motivation_to_the_Young_Generation_Community. Acesso em: 12 maio 2025.

AHMAD, S. Z.; HUSSAIN, M. An investigation of the factors determining student destination choice for higher education in the United Arab Emirates. Studies in Higher Education, v. 42, n. 7, p. 1324-1343, 2015.

AL HAMMADI, D.; MILNE, D. A neuro-fuzzy classification algorithm to predict student success in an engineering college. In: INTERNATIONAL CONFERENCE ON INFORMATION AND COMMUNICATION TECHNOLOGIES: FROM THEORY TO APPLICATIONS, 2004, Damascus. Proceedings [...]. Damascus: IEEE, 2004. p. 248-249.

ALI, S. E.; AFZAL, M. The Dark Side of Digital Possession: Understanding the Causes and Consequences of Digital Hoarding. The Indian Journal of Technical Education, v. 46, n. 4, p. 318-328, out./dez. 2023. Disponível em: https://www.researchgate.net/profile/Deepak-Sharma-220/publication/379696414_Is_Gamification_a_Proactive_Method_for_Learning_and_Generating_Motivation_to_the_Young_Generation_Community/links/661635a566ba7e2359b9559b/Is-Gamification-a-Proactive-Method-for-Learning-and-Generating-Motivation-to-the-Young-Generation-Community.pdf?__cf_chl_tk=5wGlN14QtAS7rIIZZ2zk1Dc4RXxklVPfs8m3Inhz3.U-1747014132-1.0.1.1-3cx7cCCW7ZiXjSG6666npUfw2QQs.q8eTMmmTfbpfMk#page=90. Acesso em: 12 maio 2025.

ALMARZOUQI, A.; ABURAYYA, A.; SALLOUM, S. A. Prediction of user’s intention to use metaverse system in medical education: A hybrid SEM-ML learning approach. IEEE Access, v. 10, p. 43421-43434, 2022.

ALMEIDA, A. T. de; COSTA, A. P. C. B.; ALMEIDA, J. A. de; ALMEIDA-FILHO, A. T. de. Tomada de Decisão Multicritério: métodos, aplicações e casos. Rio de Janeiro: LTC, 2022.

AL-HOURANI, A.; AL-SALIHI, S.; IMRAN, M. A. Antenna Design for UAV Communication in 5G Networks. IEEE Open Journal of the Communications Society, v. 2, p. 341-355, 2021.

ALQAHTANI, N.; KANASA, H.; GARRICK, B.; GROOTENBOER, P. Saudi Teachers’ Perceptions of the Qualities of Effective Teachers. Australian Journal of Sustainable Business and Society, v. 2, n. 1, 2016.

ALWAHABY, A.; CUKUROVA, M. Ethical considerations in multimodal learning analytics: A systematic literature review. British Journal of Educational Technology, v. 55, n. 1, p. 1-27, 2024.

AMAZONA, G. C. D.; HERNANDEZ, A. A. Predicting student’s academic performance using a deep learning approach. In: INTERNATIONAL CONFERENCE ON ICT FOR SMART SOCIETY (ICISS), 9., 2019, Bandung. Proceedings [...]. Bandung: IEEE, 2019. p. 1-5.

AMOR, S. B.; AKAICHI, J.; FOURATI, F. MCDM methods for classification and clustering: a systematic literature review. SN Computer Science, v. 4, n. 3, p. 243, 2023.

ANDREWS, J.; PRITLOVE, C. Understanding the motivations of digital hoarders: A qualitative study. Qualitative Research in Psychology, v. 19, n. 3, p. 298-314, 2023. Disponível em: https://www.researchgate.net/publication/379696414_Is_Gamification_a_Proactive_Method_for_Learning_and_Generating_Motivation_to_the_Young_Generation_Community. Acesso em: 12 maio 2025.

ANWAR, A.; REHMAN, I. U.; NASRALLA, M. M.; KHATTAK, S. B. A.; KHILJI, N. Emotions Matter: A Systematic Review and Meta-Analysis of the Detection and Classification of Students’ Emotions in STEM during Online Learning. Education Sciences, v. 13, n. 9, p. 914, 2023. Disponível em: https://www.mdpi.com/2227-7102/13/9/914. Acesso em: 12 maio 2025.

ARAUJO, D. S. de. O uso do AHP e da Blockchain na gestão educacional de um sistema de acreditação internacional de saúde. 2020. Dissertação (Mestrado em Ensino em Ciências e Saúde) – Universidade Federal do Tocantins, Palmas, 2020. Disponível em: https://educapes.capes.gov.br/bitstream/capes/598435/2/Denise%20Sampaio%20de%20Ara%C3%BAjo%20-%20Disserta%C3%A7%C3%A3o.pdf. Acesso em: 12 maio 2025.

