Algoritmo de asignación de docentes con apoyo de SIG en Sierra Leona
Sierra Leona
La Comisión del Servicio Docente de Sierra Leona, con EdTech Hub, creó un algoritmo inspirado en el Nobel que combina …
Kenia · Nairobi · Ver el perfil de Kenia · Ver el perfil de Nairobi
Evidencia: Descriptivo / autodeclarado Top 42% 53/100 · Pregunte a Evidence Copilot sobre esta práctica
La iniciativa Giga de UNICEF y la UIT entrenó clasificadores CNN con imágenes satelitales para localizar escuelas ausentes de las bases de datos nacionales, añadiendo 23 100 escuelas no mapeadas en 8 países, incluidos Kenia y Ruanda — la precisión cayó a cerca del 57% en las zonas más pobres y remotas.
La mayoría de los países de renta baja y media no cuentan con un registro completo y preciso de la ubicación física de sus escuelas. La Oficina de Innovación de UNICEF y la Unión Internacional de Telecomunicaciones (UIT) crearon la herramienta de mapeo escolar de la iniciativa Giga para cerrar esa brecha.
Clasificadores basados en redes neuronales convolucionales (con arquitecturas Xception y MobileNetV2), desarrollados con el socio técnico Development Seed, se diseñaron para analizar imágenes satelitales de alta resolución y detectar edificios escolares ausentes de los sistemas nacionales de información de gestión educativa, como primer paso para planificar la electrificación y la conectividad a Internet de escuelas cuya existencia los gobiernos desconocían.
Entre 2020 y 2021, el sistema analizó 71 millones de teselas cartográficas con una resolución de 60 cm en Kenia, Ruanda, Sierra Leona, Ghana, Níger, Kazajistán, Uzbekistán y Honduras, procesando 18 millones de 'supertiles' en 25 horas, a una velocidad de hasta 2.000 supertiles por segundo.
El sistema añadió 23.100 escuelas previamente no mapeadas a los registros nacionales. Las variantes del modelo específicas por país alcanzaron puntuaciones F1 de 0,94 en Ruanda, 0,90 en Kenia y 0,91 en Sierra Leona, con un modelo global de 0,85 y un AUC global de 0,94. El código del equipo de Giga es de código abierto, y una revisión independiente del IRCAI (un centro internacional de investigación en IA afiliado a la UNESCO) confirmó los resultados técnicos.
La revisión del IRCAI también señaló una limitación importante en materia de equidad: la precisión del modelo cae a aproximadamente el 57% en zonas caracterizadas por la pobreza y el aislamiento, lo que significa que la herramienta es menos fiable precisamente donde es más probable encontrar escuelas no mapeadas y sin conectividad. Ninguna evaluación independiente ha demostrado todavía que las escuelas recién mapeadas se hayan traducido en inversión real en conectividad o en una reasignación presupuestaria.
¿Usted implementa esta práctica? Reivindíquela — los implementadores verificados obtienen un contacto público en la página y pueden proponer correcciones.
De dónde se obtuvo la información de esta práctica, y cuándo.
Sierra Leona
La Comisión del Servicio Docente de Sierra Leona, con EdTech Hub, creó un algoritmo inspirado en el Nobel que combina …
Fiyi
Un estudio revisado por pares del Ministerio de Educación de Fiyi combinó datos de encuestas sobre el funcionamiento infantil con …
Malasia
El KPM y UNICEF despliegan SiPKPM, alerta IA que monitorea 5 millones de alumnos en 7 factores de riesgo. En …
Perú
El Banco Mundial, la DRELM de Perú, Anthropic y Microsoft lanzaron un tutor de matemáticas con IA y un coach …
Abrir el copiloto completo Basado en prácticas citadas: comprueba siempre las fuentes.