Como a base foi construída

Sobre as bases utilizadas

A plataforma publica nove bases, e cada uma é fiel a um documento diferente. A do Enade é fiel ao relatório síntese impresso, e a do Censo, ao microdado do Inep. A dos indicadores é fiel à planilha de resultados. A do instrumento, ao documento da avaliação in loco, e a das portarias, ao ato publicado no Diário Oficial. A do cadastro e-MEC é fiel ao relatório da Consulta Pública Avançada, e a dos projetos pedagógicos, ao documento que cada instituição publica. Por isso, nenhuma delas corrige a outra, e nenhuma delas corrige a sua própria fonte.

Cada base tem cadeia de extração própria, arquivo próprio e selo próprio, com o sha256 do conteúdo e a data em que ele foi fechado. Essa separação é o que sustenta a regra que atravessa a plataforma inteira: o número de uma base nunca é somado ao de outra, porque cada uma conta um universo diferente. O Censo conta o curso que informou matrícula naquele ano; o Enade conta quem fez a prova; a planilha conta os cursos com conceito.

A tabela abaixo diz de onde vem cada uma, o que ela cobre e quando foi selada. Os blocos seguintes descrevem o método de cada uma, a começar pela do Enade, que é a mais trabalhada das nove.

O que a base do Enade é

A base foi construída a partir dos dezesseis relatórios síntese de área publicados pelo Inep para Design e para as três tecnologias em Design, de 2006 a 2022. Ela reproduz o documento, e não o corrige: onde o relatório imprime um número, a base guarda esse número, com o endereço da página em que ele aparece.

O banco tem três camadas, da mais literal à mais tratada. A camada bruta guarda o texto e as tabelas como saem do PDF. Em seguida, a camada normalizada transforma cada célula numérica numa observação com os seus rótulos e a sua origem. Por fim, a camada de recortes reúne as séries comparáveis entre edições.

Duas maneiras de ler uma tabela

Nos relatórios de 2012 em diante, a moldura desenhada na página delimita cada célula, e a leitura segue essa grade. Em 2006 e 2009, porém, a moldura traz apenas as bordas externas, e o detector de linhas enxerga só o cabeçalho. Diante disso, uma segunda leitura reconstrói a tabela pela posição das palavras. As colunas saem do alinhamento das bordas direitas dos números. E o desenho da página, com os seus riscos verticais e as suas tarjas de fundo, diz onde uma célula acaba e a seguinte começa.

A escolha entre as duas é feita tabela a tabela, comparando cinco medidas de endereçamento. São elas: quantas células saem com rótulo de linha e de coluna, quantas ficam órfãs, quantas colunas ficam sem nome, quantos endereços distintos resultam e quantos grupos ficam irregulares. A coluna que registra a escolha acompanha cada tabela e cada observação.

O que a auditoria verifica

Vinte e seis testes correm sobre a base a cada reconstrução, distribuídos em sete blocos: integridade, fidelidade ao PDF, aritmética interna, coerência documental, cobertura, âncoras de texto e verificação posicional. Nenhum deles compara a base com outra fonte; todos a comparam com os PDFs de origem.

Entre eles, três merecem nota. O teste de fidelidade confere, página a página, que nenhum valor da base deixa de aparecer impresso na página correspondente. O teste de completude mede quantos números impressos na região das tabelas não entraram na base, e hoje esse resto é de 0,06%. O teste posicional confere que os valores atribuídos a uma linha aparecem na mesma linha impressa, na ordem da esquerda para a direita, o que pega troca de coluna que a conferência por conjunto não pegaria.

Ressalva não é sinônimo de número errado

A tabela de ressalvas aponta cada tabela cujo resultado pede cautela e diz em quê, e a advertência acompanha o dado. Na ressalva mais frequente, a de coordenada ambígua, os valores estão conferidos contra o PDF; falta um rótulo que os separe, e por isso a consulta por rótulo sozinho não basta.