ARAUJO, D. S. de; BATISTA, R. R.; TAKAHAGASSI, P. D. de S; LETOUZE, P.; GARCIA, L. G; BARBOSA, G. V. A Systematic Mapping On The Use Of Analytical Hierarchy Process At Elementary, High Schools And Universities. In: CONGRESSO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO, 8.; SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO, 30., 2019, Brasília. Anais [...]. Brasília: Sociedade Brasileira de Computação, 2019a. p. 1220-1229. (Citado como ARAUJO et al., 2019a). Disponível em: https://educapes.capes.gov.br/bitstream/capes/598435/2/Denise%20Sampaio%20de%20Ara%C3%BAjo%20-%20Disserta%C3%A7%C3%A3o.pdf. Acesso em: 12 maio 2025.

ARAUJO, D. S. de; BATISTA, R. R.; TAKAHAGASSI, P. D. de S; LETOUZE, P.; GARCIA, L. G; BARBOSA, G. V. A Systematic Mapping on the use of Analytical Hierarchy Process in Education Management. In: CONGRESSO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO, 8.; SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO, 30., 2019, Brasília. Anais [...]. Brasília: Sociedade Brasileira de Computação, 2019b. p. 1230-1239. (Citado como ARAUJO et al., 2019b). Disponível em: https://educapes.capes.gov.br/bitstream/capes/598435/2/Denise%20Sampaio%20de%20Ara%C3%BAjo%20-%20Disserta%C3%A7%C3%A3o.pdf. Acesso em: 12 maio 2025.

AZARIA, A. et al. Medrec: Using blockchain for medical data acess and permission management. In: INTERNATIONAL CONFERENCE ON OPEN AND BIG DATA, 2., 2016, Vienna. Proceedings [...]. Vienna: IEEE, 2016. p. 25-30.

BŁACHNIO, A.; PRZEPIORKA, A.; PANTIC, I. Association between Facebook addiction, self-esteem, and life satisfaction: A cross-sectional study. Computers in Human Behavior, v. 55, p. 701-705, 2016. Disponível em: https://www.researchgate.net/publication/379696414_Is_Gamification_a_Proactive_Method_for_Learning_and_Generating_Motivation_to_the_Young_Generation_Community. Acesso em: 12 maio 2025.

BONDE, S. N.; KIRANGE, D. India’s Engineering Education System: Challenges and Issues. The Indian Journal of Technical Education, v. 46, n. 4, p. 353-356, out./dez. 2023. Disponível em: https://www.researchgate.net/profile/Deepak-Sharma-220/publication/379696414_Is_Gamification_a_Proactive_Method_for_Learning_and_Generating_Motivation_to_the_Young_Generation_Community/links/661635a566ba7e2359b9559b/Is-Gamification-a-Proactive-Method-for-Learning-and-Generating-Motivation-to-the-Young-Generation-Community.pdf?__cf_chl_tk=5wGlN14QtAS7rIIZZ2zk1Dc4RXxklVPfs8m3Inhz3.U-1747014132-1.0.1.1-3cx7cCCW7ZiXjSG6666npUfw2QQs.q8eTMmmTfbpfMk#page=90. Acesso em: 12 maio 2025.

BRINKMANN, B. H. Digital hoarding: An emerging problem in need of clinical intervention. Journal of Obsessive-Compulsive and Related Disorders, v. 23, p. 100474, 2019. Disponível em: https://www.researchgate.net/publication/379696414_Is_Gamification_a_Proactive_Method_for_Learning_and_Generating_Motivation_to_the_Young_Generation_Community. Acesso em: 12 maio 2025.

CARVALHO, W. D. A.; CARDOSO, N. T.; SILVA, M. P. R. L. D.; SANTOS, M. D.; GOMES, C. F. S. Assessment of Higher Education Institutions in the Rio de Janeiro based on RUF Rankings: An Application of the Thor 2 Method. In: INTERNATIONAL CONFERENCE ON MOBILE COMPUTING AND SUSTAINABLE INFORMATICS (ICMCSI), 5., 2024, Lalitpur, Nepal. Proceedings [...]. Lalitpur: IEEE, 2024. p. 1-6. Disponível em: https://ieeexplore.ieee.org/abstract/document/10493888. Acesso em: 12 maio 2025.

CASANOVA, D. Surgical Accreditation in Liver Transplantation. Transplantation Proceedings, v. 41, n. 3, p. 998-1000, abr. 2009.

CHAITANYA, N. K. A Study on the Antennas for 5G Communication Systems. The Indian Journal of Technical Education, v. 46, n. 4, p. 182-201, out./dez. 2023. Disponível em: https://www.researchgate.net/profile/Deepak-Sharma-220/publication/379696414_Is_Gamification_a_Proactive_Method_for_Learning_and_Generating_Motivation_to_the_Young_Generation_Community/links/661635a566ba7e2359b9559b/Is-Gamification-a-Proactive-Method-for-Learning-and-Generating-Motivation-to-the-Young-Generation-Community.pdf?__cf_chl_tk=5wGlN14QtAS7rIIZZ2zk1Dc4RXxklVPfs8m3Inhz3.U-1747014132-1.0.1.1-3cx7cCCW7ZiXjSG6666npUfw2QQs.q8eTMmmTfbpfMk#page=90. Acesso em: 12 maio 2025.

