Este trabalho buscou identificar como o Brasil está posicionado no contexto internacional da divisão digital assim como também os fatores que influenciam a divisão digital no país. Utilizando dados do cálculo do índice IDI disponibilizados pelo International Telecommunication Union (ITU) para 152 diferentes países obteve-se um modelo de clusterização a partir do aprendizado de Redes Bayesianas que resultou numa distribuição dos países em oito clusters. Este modelo foi alimentado com subconjuntos incompletos de indicadores correspondentes aos componentes do IDI para diversas subdivisões regionais brasileiras (regiões, estados, regiões metropolitanas/interiores dos estados e zonas rural/urbana), conforme a disponibilidade em diferentes fontes como a ANATEL, o IBGE e o CGI.BR. Desta forma foi possível inferir a que cluster mais provavelmente cada subdivisão regional deve pertencer. Enquanto a posição 64 no ranking do IDI coloca o Brasil em uma posição à frente de mais da metade dos 152 países incluídos, a concentração de diversas sub-regiões no sexto cluster coloca a maior parte do país apenas dois níveis acima dos países de pior classificação e a cinco níveis de distância dos melhores classificados. Já a análise dos fatores que influenciam a divisão digital no Brasil utilizou dados fornecidos pelo CGI.BR na obtenção de um modelo diferente de rede Augmented Naive Bayes para cada uma de quatro variáveis representativas de adoção tecnológica: uso da internet, uso do celular, adoção do comércio eletrônico e do internet banking. Como variáveis independentes, os modelos incluíram sexo, faixa etária, grau de instrução, situação de emprego, raça, classe social, zona rural/urbana, região e estado, sendo que as que apresentaram maior grau de influência foram a classe social e o grau de instrução. O conjunto de fatores selecionado demonstrou ser bastante preciso apenas na identificação da divisão digital em relação ao uso de internet, enquanto a utilização do celular, do comércio eletrônico e do internet banking não puderam ser totalmente explicadas, sugerindo a necessidade de mais estudos no sentido de identificar variáveis complementares que influenciem a adoção dessas tecnologias.

This study aimed to identify how Brazil is positioned in the international context of the digital divide as well as the factors influencing the digital divide within the country. A clustering model was obtained by applying Bayesian Networks learning on data for calculating the IDI index provided by the International Telecommunication Union (ITU) for 152 different countries, resulting in the distribution of the countries among eight clusters. This model was fed with incomplete subsets of indicators corresponding to the various components of the IDI for Brazilian regional subdivisions (regions, states, metropolitan areas/state country sides and rural/urban zones), as available from different sources such as ANATEL, IBGE and CGI.BR. This way it was possible to infer the most likely cluster to which each regional subdivision should belong. The 64 IDI ranking position puts Brazil ahead of more than half of the 152 countries included, but with the majority of sub-regions placed in the sixth cluster, most of the country appears just two levels above the lowest ranking countries and five levels away from the top ranked. The analysis of the factors influencing the digital divide in Brazil used data provided by CGI.BR to obtain a different Augmented Naive Bayes network model for each of four variables representing technology adoption: internet use, cell phone use, ecommerce adoption and internet banking adoption. Gender, age, education level, employment status, race, social class, rural / urban areas, region and state were included as independent variables, with social class and education level showing the most influence. The selected factors proved to be quite accurate in identifying the internet use digital divide, while cell phone use, e-commerce adoption and internet banking adoption could not be fully explained, suggesting the need for further studies to identify additional variables influencing the adoption of these technologies.