Como refazer a base

A cadeia de extração tem dezessete scripts numerados, e executam-se todos na ordem certa por um roteiro só. A ordem é fixa. A leitura por moldura e a leitura por posição dependem uma da outra, o passo que monta o banco refaz a tabela de observações do zero, e os passos de reparo trabalham sobre a lista que a auditoria produz. Ao final, grava-se num selo o sha256 de cada script, o do conteúdo da tabela de observações e a data, de modo que qualquer alteração posterior seja detectável.

A base do Censo da Educação Superior

O Censo conta o curso que informou matrícula naquele ano, e não só os que fizeram a prova: é ele que dá o denominador que o Enade não dá. O curso autorizado que ainda não teve turma fica de fora dele, e por isso o cadastro regulatório do e-MEC chega a um total maior que o do Censo no mesmo ano. A extração baixa o microdado de cada ano, de 2009 a 2024, e guarda dos arquivos zipados apenas os dois cadastros que interessam, o de cursos e o de instituições. A procedência registra o endereço, a data, o tamanho, o sha256 calculado aqui e o md5 que o Inep publica dentro do próprio zip.

O recorte é a decisão que mais pesa nessa base, e ela tem literatura. Oliveira e Silva (Estudos em Design, v. 34, n. 1, 2026) mostram que a CINE separa em áreas gerais distintas coisas que o campo trata junto. Design gráfico e design de produto só se encontram no nível mais alto da classificação, e jogos digitais, criação digital e produção gráfica ficam fora da área geral do design. A pergunta que o artigo deixa em aberto, sobre onde se classifica um curso de design de jogos digitais, é a que a segunda regra de entrada desta base responde: pelo nome, em qualquer rótulo. O Censo classifica curso pelo código CINE, e o Enade pela área de avaliação, e os dois não coincidem. Uma leitura estreita do CINE deixava de fora o design gráfico e o design de interiores oferecidos como bacharelado, e a cobertura de 2015 passava de 100%. A regra escrita reúne, no bacharelado, todo curso de design qualquer que seja o rótulo CINE. Depois do conserto a cobertura ficou entre 55,7% e 91,3%, e uma linha continua acima de 100%, em Moda de 2009, publicada como está.

O módulo de aluno deixou de ser servido, e por isso nenhuma análise desta plataforma desce ao nível do estudante pelo Censo. A ausência fica declarada na seção da oferta.

A base do CPC, do IDD e do IGC

As planilhas de resultados do Inep trazem o conceito de cada curso que fez a prova, com o código no e-MEC. O IDD é a medida que separa o que o curso acrescenta daquilo que ele recebeu pronto, porque desconta o perfil de quem entrou, medido pela nota no Enem. A leitura procura cada coluna por trecho normalizado do cabeçalho, e não por nome exato, porque o Inep muda maiúscula, acento, asterisco e travessão de um ano para outro.

A conferência que valida o recorte compara a contagem de cursos por área com a ficha de cada relatório síntese. Ela bate em 2009, em 2015 e em 2018. Em 2012 não bate, porque naquele ano a planilha publica a unidade de observação, quer dizer, a instituição num município, e não o curso; a divergência de 157 unidades contra 140 cursos fica publicada. A faixa do IDD, que as planilhas anteriores a 2018 não trazem, é derivada do contínuo pela regra de corte do Inep, conferida contra 2021 e 2022 em 14.599 cursos sem divergência.

A base do instrumento da avaliação in loco

O conceito de curso que a visita da comissão produz não é publicado pelo Inep em conjunto de dados aberto, e até 3 de setembro de 2026 esta página dizia que ele não estava aqui. Ele está desde o dia seguinte: veio do cadastro e-MEC, cuja Consulta Pública Avançada o exporta em relatório, e a coleta foi feita na fonte, com endereço, data e sha256 próprios. São 830 cursos com conceito, e a leitura é conferida contra a planilha de resultados do Inep pelo CPC. Assim, ao lado dele está o instrumento, quer dizer, o documento que apresenta os critérios de avaliação da comissão e a atribuição de 1 a 5 em cada item; a leitura converte os cinco documentos publicados entre 2010 e 2017 em 255 indicadores e 1.275 critérios.