CHAN, M. F.; CAMPOS, J.; LIM, V. K. G. The effects of digital clutter on information overload, work performance and stress. International Journal of Information Management, v. 37, n. 2, p. 156-163, 2017. Disponível em: https://www.researchgate.net/publication/379696414_Is_Gamification_a_Proactive_Method_for_Learning_and_Generating_Motivation_to_the_Young_Generation_Community. Acesso em: 12 maio 2025.

CHOUHAN, K.; BORA, J. P.; GUPTA, P. K.; DANISH, M. Protect Imminent Cyber Threats in Digital Security – Post COVID’19. The Indian Journal of Technical Education, v. 46, n. 4, p. 18-26, out./dez. 2023. Disponível em: https://www.researchgate.net/profile/Deepak-Sharma-220/publication/379696414_Is_Gamification_a_Proactive_Method_for_Learning_and_Generating_Motivation_to_the_Young_Generation_Community/links/661635a566ba7e2359b9559b/Is-Gamification-a-Proactive-Method-for-Learning-and-Generating-Motivation-to-the-Young-Generation-Community.pdf?__cf_chl_tk=5wGlN14QtAS7rIIZZ2zk1Dc4RXxklVPfs8m3Inhz3.U-1747014132-1.0.1.1-3cx7cCCW7ZiXjSG6666npUfw2QQs.q8eTMmmTfbpfMk#page=90. Acesso em: 12 maio 2025.

CHUA, S. L.; CHEN, D. The effects of digital clutter on information processing: An integrative review. International Journal of Information Management, v. 37, n. 2, p. 219-231, 2017. Disponível em: https://www.researchgate.net/publication/379696414_Is_Gamification_a_Proactive_Method_for_Learning_and_Generating_Motivation_to_the_Young_Generation_Community. Acesso em: 12 maio 2025.

COSTA, A. P. de A.; CHOREN, R.; PEREIRA, D. A. de M.; TERRA, A. V.; COSTA, I. P. de A.; ROCHA JUNIOR, C. de S. Integrating multicriteria decision making and principal component analysis: a systematic literature review. Cogent Engineering, v. 11, n. 1, p. 2374944, 2024. Disponível em: https://www.tandfonline.com/doi/full/10.1080/23311916.2024.2374944. Acesso em: 12 maio 2025.

CRESWELL, J. W.; CRESWELL, J. D. Research design: Qualitative, quantitative, and mixed methods approaches. 5. ed. Thousand Oaks: Sage publications, 2017.

DANGI, K. R.; KANJA, R. A Novel Approach for Predicting Student Academic Performance using Data Mining Technique. The Indian Journal of Technical Education, v. 46, n. 4, p. 132-140, out./dez. 2023. Disponível em: https://www.researchgate.net/profile/Deepak-Sharma-220/publication/379696414_Is_Gamification_a_Proactive_Method_for_Learning_and_Generating_Motivation_to_the_Young_Generation_Community/links/661635a566ba7e2359b9559b/Is-Gamification-a-Proactive-Method-for-Learning-and-Generating-Motivation-to-the-Young-Generation-Community.pdf?__cf_chl_tk=5wGlN14QtAS7rIIZZ2zk1Dc4RXxklVPfs8m3Inhz3.U-1747014132-1.0.1.1-3cx7cCCW7ZiXjSG6666npUfw2QQs.q8eTMmmTfbpfMk#page=90. Acesso em: 12 maio 2025.

DE IULIIS, M.; KAMMOUH, O.; CIMELLARO, G. P. Measuring and improving community resilience: a Fuzzy Logic approach. Preprint arXiv:2204.04335, 2022. Disponível em: https://arxiv.org/pdf/2204.04335. Acesso em: 12 maio 2025.

DEMBRANI, M. B.; JAWARE, T. H.; BADGUJAR, R. D. Enhancing Network Efficiency: A Comprehensive Exploration of FPGA-Implemented Protocols and Performance Evaluation. The Indian Journal of Technical Education, v. 46, n. 4, p. 216-222, out./dez. 2023. Disponível em: https://www.researchgate.net/profile/Deepak-Sharma-220/publication/379696414_Is_Gamification_a_Proactive_Method_for_Learning_and_Generating_Motivation_to_the_Young_Generation_Community/links/661635a566ba7e2359b9559b/Is-Gamification-a-Proactive-Method-for-Learning-and-Generating-Motivation-to-the-Young-Generation-Community.pdf?__cf_chl_tk=5wGlN14QtAS7rIIZZ2zk1Dc4RXxklVPfs8m3Inhz3.U-1747014132-1.0.1.1-3cx7cCCW7ZiXjSG6666npUfw2QQs.q8eTMmmTfbpfMk#page=90. Acesso em: 12 maio 2025.

