Quando a igualdade formal não basta: na prática
O princípio de tratar desigualmente os desiguais está presente em qualquer sistema que precise alocar recursos, vagas ou benefícios com base em condições previamente distintas. A ideia é simples no papel, mas na hora da implementação a coisa complica. Você precisa quantificar a desigualdade, definir pesos e, principalmente, evitar que o critério vire uma caixa-preta que ninguém entende.
tratar desigualmente os desiguais
Em termos práticos, isso significa reconhecer que dois candidatos com perfis idênticos em uma dimensão podem ter trajetórias radicalmente diferentes em outra. Uma nota igual não traduz a mesma coisa para quem estudou em escola pública integral e para quem frequentou colégio privado com reforço particular desde o ensino médio. O cálculo bruto ignora esse contexto. Isso se aplica em processos seletivos, cotas, redistribuição de verbas públicas, algoritmos de crédito e até em sistemas de recomendação interna de empresas. O ponto crucial é que o tratamento diferenciado precisa ser mensurável, revisável e justificável publicamente. Senão vira arbitrary power disfarçado de justiça.
Me deparei com um caso concreto num processo seletivo para uma bolsa de mestrado. O edital usava apenas média final como critério numérico. Dois candidatos tinham 8,5. Um tinha essa média vindo de uma graduação com notas inflacionadas em instituição de fácil acesso. O outro, 8,5, vinha de uma faculdade onde a curva era fechada e o índice de reprovação era alto. O sistema os empata e o sorteio decidiu. Foi injusto. A correção foi implementar um índice de dificuldade institucional normalizado por distribuição de notas histórica — basicamente transformar a média absoluta em percentile dentro do contexto de cada instituição de origem. Isso removeu a assimetria sem abandonar o critério objetivo. O aprendizado foi direto: tratar iguais de forma igual quando eles são desiguais em origem produz desigualdade estrutural. Tratar desigualmente os desiguais exige um dado intermediário que capture a trajetória. Se você não tem esse dado, a "igualdade" do resultado é ilusão.
O erro mais comum é usar um único fator compensatório. No Brasil, por exemplo, muitos editais limitam a ação corretiva à autodeclaração racial ou à escola pública. O problema é que esses atributos são colineares em certas regiões — ser preto e ter estudado em escola pública no Nordeste tem sobreposição altíssima. Isso gera um efeito de saturação onde o critério não discrimina mais além de certo ponto e perde poder de correção. A solução que vi funcionar foi combinar múltiplas variáveis com pesos definidos por regressão logística. Sim, envolve modelagem estatística. Mas o resultado é um score composto que captura interseccionalidade sem depender de achismo. O modelo identifica quais combinações de variáveis realmente predizem desvantagem acumulada e ajusta o peso de cada uma. O processo leva cerca de três semanas para ser calibrado com dados históricos de um grupo seleto de 500 a 1000 candidatos, depois opera automaticamente.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Há limitações sérias. Primeiro, o modelo só é tão bom quanto os dados disponíveis. Se sua base histórica contém vieses de seleção passados — o que é quase garantido — o algoritmo vai replicar esses vieses sob o disfarce de neutralidade matemática. Segundo, existe o problema da granularidade: quando o grupo de análise é muito pequeno, como em cidades com menos de 50 mil habitantes, os percentis por instituição perdem estabilidade estatística. Terceiro, o custo de implantação inicial é alto. Não adianta tentar aplicar isso em processos que acontecem uma vez a cada cinco anos com orçamento enxuto. Quando o dado histórico é insuficiente ou quando o processo é tão esporádico que não compensa o investimento em modelagem, a alternativa mais honesta é usar faixas de tolerância com critério qualitativo transparente. Em vez de um score único, você define intervalos de equivalência e, dentro de cada intervalo, aplica um painel de avaliação contextualizada. É mais lento, mas evita a ilusão de precisão numérica.
Outro ponto que poucos consideram é o efeito perverso da otimização. Quando um critério de desigualdade é conhecido e publicado, agentes racionais se adaptam. Famílias de baixa renda podem buscar escolas com curvas mais brandas apenas para subir a média. Instituições, por sua vez, podem inflar notas propositalmente se souberem que há compensação baseada em desempenho relativo. A correção deve sempre incluir um componente de verificação de integridade dos dados de origem, não apenas do score final. Na prática, o passo a passo é o seguinte: primeiro, mapeie todas as variáveis de trajetória relevantes para o seu contexto. Segundo, verifique a disponibilidade e confiabilidade dos dados históricos. Terceiro, escolha entre modelagem estatística ponderada ou faixas com painel qualitativo, dependendo do volume de dados e da frequência do processo. Quarto, valide o resultado com simulações de contrafactual — o que aconteceria se você usasse apenas o critério brute? A diferença entre os dois cenários é o valor real da correção. Quinto, publique o método completo, não apenas o resultado. Transparência é o que separa justiça procedimental de favoritismo disfarçado.
Se você está começando do zero e não tem equipe de dados, a saída mais viável é importar frameworks já testados. O SUS (Sistema Único de Saúde) brasileiro, por exemplo, publica metodologias de proporcionalidade para distribuição de leitos e profissionais. A SEPPIR (Secretaria de Políticas de Promoção da Igualdade Racial) tem diretrizes para cálculo de cotas com detalhamento técnico. Copiar e adaptar é mais rápido do que reconstruir a roda, desde que você entenda as suposições por trás de cada fórmula. O conceito de tratar desigualmente os desiguais não é uma bala de prata. Ele funciona quando há dados confiáveis, quando o processo é repetitivo o suficiente para justificar o investimento em calibração e quando a transparência é mantida. Fora desses condições, a correção pode gerar mais distorção do que vantagem. O importante é saber onde cada limite está antes de cruzá-lo.
Para implementação prática, comece com uma amostra piloto de 100 a 200 registros. Execute o modelo duas vezes — uma com o critério original e outra com a correção proposta. Compare a dispersão dos resultados e o grau de representatividade nos grupos finais. Se a correção não alterou significativamente a composição do grupo selecionado, provavelmente o fator de desigualdade que você escolheu não é o dominante no seu contexto. Troque de variável e refaça. Documentação técnica detalhada sobre o cálculo de scores compensatórios pode ser encontrada nos manuais do CNPq para bolsas de iniciação científica, que incluem anexos com fórmulas de normalização por instituto. O código de referência em Python para a regressão logística de ponderação está disponível no repositório oficial do IPEA, que mantém exemplos práticos para aplicação em editais públicos. Nada disso substitui a análise crítica do contexto local, mas evita que você repita erros já resolvidos por outros.
