Proibir Celular na Escola Melhora as Notas? O Que Harvard, Stanford e a Flórida Mostraram em 2026
Olá HaWkers, em 17 de novembro de 2026 o Centro de Pesquisa em Políticas Educacionais de Harvard (CEPR), junto com Dartmouth e a NWEA, divulgou o maior estudo já feito com notas individuais de alunos antes e depois de escolas trancarem os celulares em bolsinhas lacradas. O resultado foi parar na capa de jornais nos Estados Unidos e passou de mil pontos no Hacker News: as proibições estão, aos poucos, melhorando as notas em matemática e leitura.
Só que, sete meses antes, uma equipe de Stanford, Duke, Penn e Michigan tinha chegado a uma conclusão bem menos animadora. E aqui no Brasil a Lei 15.100/2025 já completou o primeiro ano com 92% das escolas aplicando a regra, mas o próprio MEC admite que ainda não há evidência objetiva de ganho de aprendizagem.
Então, afinal, proibir celular na escola funciona ou não? Neste artigo eu vou separar o que cada estudo realmente mediu, o tamanho real dos efeitos (spoiler: é pequeno, e isso não é necessariamente ruim), e vou usar um pouco de Python para mostrar por que dois estudos sérios podem olhar para o mesmo fenômeno e enxergar coisas diferentes.
O Que o Estudo de Harvard de Novembro de 2026 Encontrou
O trabalho foi liderado por Thomas Kane, de Harvard, com Douglas Staiger, de Dartmouth, e a NWEA, a organização que aplica as provas MAP Growth em milhares de escolas americanas. A base é enorme: mais de 3 milhões de alunos, do 3º ao 10º ano, ao longo de cinco anos letivos, entre 2021 e 2026.
O ponto que diferencia este estudo é o nível de detalhe. Em vez de comparar médias de escolas, os pesquisadores usaram as notas de cada aluno em 844 escolas que adotaram as bolsinhas da Yondr (aquelas que travam com um ímã e só abrem na saída) e que também aplicam as provas da NWEA. Essas escolas foram comparadas com escolas parecidas que não adotaram a proibição.
Os principais resultados:
- Ganho em matemática e leitura: pequeno, mas estatisticamente significativo, segundo Kane.
- Tamanho: algo em torno de 0,01 desvio-padrão por ano, o que os autores traduzem como o equivalente a uma a duas semanas extras de aula por ano.
- Persistência: não houve diferença estatisticamente significativa entre o primeiro ano e os anos seguintes, e o ganho parece se repetir ano após ano, pelo menos até três anos depois da adoção.
- Ressalva dos próprios autores: o estudo ainda não passou por revisão por pares e não prova, sozinho, que a proibição causou a melhora.
Uma a duas semanas de aula por ano parece pouco. Mas pense no custo: uma bolsinha dessas custa poucas dezenas de dólares por aluno, e o ganho, se se confirmar, acumula. Em política educacional, poucas intervenções baratas entregam isso.
Como Transformar "0,01 Desvio-Padrão" em Algo Que Faz Sentido
Pesquisa em educação adora o desvio-padrão (DP) porque ele permite comparar provas diferentes. O problema é que ninguém tem intuição sobre o que é "0,01 DP". Vamos traduzir isso com código.
import math
def percentil_apos_ganho(ganho_dp: float, percentil_inicial: float = 50.0) -> float:
"""Converte um ganho em desvios-padrão no novo percentil do aluno.
Assume distribuição normal das notas, que é a suposição padrão
nesse tipo de pesquisa.
"""
# Inversa aproximada da normal: acha o z-score do percentil inicial
def z_do_percentil(p: float) -> float:
# Busca binária simples para não depender de scipy
baixo, alto = -6.0, 6.0
for _ in range(100):
meio = (baixo + alto) / 2
if 0.5 * (1 + math.erf(meio / math.sqrt(2))) * 100 < p:
baixo = meio
else:
alto = meio
return (baixo + alto) / 2
z = z_do_percentil(percentil_inicial) + ganho_dp
return 0.5 * (1 + math.erf(z / math.sqrt(2))) * 100
def semanas_de_aula(ganho_dp: float, crescimento_anual_dp: float, semanas_no_ano: int = 36) -> float:
"""Quantas semanas de aula equivalem a um ganho, dado o crescimento típico de um ano."""