DEREVYANCHUK, O.; HU, Z.; BALOVSYAK, S.; HOLUB, S.; KRAVCHENKO, H.; SAPSAI, I. Complex of Specialized Methods of Educational Data Mining for the Training of Vocational Education Teachers. International Journal of Modern Education and Computer Science, v. 17, n. 1, p. 28-46, 2025. Disponível em: https://www.researchgate.net/profile/Oleksandr-Derevyanchuk-2/publication/388631654_Complex_of_Specialized_Methods_of_Educational_Data_Mining_for_the_Training_of_Vocational_Education_Teachers/links/679fe512207c0c20fa72e505/Complex-of-Specialized-Methods-of-Educational-Data-Mining-for-the-Training-of-Vocational-Education-Teachers.pdf. Acesso em: 12 maio 2025.

DESAI, V. P.; OZA, K. S.; SHINDE, P. P.; KAMAT, R. K. Personalized Learning Approach for Outcome Based Distance Education. The Indian Journal of Technical Education, v. 46, n. 4, p. 80-90, out./dez. 2023. Disponível em: https://www.researchgate.net/profile/Deepak-Sharma-220/publication/379696414_Is_Gamification_a_Proactive_Method_for_Learning_and_Generating_Motivation_to_the_Young_Generation_Community/links/661635a566ba7e2359b9559b/Is-Gamification-a-Proactive-Method-for-Learning-and-Generating-Motivation-to-the-Young-Generation-Community.pdf?__cf_chl_tk=5wGlN14QtAS7rIIZZ2zk1Dc4RXxklVPfs8m3Inhz3.U-1747014132-1.0.1.1-3cx7cCCW7ZiXjSG6666npUfw2QQs.q8eTMmmTfbpfMk#page=90. Acesso em: 12 maio 2025.

DEWEY, D.; PACHECO, J.; PIZZICA, J. Digital hoarding: Definitions, causes, and proposed responses. Journal of Digital Forensics, Security and Law, v. 14, n. 3, p. 19-40, 2019. Disponível em: https://www.researchgate.net/publication/379696414_Is_Gamification_a_Proactive_Method_for_Learning_and_Generating_Motivation_to_the_Young_Generation_Community. Acesso em: 12 maio 2025.

DO, Q. H.; CHEN, J. F. An Evaluation of Teaching Performance: The Fuzzy AHP and Comprehensive Evaluation Approach. WSEAS Transactions on Information Science and Applications, v. 10, n. 8, p. 297-306, 2013.

FAROOQUI, U. A.; TIWARI, C. M. Fuzzy Methodology for Wide Range of Data in Medical Science (Some Special Case of Tumor Growth). The Indian Journal of Technical Education, v. 46, n. 4, p. 271-278, out./dez. 2023. Disponível em: https://www.researchgate.net/profile/Deepak-Sharma-220/publication/379696414_Is_Gamification_a_Proactive_Method_for_Learning_and_Generating_Motivation_to_the_Young_Generation_Community/links/661635a566ba7e2359b9559b/Is-Gamification-a-Proactive-Method-for-Learning-and-Generating-Motivation-to-the-Young-Generation-Community.pdf?__cf_chl_tk=5wGlN14QtAS7rIIZZ2zk1Dc4RXxklVPfs8m3Inhz3.U-1747014132-1.0.1.1-3cx7cCCW7ZiXjSG6666npUfw2QQs.q8eTMmmTfbpfMk#page=90. Acesso em: 12 maio 2025.

FOROUGHI, B.; LIM, V. K. G. Digital hoarding: Concept, measurement, and implications for organizational knowledge management. Journal of Knowledge Management, v. 24, n. 4, p. 818-835, 2020. Disponível em: https://www.researchgate.net/publication/379696414_Is_Gamification_a_Proactive_Method_for_Learning_and_Generating_Motivation_to_the_Young_Generation_Community. Acesso em: 12 maio 2025.

FROST, R.; STEKETEE, G.; LEPP, A. E. Digital hoarding: A cognitive-behavioral perspective. Cognitive Behaviour Therapy, v. 51, n. 10, p. 1034-1048, 2022. Disponível em: https://www.researchgate.net/publication/379696414_Is_Gamification_a_Proactive_Method_for_Learning_and_Generating_Motivation_to_the_Young_Generation_Community. Acesso em: 12 maio 2025.

GEORGE, S.; SWEETEN, E.; SILLENCE, E.; NEAVE, N. Digital hoarding behaviours: underlying motivations and potential negative consequences. Computers in Human Behavior, v. 85, p. 91-97, 2018. Disponível em: https://www.researchgate.net/publication/379696414_Is_Gamification_a_Proactive_Method_for_Learning_and_Generating_Motivation_to_the_Young_Generation_Community. Acesso em: 12 maio 2025.

GLOOR, P. A.; FRONZETTI COLLADON, A.; GIACOMELLI, G.; CHIOSSI, F. The impact of social media on knowledge management and the emergence of digital hoarding. Journal of Knowledge Management, v. 25, n. 3, p. 492-507, 2021. Disponível em: https://www.researchgate.net/publication/379696414_Is_Gamification_a_Proactive_Method_for_Learning_and_Generating_Motivation_to_the_Young_Generation_Community. Acesso em: 12 maio 2025.