A conferência que valida a leitura é a contagem: cada indicador tem exatamente cinco critérios, e a conta fecha nos cinco documentos. Três armadilhas da grade impressa ficaram resolvidas com regra escrita, e cada uma delas tinha derrubado a conta antes. A tabela que vira a página sem repetir o cabeçalho continua a anterior. O cabeçalho de indicador é amarrado à tabela pela altura em que está, e não pela ordem de contagem. E a numeração de três níveis do instrumento tecnológico de 2010 é lida como tal. Em três dos 255 indicadores o título ficou cortado na grade, e a ressalva acompanha o item.

A base do cadastro e-MEC

O cadastro é o registro regulatório: ele conta o curso AUTORIZADO, e guarda o curso depois de ele fechar. O Censo conta o curso que informou matrícula naquele ano. Somar um ao outro seria errado, e a diferença entre eles é publicada em vez de escondida. São 2.080 cursos, dos quais 1.070 em atividade, 872 extintos e 138 em extinção.

Somente esta base contém o RESULTADO da avaliação in loco: o conceito de curso, com o ano da visita da comissão. São 830 cursos com conceito, e o ano vai de 2004 a 2026. A coleta foi feita na Consulta Pública Avançada, em seis buscas que repetem a mesma regra de recorte do Censo, e cada uma tem endereço, parâmetros escritos por extenso, data e sha256.

A conferência que valida a leitura é o CPC. Ele existe em duas bases desta plataforma por caminhos independentes: aqui vem do cadastro, e na base dos indicadores vem da planilha de resultados do Inep. Alinhada a edição mais recente de cada curso, os dois coincidem em 486 de 488 casos. O cadastro exporta o CPC contínuo sem o separador decimal, de modo que 261 é 2,61, e a regra fica escrita porque sem ela a coincidência daria zero.

A base dos projetos pedagógicos

Nenhum órgão reúne o projeto pedagógico dos cursos: cada instituição publica o seu, por obrigação de transparência, e o endereço é do próprio curso. A coleta é por isso instituição a instituição, e o formato varia entre o repositório de documentos, o site da unidade e o sistema acadêmico. Foram guardados 104 documentos de 38 instituições, com o endereço, a data e o sha256 de cada arquivo.

Esta base mede, antes de qualquer outra coisa, o hábito de publicar. Ela mede o publicado, e nunca o campo inteiro. O número dela não entra na conta do Censo nem na do cadastro e-MEC. Onde o sistema acadêmico publica a página do projeto e deixa os campos em branco, a ausência entra na base como ausência.

A bibliografia sai do próprio documento. O leitor procura o rótulo que abre a lista, recolhe as referências em norma ABNT e para no fim da página; a continuação de uma lista na página seguinte fica de fora, e emendá-la exigiria adivinhar onde ela termina. São 13.539 referências em 40 dos 104 documentos, que são os que descem ao nível do componente.

A base das portarias de diretrizes

Antes de cada edição o Inep publica no Diário Oficial uma portaria por área, que fixa o perfil do concluinte, as competências avaliadas e os conteúdos cobrados. Quatorze delas entram, com 443 itens. A leitura trata três formatos: o PDF de coluna única do Inep, a página do Diário Oficial em três colunas que se tocam, e a página do Diário em html.

A página do Diário não tem lacuna vertical entre as colunas, e procurar espaço em branco não acha coluna nenhuma. A margem esquerda, repetida linha após linha, permite identificar a coluna. Sem isso, o texto de design sai intercalado com o da área vizinha, que na mesma página costuma ser Direito ou Comunicação. O recorte do ato dentro da página distingue o título, que vem em caixa alta, da citação de outro ato no corpo, que vem em caixa mista.