return ganho_dp / crescimento_anual_dp * semanas_no_ano
ganho = 0.01 # ordem de grandeza reportada pelo estudo de Harvard
print(f"Aluno mediano vai do percentil 50 para {percentil_apos_ganho(ganho):.2f}")
# O crescimento anual típico varia por série e disciplina.
# Os valores abaixo são ilustrativos, só para mostrar a sensibilidade da conta.
for crescimento in (0.18, 0.25, 0.36):
print(f"Crescimento anual de {crescimento} DP -> {semanas_de_aula(ganho, crescimento):.1f} semanas")Rodando isso, o aluno mediano sobe do percentil 50 para algo perto de 50,4. Parece nada. Já a conversão em semanas depende de quanto um aluno típico cresce em um ano: com crescimentos anuais entre 0,18 e 0,36 DP, o mesmo 0,01 DP vira algo entre 1 e 2 semanas. É exatamente por isso que os autores falam em "uma a duas semanas", e não em um número fechado.
A lição para quem lê manchete: o mesmo efeito pode ser apresentado como "quase zero" ou como "duas semanas de aula grátis", e as duas frases estão corretas. O que muda é a régua.
O Contraponto de Stanford: Menos Celular, Mas Notas Quase Iguais
Em abril de 2026, um grupo de peso publicou um working paper sobre as mesmas bolsinhas da Yondr: Hunt Allcott, Thomas Dee e Matthew Gentzkow (Stanford), Jason Baron (Duke), Angela Duckworth (Penn) e Brian Jacob (Michigan). O estudo foi pré-registrado, com o plano de análise público antes de olharem os dados, o que é um selo de seriedade.
O que eles encontraram:
- As bolsinhas reduziram muito o uso de celular durante o horário escolar. A política funciona no que promete fazer.
- O efeito médio nas notas ficou consistentemente perto de zero.
- No ensino médio apareceram efeitos positivos modestos.
- As suspensões subiram em média 16% no primeiro ano e voltaram ao normal depois.
Thomas Dee chegou a descrever a evidência inicial como "em grande parte decepcionante". Kane, olhando para os novos dados, lê o cenário de forma bem mais favorável.
Por que os dois estudos discordam?
Não é que um esteja certo e o outro errado. Eles usam dados diferentes:
| Aspecto | Stanford (abril/2026) | Harvard (novembro/2026) |
|---|---|---|
| Dados de notas | Outro conjunto de provas padronizadas | Nota individual de cada aluno |
| Provas | Diferentes das usadas por Harvard | MAP Growth da NWEA |
| Amostra com Yondr | Escolas que adotaram as bolsinhas | 844 escolas com Yondr e NWEA |
| Extra | Dados de GPS de uso de celular, pesquisa com professores | Comparação com escolas semelhantes |
| Conclusão | Efeito médio perto de zero | Ganho pequeno, mas significativo |
Quando o efeito real é minúsculo, o desenho do estudo decide se ele aparece ou some no ruído. Provas diferentes, amostras diferentes e níveis diferentes de detalhe mudam o poder estatístico de cada análise.
Diferença em Diferenças: O Método Por Trás das Manchetes
Os dois estudos usam variações de uma técnica chamada diferença em diferenças (DiD). A ideia é simples: compare quanto as notas mudaram nas escolas que proibiram o celular com quanto mudaram nas escolas que não proibiram, no mesmo período. Assim você desconta tudo o que afetou todo mundo, como a recuperação pós-pandemia.
Vamos simular isso com dados fictícios para ver como um efeito de 0,01 DP se comporta:
import random
import statistics
random.seed(42)
def simular_escolas(n_escolas: int, alunos_por_escola: int, efeito_real: float, usar_media_da_escola: bool):
"""Simula notas antes/depois em escolas com e sem proibição.
Retorna a estimativa de diferença em diferenças.
Todos os números são fictícios e servem só para ilustrar o método.
"""
def nota_media(tratada: bool, depois: bool) -> list[float]:
resultados = []
for _ in range(n_escolas):
efeito_escola = random.gauss(0, 0.15) # escolas são diferentes entre si
notas = []
for _ in range(alunos_por_escola):
nota = efeito_escola + random.gauss(0, 1) # ruído individual
if depois:
nota += 0.05 # tendência comum a todas as escolas
if tratada and depois:
nota += efeito_real # o efeito da proibição
notas.append(nota)
if usar_media_da_escola:
resultados.append(statistics.mean(notas))
else:
resultados.extend(notas)
return resultados
antes_t = statistics.mean(nota_media(True, False))
depois_t = statistics.mean(nota_media(True, True))
antes_c = statistics.mean(nota_media(False, False))
depois_c = statistics.mean(nota_media(False, True))
# Diferença em diferenças: (variação tratadas) - (variação controle)
return (depois_t - antes_t) - (depois_c - antes_c)
estimativas = [simular_escolas(40, 50, efeito_real=0.01, usar_media_da_escola=True) for _ in range(30)]
print(f"Média das estimativas: {statistics.mean(estimativas):.3f}")
print(f"Desvio das estimativas: {statistics.stdev(estimativas):.3f}")Rode isso e você vai ver que, com 40 escolas de cada lado, o desvio das estimativas fica bem maior do que o efeito de 0,01. Em outras palavras: em uma amostra pequena, um efeito real desse tamanho é indistinguível de zero. Para enxergá-lo, você precisa de milhares de escolas ou de milhões de notas individuais, que é justamente o que o estudo de Harvard trouxe.