ISMAIL, N.; YUSOF, U. K. A systematic literature review: Recent techniques of predicting STEM stream students. Computers and Education: Artificial Intelligence, v. 4, p. 100141, 2023. Disponível em: https://www.sciencedirect.com/science/article/pii/S2666920X23000206. Acesso em: 12 maio 2025.

JAEGER, P. T.; BERTOT, J. C. Digital hoarding: A new area of research with implications for information professionals. The Journal of Academic Librarianship, v. 47, n. 5, p. 102294, 2021. Disponível em: https://www.researchgate.net/publication/379696414_Is_Gamification_a_Proactive_Method_for_Learning_and_Generating_Motivation_to_the_Young_Generation_Community. Acesso em: 12 maio 2025.

JAGTAP, M. Perception of Engineering Students About Learning Financial Management Course. The Indian Journal of Technical Education, v. 46, n. 4, p. 298-303, out./dez. 2023. Disponível em: https://www.researchgate.net/profile/Deepak-Sharma-220/publication/379696414_Is_Gamification_a_Proactive_Method_for_Learning_and_Generating_Motivation_to_the_Young_Generation_Community/links/661635a566ba7e2359b9559b/Is-Gamification-a-Proactive-Method-for-Learning-and-Generating-Motivation-to-the-Young-Generation-Community.pdf?__cf_chl_tk=5wGlN14QtAS7rIIZZ2zk1Dc4RXxklVPfs8m3Inhz3.U-1747014132-1.0.1.1-3cx7cCCW7ZiXjSG6666npUfw2QQs.q8eTMmmTfbpfMk#page=90. Acesso em: 12 maio 2025.

JOMTONG, P. A novel analytic hierarchy process technique for large and fuzzy criteria decision making problems. 2022. Thesis (Doctor of Philosophy in Engineering Management) - Department of Industrial Engineering and Management, Silpakorn University, Academic Year 2022. Disponível em: http://ithesis-ir.su.ac.th/dspace/bitstream/123456789/4562/1/60405806.pdf. Acesso em: 12 maio 2025.

KANBUL, S.; ADAMU, I.; USMAN, A. G.; ABBA, S. I. Coupling TPACK instructional model with computing artificial intelligence techniques to determine technical and vocational education teacher’s computer and ICT tools competence. Preprints, 2022030048, 2022. Disponível em: https://www.preprints.org/manuscript/202203.0048/v2/download. Acesso em: 12 maio 2025.

KANMANI, B.; SHREENIVAS, B.; GURURAJ, C. Ensuring OBE through the Curriculum: An Example. The Indian Journal of Technical Education, v. 46, n. 4, p. 202-215, out./dez. 2023. Disponível em: https://www.researchgate.net/profile/Deepak-Sharma-220/publication/379696414_Is_Gamification_a_Proactive_Method_for_Learning_and_Generating_Motivation_to_the_Young_Generation_Community/links/661635a566ba7e2359b9559b/Is-Gamification-a-Proactive-Method-for-Learning-and-Generating-Motivation-to-the-Young-Generation-Community.pdf?__cf_chl_tk=5wGlN14QtAS7rIIZZ2zk1Dc4RXxklVPfs8m3Inhz3.U-1747014132-1.0.1.1-3cx7cCCW7ZiXjSG6666npUfw2QQs.q8eTMmmTfbpfMk#page=90. Acesso em: 12 maio 2025.

KARTHIKEYAN, P.; PRIYADHARSHINI, S.; PRAKASH, N.; SIVARANJANI, P.; PRAVEEN KUMAR, S. Strengthening Bridge between Academic Industry Partnership - A Framework to Optimize Innovation through Academic Industry Collaboration Design Model. The Indian Journal of Technical Education, v. 46, n. 4, p. 334-343, out./dez. 2023. Disponível em: https://www.researchgate.net/profile/Deepak-Sharma-220/publication/379696414_Is_Gamification_a_Proactive_Method_for_Learning_and_Generating_Motivation_to_the_Young_Generation_Community/links/661635a566ba7e2359b9559b/Is-Gamification-a-Proactive-Method-for-Learning-and-Generating-Motivation-to-the-Young-Generation-Community.pdf?__cf_chl_tk=5wGlN14QtAS7rIIZZ2zk1Dc4RXxklVPfs8m3Inhz3.U-1747014132-1.0.1.1-3cx7cCCW7ZiXjSG6666npUfw2QQs.q8eTMmmTfbpfMk#page=90. Acesso em: 12 maio 2025.

KHORSHIDI, H. A.; AICKELIN, U. Multicriteria Group Decision-Making Under Uncertainty Using Interval Data and Cloud Models. Preprint arXiv:2012.01569, 2020. Disponível em: https://arxiv.org/pdf/2012.01569. Acesso em: 12 maio 2025.