A conferência desta base é contra o acervo do Enade, e é o motivo principal de ela existir. Para cada conteúdo da portaria, procura-se no capítulo de diretrizes do relatório uma sequência de quatro palavras do item. Em doze dos quatorze casos a proporção fica entre 36% e 93%; em dois ela é zero, e são os relatórios de 2022 que reproduzem as diretrizes de outra área. As edições de 2006 e de 2012 ficam de fora da base, com a razão declarada na seção das diretrizes.

O curso que se chama design, e a classificação que não o chama

O recorte tem duas regras de entrada: o rótulo CINE e o nome do curso. A maior parte dos cursos entra pelas duas, e a pergunta interessante está nos que entram por uma só. Dos 2.080 cursos do cadastro, 1.865 entram pelas duas, 108 entram só pelo nome e 107 entram só pelo rótulo.

Quando um curso se chama design e a classificação não o chama, ela o põe em computação em 60% dos casos: design de games, game design e design de aplicações e interfaces digitais vão para jogos digitais, sistemas para internet e engenharia de software. Do outro lado, a classificação chama de design 107 cursos que não usam a palavra. Desses, 66 se chamam simplesmente Moda. Assim, a distância entre o nome e o rótulo tem duas direções, e elas não se cancelam: o termo migrou para o digital sem que a classificação o seguisse, e a classificação mantém sob design um conjunto que o campo nomeia de outro modo.

Onde a classificação põe o curso que se chama design

Como se chama o curso que a classificação chama de design

As famílias em que os rótulos são reunidos estão declaradas em ferramentas/porta_do_recorte.py, e foram escritas a partir da lista inteira dos rótulos que aparecem, antes de qualquer contagem, a fim de que o agrupamento não fosse desenhado pelo que ele iria mostrar. Ainda, a coluna que separa as duas regras está publicada em dados abertos e é dimensão da ferramenta de cruzamentos, de modo que qualquer recorte desta leitura possa ser refeito na tela.

A que distância da referência a classificação põe cada rótulo

A CINE Brasil organiza o curso em quatro degraus, e o código de cada rótulo os carrega todos. Em 0212D02, que é o rótulo Design, os dois primeiros dígitos são a área geral, os três primeiros são a área específica, os quatro primeiros são a área detalhada, e o código inteiro é o rótulo. Toma-se aqui esse rótulo como referência, a fim de medir em que degrau o código de cada curso do recorte encontra o dele.

Dos 917 cursos de design da última edição do Censo, 147 carregam o próprio rótulo Design. Outros 428 o encontram na área detalhada, e 308 só o encontram na área específica, dois degraus acima. O maior rótulo do acervo inteiro está nesse grupo: o design gráfico, com 228 cursos, tem código 0211D01 e coincide com o Design nos três primeiros dígitos. Ainda, 33 cursos não encontram o Design em degrau nenhum, e entre eles está a criação digital, que é um dos oito rótulos que este recorte toma como design.

A leitura mede a classificação. Ela não mede o objeto do curso. Dizer que dois cursos se encontram só na área específica descreve onde a CINE os põe, sem afirmar que eles ensinam coisas distantes. A pergunta é de Oliveira e Silva (Estudos em Design, v. 34, n. 1, 2026), que observam a distância entre os rótulos de design na hierarquia sem contar os cursos que ela alcança.

O nome da área detalhada de cada código vem do cadastro e-MEC, que o exporta ao lado do rótulo. Os nomes da área geral e da área específica não estão em nenhuma das nove bases deste acervo, e por isso esses dois degraus aparecem pelo código, com os nomes de área detalhada que ficam sob eles.

As nove bases, e o documento a que cada uma é fiel

A cobertura e a data de selagem saem da própria base, e não de texto escrito à mão: quando uma delas é refeita, esta tabela muda junto.

Tabelas por método de leitura

Ressalvas registradas