Isso não significa que o estudo maior está automaticamente certo. Significa que "não encontramos efeito" e "não existe efeito" são frases diferentes.
O Caso da Flórida: Primeiro Piora, Depois Melhora
O terceiro estudo importante é o working paper 34388 do NBER, de David Figlio e Umut Özek. Eles analisaram um dos dez maiores distritos escolares dos Estados Unidos (não identificado no trabalho) depois que a Flórida passou a exigir a proibição.
A história tem duas fases:
- O choque: no mês seguinte à proibição, a taxa de suspensões dobrou. Alunos e escolas estavam se adaptando à regra, e o atrito apareceu na disciplina.
- A recompensa: no segundo ano, as suspensões voltaram ao nível anterior e as notas melhoraram de forma significativa. O resumo do NBER fala em ganho médio de 1,1 percentil, maior entre os meninos (cerca de 1,4) e entre alunos do fundamental II e do ensino médio (cerca de 1,3).
O detalhe mais interessante: as faltas sem justificativa caíram no primeiro e no segundo ano, e os autores estimam que a melhora na frequência pode explicar até metade do ganho nas notas. Ou seja, parte do efeito não vem de "prestar mais atenção na aula", mas de "estar na aula".
Dá para brincar com essa decomposição:
def decompor_ganho(ganho_total_percentil: float, fracao_frequencia: float) -> dict:
"""Separa o ganho total em parte explicada pela frequência e o restante.
fracao_frequencia: proporção do ganho atribuída à queda de faltas.
O estudo da Flórida estima que pode chegar a metade (0.5).
"""
via_frequencia = ganho_total_percentil * fracao_frequencia
outros_canais = ganho_total_percentil - via_frequencia
return {
"ganho_total": ganho_total_percentil,
"via_frequencia": round(via_frequencia, 2),
"atencao_e_outros": round(outros_canais, 2),
}
# Ganho médio reportado no resumo do NBER: 1,1 percentil
for fracao in (0.0, 0.25, 0.5):
print(decompor_ganho(1.1, fracao))Esse tipo de decomposição importa para quem desenha a política. Se metade do benefício vem da frequência, uma escola que já tem frequência alta pode ver um ganho menor do que a média.
E no Brasil? Um Ano da Lei 15.100/2025
Aqui a proibição veio por lei federal. A Lei 15.100/2025, sancionada em janeiro de 2025, restringe o uso de celulares por alunos da educação básica em sala de aula, no recreio e nos intervalos, com exceções para uso pedagógico, acessibilidade e saúde.
Em 30 de junho de 2026, o MEC divulgou o primeiro balanço nacional, feito pelo Inep em parceria com o Instituto Alana e a Unesco, ouvindo 8.189 gestores escolares:
- 92% das escolas aplicam a regra.
- Antes da lei, 13% das escolas permitiam uso irrestrito do celular.
- A restrição em todos os espaços da escola, incluindo pátio e intervalo, subiu de 20% para 48% das escolas.
- 97% dos gestores relataram mais participação nas atividades de aula e 95% viram melhora na socialização e na concentração.
- 39% apontaram falta de lugar seguro para guardar os aparelhos como dificuldade.
Repare em um detalhe: esses números são percepções dos gestores, não medidas de aprendizagem. O próprio MEC reconhece que ainda não há evidência suficiente de ganho objetivo no desempenho acadêmico ou na saúde mental dos alunos, e anunciou um estudo sobre os efeitos na aprendizagem.
Se você acompanhou a discussão sobre a Austrália proibindo redes sociais para menores de 16 anos, vai reconhecer o padrão: a política anda mais rápido que a evidência, e os dados de verdade só chegam anos depois.
Como Ler Esse Tipo de Estudo Sem Cair em Manchete
Depois de passar por três estudos e uma lei, dá para montar um checklist que serve para qualquer pesquisa que aparecer no seu feed, sobre celular, IA ou qualquer outro assunto.