KIRANGE, Y. K.; SALUNKHE, S. C.; GIRASE, G. C.; CHAUDHARI, J. R.; MAGARE, N. R.; AWACHARE, A. B. Enhancing Power Quality in Textile Industry: A Holistic Investigation of VFD Fed Induction Motor Drives. The Indian Journal of Technical Education, v. 46, n. 4, p. 232-244, out./dez. 2023. Disponível em: https://www.researchgate.net/profile/Deepak-Sharma-220/publication/379696414_Is_Gamification_a_Proactive_Method_for_Learning_and_Generating_Motivation_to_the_Young_Generation_Community/links/661635a566ba7e2359b9559b/Is-Gamification-a-Proactive-Method-for-Learning-and-Generating-Motivation-to-the-Young-Generation-Community.pdf?__cf_chl_tk=5wGlN14QtAS7rIIZZ2zk1Dc4RXxklVPfs8m3Inhz3.U-1747014132-1.0.1.1-3cx7cCCW7ZiXjSG6666npUfw2QQs.q8eTMmmTfbpfMk#page=90. Acesso em: 12 maio 2025.

LETOUZE, P.; SOUZA JUNIOR, J. I. M. de; BARBOSA, G. V.; ARAUJO, D. S. de. An International Accreditation System for Healthcare Professionals Based on Blockchain. International Journal of Information and Education Technology, v. 9, n. 11, p. 796-801, 2019. Disponível em: https://educapes.capes.gov.br/bitstream/capes/598435/2/Denise%20Sampaio%20de%20Ara%C3%BAjo%20-%20Disserta%C3%A7%C3%A3o.pdf. Acesso em: 12 maio 2025.

LOPES, N. V.; OLIVEIRA, L. H. Governança pública nas cidades inteligentes: revisão teórica sobre seus principais elementos. Revista do Serviço Público, Brasília, v. 71, n. especial (3), p. 119-153, dez. 2020. Disponível em: https://repositorio.enap.gov.br/jspui/bitstream/1/5998/1/RSP%2071%20especial_compressed.pdf. Acesso em: 12 maio 2025.

MARTINE, J. van B.; BLOM, R. M.; VULINK, N.; DENYS, D. A case of digital hoarding. BMJ Case Reports, 2015. Disponível em: https://www.researchgate.net/publication/379696414_Is_Gamification_a_Proactive_Method_for_Learning_and_Generating_Motivation_to_the_Young_Generation_Community. Acesso em: 12 maio 2025.

MEHDI, R.; NACHOUKI, M. A neuro-fuzzy model for predicting and analyzing student graduation performance in computing programs. Education and Information Technologies, v. 28, p. 2455–2484, 2023 (publicado online em 2022). Disponível em: https://link.springer.com/article/10.1007/s10639-022-11205-2. Acesso em: 12 maio 2025.

MILLER, J. J.; CHANDLER, J. Digital hoarding: The relationships between age, social support, loneliness, and clutter in desktops and emails. The Journal of General Psychology, v. 146, n. 1, p. 58-77, 2019. Disponível em: https://www.researchgate.net/publication/379696414_Is_Gamification_a_Proactive_Method_for_Learning_and_Generating_Motivation_to_the_Young_Generation_Community. Acesso em: 12 maio 2025.

MOHAMMADI, M.; TAJIK, E.; MARTINEZ-MALDONADO, R.; SADIQ, S.; TOMASZEWSKI, W.; KHOSRAVI, H. Artificial Intelligence in Multimodal Learning Analytics: A Systematic Literature Review. Preprint, out. 2024. DOI: 10.13140/RG.2.2.16241.29281. Disponível em: https://www.researchgate.net/profile/Hassan-Khosravi-5/publication/384937005_Artificial_Intelligence_in_Multimodal_Learning_Analytics_A_Systematic_Literature_Review/links/670f1a6b8f689617501d580c/Artificial-Intelligence-in-Multimodal-Learning-Analytics-A-Systematic-Literature-Review.pdf. Acesso em: 12 maio 2025.

OREGI, X.; GOTI, A.; PÉREZ-ACEBO, H.; ÁLVAREZ, I.; EGUIA, M-I.; ALBERDI, E. Development of a Transdisciplinary Research-Based Framework for the Improvement of Thermal Comfort of Schools Through the Analysis of Shading System. Buildings, v. 15, n. 1, p. 47, 2025 (publicado online em 2024). Disponível em: https://www.mdpi.com/2075-5309/15/1/47. Acesso em: 12 maio 2025.

PACHORI, J.; SAJID, M.; BATRA, S. The Impact of Artificial Intelligence (AI) on HRM Practices: A Transformative Force in Human Capital Management. The Indian Journal of Technical Education, v. 46, n. 4, p. 311-317, out./dez. 2023. Disponível em: https://www.researchgate.net/profile/Deepak-Sharma-220/publication/379696414_Is_Gamification_a_Proactive_Method_for_Learning_and_Generating_Motivation_to_the_Young_Generation_Community/links/661635a566ba7e2359b9559b/Is-Gamification-a-Proactive-Method-for-Learning-and-Generating-Motivation-to-the-Young-Generation-Community.pdf?__cf_chl_tk=5wGlN14QtAS7rIIZZ2zk1Dc4RXxklVPfs8m3Inhz3.U-1747014132-1.0.1.1-3cx7cCCW7ZiXjSG6666npUfw2QQs.q8eTMmmTfbpfMk#page=90. Acesso em: 12 maio 2025.

