Artificial Intelligence applied to public employment data in the portuguese education sector

Abstract

Research on Portuguese public employment remains limited, particularly regarding approaches to detect trends and anticipate future needs. This study addresses this gap by analysing historical dynamics and evaluating methodologies for forecasting workforce requirements in Portugal’s public education sector. The results produced by these methods are thoroughly analysed, not only to assess their predictive performance but also to evaluate their overall viability and robustness in capturing trends in the public sector. Furthermore, the study provides projections of teaching positions up to 2027, comparing the performance and suitability of different modelling strategies, thereby supporting more informed and strategic decision-making in workforce planning. The findings indicate that Time Series models outperform Machine Learning approaches, particularly when external features such as the number of registered students and unemployment rate are incorporated. Projections suggest overall stability in employment levels in the coming years, though they also reveal a pronounced ageing trend within the workforce. When positions are disaggregated by type of legal contract, permanent contracts are expected to follow a stable trajectory, while fixed-term and commission service or political office/mandate contracts display more volatile and less predictable patterns.

Estudos relativos ao emprego público português continuam a ser limitados, especialmente no que diz respeito a abordagens para deteção de tendências e antecipação de necessidades futuras. Este estudo aborda esta lacuna através da análise de dados históricos e da avaliação de metodologias de previsão das necessidades de profissionais no setor do ensino público em Portugal. As evidências produzidas por estes métodos são analisadas em profundidade, não só para avaliar o seu desempenho preditivo, mas também para avaliar a sua viabilidade global e robustez na captação de tendências no sector público. Após a avaliação dos modelos, o estudo fornece projeções do número de posições de ensino futuras, até 2027, comparando o desempenho e relevância de diferentes estratégias de modelização, apoiando assim uma tomada de decisão mais informada e planeamento estratégico no setor. Os resultados indicam que os modelos de séries temporais superam as abordagens de aprendizagem automática, particularmente quando são incorporadas características externas, como o número de estudantes registados e a taxa de desemprego. As projeções sugerem uma estabilidade global nos níveis de emprego nos próximos anos, embora também revelem uma tendência pronunciada de envelhecimento no setor. Quando as posições são desagregadas por tipo de contrato legal, espera-se que os contratos por tempo indeterminado sigam uma trajetória estável, enquanto os contratos a termo e os contratos de comissão de serviço, cargo político/mandato apresentam padrões mais voláteis e menos previsíveis.