1. Qual é a unidade de análise?
Aluno individual, escola ou distrito? Em geral, quanto mais granular, mais poder para detectar efeitos pequenos, e mais cuidado com o pareamento entre grupos.
2. O que foi medido de verdade?
Nota em prova padronizada, frequência, suspensões, percepção de diretor e uso de celular por GPS são coisas diferentes. O balanço do MEC mede percepção; Harvard mede nota; Stanford mede nota e uso real do aparelho.
3. O estudo foi revisado ou pré-registrado?
Os três estudos americanos são working papers, sem revisão por pares concluída. O de Stanford tem pré-registro, o que reduz o risco de escolher a análise depois de ver o resultado.
4. Qual é o tamanho do efeito, e não só se ele existe?
"Estatisticamente significativo" não quer dizer "grande". Converta para algo concreto, como fizemos com as semanas de aula:
def resumo_para_leigos(ganho_dp: float, custo_por_aluno: float, crescimento_anual_dp: float = 0.25) -> str:
"""Gera uma frase honesta sobre o tamanho e o custo de um efeito."""
semanas = ganho_dp / crescimento_anual_dp * 36
return (
f"Ganho de {ganho_dp} DP equivale a ~{semanas:.1f} semana(s) de aula por ano, "
f"a um custo de {custo_por_aluno:.2f} por aluno. "
f"Custo por semana de aula: {custo_por_aluno / semanas:.2f}."
)
# Custo hipotético de 30 unidades monetárias por aluno, só para ilustrar
print(resumo_para_leigos(0.01, custo_por_aluno=30))Comparar custo por semana de aula entre intervenções diferentes (tutoria, aula extra, troca de material) é o que gestores públicos deveriam fazer, e raramente fazem.
5. O efeito muda com o tempo?
A Flórida mostrou piora antes da melhora. Avaliar uma proibição pelo primeiro semestre é como julgar um refactor pela primeira semana em produção: você vai ver mais erro antes de ver o ganho.
O Que Isso Tem a Ver Com Quem Programa
Talvez você esteja pensando: "legal, mas eu sou dev, não diretor de escola". Só que essa discussão conversa diretamente com a nossa rotina.
Primeiro, foco. Os estudos sugerem que tirar o aparelho do alcance funciona melhor do que pedir autocontrole: as bolsinhas reduziram o uso porque tornaram o celular inacessível, não porque convenceram ninguém. Para quem precisa de trabalho profundo, a lição é a mesma: deixar o celular em outro cômodo vence qualquer aplicativo de bloqueio que você desliga com dois toques.
Segundo, dados. Muita gente que lê este blog trabalha com analytics, testes A/B e métricas de produto. O debate Harvard contra Stanford é uma aula grátis sobre poder estatístico, efeito pequeno e escolha de métrica, os mesmos problemas de um teste A/B com tráfego baixo.
Terceiro, produto. Empresas de edtech, plataformas de gestão escolar e ferramentas como a própria Yondr vivem de provar impacto. Saber ler (e construir) esse tipo de avaliação é uma habilidade que vale dinheiro.
Perspectivas: O Debate Está Só Começando
O quadro em novembro de 2026 é este: as proibições claramente reduzem o uso de celular na escola, geram atrito disciplinar no início e parecem trazer ganhos pequenos de aprendizagem que aparecem com o tempo, desde que você tenha dados suficientes para enxergá-los. Não é a revolução que alguns defensores prometiam, nem o fracasso que alguns críticos apontavam.
Nos próximos anos, o Brasil pode virar um laboratório importante. Uma lei federal aplicada em 92% das escolas, somada aos dados do Saeb e ao estudo prometido pelo MEC, pode gerar uma das maiores bases do mundo sobre o tema. O desafio vai ser medir aprendizagem de verdade, e não só a percepção de quem está na gestão.
Enquanto isso, a melhor postura é a de quem lê código de produção: desconfiar de conclusões grandes demais, olhar o método antes da manchete e lembrar que efeito pequeno e barato, acumulado por anos, pode valer muito.
Bora pra cima! 🦅
📚 Quer Acompanhar o Que Vem Por Aí?
Este artigo cobriu o que os estudos de 2026 dizem sobre a proibição de celular nas escolas e como ler esse tipo de pesquisa, mas o ecossistema muda toda semana e nem tudo vira artigo aqui.
No X eu compartilho o que estou testando, os bastidores dos projetos e as novidades que aparecem antes de virarem post.
Me Segue Lá
💡 Conteúdo diário sobre desenvolvimento, carreira e as ferramentas que eu realmente uso