PADMAJA, R. Analyzing the Impact of Performance Management Process on Employee Satisfaction: A Case Study of A Growing IT Organization in Hyderabad. The Indian Journal of Technical Education, v. 46, n. 4, p. 304-310, out./dez. 2023. Disponível em: https://www.researchgate.net/profile/Deepak-Sharma-220/publication/379696414_Is_Gamification_a_Proactive_Method_for_Learning_and_Generating_Motivation_to_the_Young_Generation_Community/links/661635a566ba7e2359b9559b/Is-Gamification-a-Proactive-Method-for-Learning-and-Generating-Motivation-to-the-Young-Generation-Community.pdf?__cf_chl_tk=5wGlN14QtAS7rIIZZ2zk1Dc4RXxklVPfs8m3Inhz3.U-1747014132-1.0.1.1-3cx7cCCW7ZiXjSG6666npUfw2QQs.q8eTMmmTfbpfMk#page=90. Acesso em: 12 maio 2025.

PEPE, L. M.; ROQUE, R. H.; SANTOS, M. dos; FÁVERO, L. P. AHP-GS: implementação do Método AHP-Gaussiano para Tomada de Decisão no cenário Big Data. In: ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO, 43., 2023, Fortaleza. Anais [...]. Fortaleza: ABEPRO, 2023. p. 1-10. Disponível em: https://www.researchgate.net/publication/374911142_AHP-GS_implementacao_do_Metodo_AHP-Gaussiano_para_Tomada_de_Decisao_no_cenario_Big_Data. Acesso em: 12 maio 2025.

PRASAD, P. S.; AGRAWAL, M.; NANDAL, N. B_list Chain – A Smart Contract Based Solution to Maintain A Consolidated List of Blacklisted Passport for Enhancing Nation Security. The Indian Journal of Technical Education, v. 46, n. 4, p. 108-118, out./dez. 2023a. Disponível em: https://www.researchgate.net/profile/Deepak-Sharma-220/publication/379696414_Is_Gamification_a_Proactive_Method_for_Learning_and_Generating_Motivation_to_the_Young_Generation_Community/links/661635a566ba7e2359b9559b/Is-Gamification-a-Proactive-Method-for-Learning-and-Generating-Motivation-to-the-Young-Generation-Community.pdf?__cf_chl_tk=5wGlN14QtAS7rIIZZ2zk1Dc4RXxklVPfs8m3Inhz3.U-1747014132-1.0.1.1-3cx7cCCW7ZiXjSG6666npUfw2QQs.q8eTMmmTfbpfMk#page=90. Acesso em: 12 maio 2025.

PRASAD, P. S.; LOKESHWARI, G.; SHIVAJYOTHI, A.; SEELABOYINA, R. Impact of Metaverse on e-Learning Domain-A Survey. The Indian Journal of Technical Education, v. 46, n. 4, p. 103-107, out./dez. 2023b. Disponível em: https://www.researchgate.net/profile/Deepak-Sharma-220/publication/379696414_Is_Gamification_a_Proactive_Method_for_Learning_and_Generating_Motivation_to_the_Young_Generation_Community/links/661635a566ba7e2359b9559b/Is-Gamification-a-Proactive-Method-for-Learning-and-Generating-Motivation-to-the-Young-Generation-Community.pdf?__cf_chl_tk=5wGlN14QtAS7rIIZZ2zk1Dc4RXxklVPfs8m3Inhz3.U-1747014132-1.0.1.1-3cx7cCCW7ZiXjSG6666npUfw2QQs.q8eTMmmTfbpfMk#page=90. Acesso em: 12 maio 2025.

RODRIGUES, T. S.; PINHEIRO, P. R. Hyperparameter Optimization in Generative Adversarial Networks (GANs) Using Gaussian AHP. IEEE Access, v. 13, p. 770-788, 2024 (publicado online em 16 dez. 2024, data de publicação no documento original parece ser um erro, considerando o acesso em 2025, mantive 2024 como ano de publicação, mas o "Date of Publication: 16 December 2024" é prospectivo). Disponível em: https://ieeexplore.ieee.org/abstract/document/10804166. Acesso em: 12 maio 2025.

ROSEN, L. D.; CARRIER, L. M.; CHEEVER, N. A.; ROKKUM, J. The impact of digital clutter on physical and psychological well-being. Journal of Applied Gerontology, v. 38, n. 1, p. 19-36, 2019. Disponível em: https://www.researchgate.net/publication/379696414_Is_Gamification_a_Proactive_Method_for_Learning_and_Generating_Motivation_to_the_Young_Generation_Community. Acesso em: 12 maio 2025.

