Structural inequality in education: A network science approach

Abstract

Understanding the determinants of the human right to education requires analyzing complex, multiscale, nonlinear relationships. For evidence-based policy, governments and stakeholders analyze massive datasets with millions of measurements from international and national large-scale assessments, highlighting the challenges of this new era of precision in educational research. However, the tradition of using conventional linear models, while useful, has also overlooked systemic feedback and interdependencies among socio-cognitive, socio-emotional, and contextual factors. Consequently, as in most social disciplines, education policymakers have begun to demand more sophisticated tools and approaches to gain deeper, more detailed insights into the impact and variability of the underlying processes of educational phenomena. To address these challenges, this research integrates stochastic process equations with network models to enable more comprehensive measurement of socioeconomic, gender, and inequality gaps by using non-linear tools to incorporate isolated statistical estimates into more informative models. Through this novel approach, we set three milestones for educational research. First, we developed an analytical, non-deterministic framework to reformulate and estimate the international metric for learning poverty, the main indicator for education and the Sustainable Development Goal 4. By upgrading deterministic formulas to a set of interrelated stochastic equations, we defined and developed specific stochastic processes for absolute, relative, and compound indices of learning deprivation, combining a global perspective with both qualitative depth and quantitative rigor. This represents not just a technical refinement but an essential epistemological shift for official implementation worldwide. Second, this thesis offers several advantages in modeling the correlation-based academic networks of factors, unveiling structural drivers of deprivation while estimating the variational effects of network parameters and their relationships with socioeconomic status across scales. Finally, this research identified and measured emerging phenomena arising from interactions, such as academic resilience, inequality gaps, and asymmetrical distribution of learning outcomes. The wide range of topological features identified has enormous potential, as it establishes bridges that directly connect educational and pedagogical concepts with quantitative results, providing a robust framework for building dynamic scenarios. This valuable conceptual and instrumental tool might help policymakers to address many large-scale challenges to ensure inclusive and equitable education for historically marginalized groups, providing actionable insights for inclusive and accountable policy design.

Compreender os determinantes do direito humano à educação exige analisar relações complexas, multiescalares e não lineares. Para a formulação de políticas baseadas em evidências, os governos e as partes interessadas analisam conjuntos de dados maciços com milhões de medições provenientes de avaliações internacionais e nacionais de grande escala, o que demonstra claramente os desafios desta nova era de precisão na investigação educacional. No entanto, a antiga tradição de utilizar modelos lineares convencionais, embora útil, também tem ignorado retroalimentações sistémicas e interdependências entre fatores sociocognitivos, socioemocionais e contextuais. Por estas razões, tal como na maioria das disciplinas sociais, os decisores políticos na área da educação começaram a exigir ferramentas e abordagens mais sofisticadas para obter uma compreensão mais profunda e detalhada do impacto e da variabilidade dos processos subjacentes aos fenómenos educacionais complexos. Para enfrentar estes desafios, esta investigação integrou equações de processos estocásticos com modelos de redes, permitindo uma medição mais abrangente das lacunas socioeconómicas, de género e de desigualdade, utilizando ferramentas não lineares para incorporar estimativas estatísticas isoladas em modelos mais avançados e informativos. Com esta abordagem inovadora, estabelecemos três marcos para a investigação educacional. Em primeiro lugar, desenvolvemos um quadro analítico não determinístico para reformular e estimar a métrica internacional da pobreza de aprendizagem, principal indicador do Objetivo de Desenvolvimento Sustentável 4. Ao atualizar fórmulas determinísticas para um conjunto de equações estocásticas inter-relacionadas, definimos e desenvolvemos processos estocásticos específicos para medir o índice absoluto, relativo e composto de privação de aprendizagem, combinando a profundidade qualitativa e o rigor quantitativo. Isto representa não apenas um refinamento técnico, mas uma mudança epistemológica essencial para a implementação oficial a nível mundial. Em segundo lugar, esta tese oferece várias vantagens na modelação de redes académicas baseadas na correlação de fatores, revelando algumas estruturas da privação e permitindo estimar os efeitos variacionais dos parâmetros da rede e as suas relações com o estatuto socioeconómico em diferentes escalas. Finalmente, esta investigação identificou e mediu fenómenos emergentes resultantes das interações, como resiliência académica, lacunas de desigualdade e distribuição assimétrica dos resultados de aprendizagem. A gama de características topológicas encontradas possui um enorme potencial, pois estabelece pontes que conectam diretamente conceitos educacionais e pedagógicos com resultados quantitativos, fornecendo uma estrutura robusta para a construção de cenários e simulações dinâmicas através da calibração e ajuste de parâmetros de ordem e controlo. Esta ferramenta conceptual e instrumental poderá ajudar decisores políticos e partes interessadas a enfrentar muitos desafios em larga escala para garantir uma educação inclusiva e equitativa para grupos marginalizados, fornecendo informações acionáveis para a conceção de políticas inclusivas e responsáveis.