Próximo(s)

Programas de remuneração docente por desempenho podem ser bem-sucedidos? O caso do Texas Teacher Incentive Allotment

Autores

DOI:

https://doi.org/10.14507/epaa.34.9573

Palavras-chave:

remuneração por desempenho, Teacher Incentive Allotment, avaliação de programas, validade, modelos de valor agregado, Texas

Resumo

Os programas de remuneração por desempenho (RPD) na educação pública são controversos, e suas avaliações tendem a se concentrar nos resultados, embora seu sucesso também dependa do desenho e da implementação. Neste estudo, examinamos o Texas Teacher Incentive Allotment (TIA), um programa estadual de grande escala financiado com recursos públicos para remuneração por desempenho docente, utilizando um referencial analítico composto por três dimensões: validade do desenho, fidelidade da implementação e utilidade dos resultados. Com base em dados administrativos de 79.198 professores distribuídos em 338 distritos escolares, investigamos se as designações correspondem à eficácia docente, se os distritos aplicam as métricas de forma consistente e se a designação está associada ao desempenho. Combinando medidas de crescimento da aprendizagem e observações de sala de aula, constatamos que apenas 3% dos professores receberam designação apesar de apresentarem pontuações abaixo do limite estabelecido, enquanto 8% não receberam designação apesar de ultrapassarem esse limite. Além disso, a designação apresentou forte associação com o desempenho (AUC = .95), indicando que os distritos, em sua maioria, aplicaram adequadamente as diretrizes estaduais. A designação também esteve associada à melhoria ou à manutenção do desempenho docente, embora o delineamento observacional do estudo não permita estabelecer relações de causalidade. O TIA demonstra como um programa de remuneração por desempenho em larga escala pode combinar rigor estadual com flexibilidade local, oferecendo implicações relevantes para formuladores de políticas que avaliam reformas de remuneração por mérito.

Downloads

Não há dados estatísticos.

Biografia do Autor

Jaehoon Lee, Texas Tech University

Jaehoon Lee, PhD, is an associate professor of educational psychology at Texas Tech University. His scholarly expertise spans advanced research methodologies, statistical modeling techniques, and measurement instruments applied across education, psychology, public health, and related disciplines. His recent work focuses on the evaluation and application of mixed-effects models, mixture models, Bayesian approaches, and propensity score methods for analyzing complex data sets.

Michael Strong, Texas Tech University

Michael Strong, PhD, is a research scientist in the College of Education at Texas Tech University. He is the former Director of Research at the New Teacher Center at the University of California, Santa Cruz, and at the Center on Deafness at the University of California, San Francisco. His current interests center on observing teaching behavior, applying AI to teaching evaluation, and measuring the effectiveness of teacher pay-for-performance programs.

Kristin Mansell, Texas Tech University

Kristin E. Mansell, PhD, is an assistant professor in the College of Education at Texas Tech University. Her research examines how school systems design roles, routines, and instructional structures to strengthen teaching and learning, with a particular focus on strategic staffing, blended and personalized learning, and instructional improvement in rural and high-need contexts. She leads statewide evaluation projects with the Texas Education Agency, including work on the Strategic Operations staffing model, the School Action Fund, and the Teacher Incentive Allotment, and explores teacher workforce dynamics such as retention, mobility, certification pathways, and the impact of professional learning.

Heather Greenhalgh-Spencer, Texas Tech University

Heather Greenhalgh-Spencer, PhD, is a professor in the Department of Curriculum and Instruction at Texas Tech University and Associate Dean of the Graduate School. Her research emerges at the intersection of educational technology, techno-philosophy, pedagogical innovation, strategic staffing, and school-workforce connections. Greenhalgh-Spencer also researches blended/personalized learning (BL/PL) and the ways that BL/PL can create multiple learning pathways and increased opportunities for all students. Her work intersects with issues in STEM education and the STEM (Engineering) pipeline. Dr. Greenhalgh-Spencer has published in multiple international journals of education. She teaches courses on e-learning, BL/PL pedagogies, pedagogical innovation, data literacy, and educational policy and philosophy.

Downloads

Publicado

2026-09-15

Como Citar

Lee, J., Strong, M., Mansell, K., & Greenhalgh-Spencer, H. (2026). Programas de remuneração docente por desempenho podem ser bem-sucedidos? O caso do Texas Teacher Incentive Allotment. Arquivos Analíticos De Políticas Educativas, 34. https://doi.org/10.14507/epaa.34.9573

Edição

v. 34 (2026)

Seção

Articles

Licença

Copyright (c) 2026 Jaehoon Lee, Michael Strong, Kristin Mansell, Heather Greenhalgh-Spencer

Creative Commons License
Este trabalho está licenciado sob uma licença Creative Commons Attribution-ShareAlike 4.0 International License.

Artigos mais lidos pelo mesmo(s) autor(es)