RYABKO, A. V.; VAKALIUK, T. A.; ZAIKA, O. V.; KUKHARCHUK, R. P.; KUKHARCHUK, I. O.; NOVITSKA, I. V. A novel neuro-fuzzy approach for evaluating educational programme quality and institutional performance in higher education. CEUR Workshop Proceedings, v. 3772, p. 102-124, 2025 (AREdu 2024). Disponível em: http://eprints.zu.edu.ua/43278/1/1.pdf. Acesso em: 12 maio 2025.

SANTOS, S. M. M. dos; ANJOS, F. H. dos; SOUZA, W. V. B. de; SALGADO, E. G. Análise da Percepção da Alta Gestão Sobre o Sucesso de Projetos Públicos. In: SEMINÁRIOS EM ADMINISTRAÇÃO DA FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE DA UNIVERSIDADE DE SÃO PAULO (SemeAd), 25., 2022, São Paulo. Anais [...]. São Paulo: FEA-USP, 2022. p. 1299. Disponível em: https://www.gov.br/mec/pt-br/centrais-de-conteudo/publicacoes/gestao-publica-em-projetos-e-praticas_sesu.pdf. Acesso em: 12 maio 2025.

SANTOS, M. dos; COSTA, A. P. C. B. da; GOMES, C. F. S. Analytic Hierarchy Process – Gaussian: an MCDM approach for big data environments. IEEE Latin America Transactions, v. 19, n. 11, p. 1835-1842, 2021.

SANTOS, M. dos; SANTOS, L. R. P. dos; SOARES, T. A. AHP-Gaussian method applied to the acquisition of hospitals in the private health network. Production, v. 32, e20210157, 2022.

SANTOS, M. dos; SANTOS, L. R. P. dos; SOARES, T. A.; FÁVERO, L. P.; PEPE, L. M.; ROQUE, R. H. AHP-Gaussiano: Uma abordagem multicritério para ambientes de Big Data. Revista Brasileira de Engenharia de Produção, v. 23, n. 1, p. 1-18, 2023. Disponível em: https://www.rbep.org.br/article/view/ahp-gaussiano-bigdata. Acesso em: 12 maio 2025.

SHARMA, D.; MEHTA, N.; SHARMA, J. Is Gamification a Proactive Method for Learning and Generating Motivation to the Young Generation Community. The Indian Journal of Technical Education, v. 46, n. 4, p. 344-352, out./dez. 2023. Disponível em: https://www.researchgate.net/profile/Deepak-Sharma-220/publication/379696414_Is_Gamification_a_Proactive_Method_for_Learning_and_Generating_Motivation_to_the_Young_Generation_Community/links/661635a566ba7e2359b9559b/Is-Gamification-a-Proactive-Method-for-Learning-and-Generating-Motivation-to-the-Young-Generation-Community.pdf?__cf_chl_tk=5wGlN14QtAS7rIIZZ2zk1Dc4RXxklVPfs8m3Inhz3.U-1747014132-1.0.1.1-3cx7cCCW7ZiXjSG6666npUfw2QQs.q8eTMmmTfbpfMk#page=90. Acesso em: 12 maio 2025.

SHEN, H. Design of Teaching Resource Recommendation Platform Based on Fuzzy Recommendation Algorithm in the Context of Education Informatization. Journal of Information Processing Systems, v. 18, n. 11, p. 3129-3145, 2024 (publicado online em 2024, data de publicação no documento original parece ser um erro, considerando o acesso em 2025, mantive 2024 como ano de publicação, mas o "Published : 2024.11.30" é prospectivo). Disponível em: https://koreascience.or.kr/article/JAKO202406536006807.page. Acesso em: 12 maio 2025.

SOUSA, F. de A. de; PEREIRA, E. L.; GOMES, C. F. S.; SANTOS, M. dos; SILVA, M. P. R. L. da. Application of the PSI-CoCoSo Hybrid Method in the Choice of Light Fleet Supplier for a Logistics Distribution Center. In: INTERNATIONAL CONFERENCE ON MOBILE COMPUTING AND SUSTAINABLE INFORMATICS (ICMCSI), 5., 2024, Lalitpur, Nepal. Proceedings [...]. Lalitpur: IEEE, 2024. p. 1-7. Disponível em: https://ieeexplore.ieee.org/abstract/document/10493949. Acesso em: 12 maio 2025.

ULUTAŞ, A.; POPOVIC, G.; RADANOV, P.; STANUJKIC, D.; KARABASEVIC, D. A New Hybrid Fuzzy PSI-PIPRECIA-COCOSO MCDM Based Approach to Solving the Transportation Company Selection Problem. Technological and Economic Development of Economy, v. 27, n. 5, p. 1227-1249, 2021. Disponível em: https://journals.vilniustech.lt/index.php/TEDE/article/view/15058/10605. Acesso em: 12 maio 2025.

---

license: mit