evidoria

← Volver al listado

Buena práctica Importada

Predecir casos prioritarios del programa uruguayo Crece Contigo — un modelo del MIT y el MIDES, sensible a la equidad, aún en evaluación

Uruguay · Montevideo · Ver el perfil de Uruguay · Ver el perfil de Montevideo

Evidencia: Descriptivo / autodeclarado Top 62% 53/100 · Pregunte a Evidence Copilot sobre esta práctica

Estudiantes del MIT y el MIDES construyeron modelos de aprendizaje automático sensibles a la equidad sobre 15.436 casos de derivación anonimizados para ayudar al programa uruguayo Crece Contigo a priorizar a embarazadas y niños pequeños. A mediados de 2025 la herramienta seguía en evaluación, sin implementación.

15,000+
Casos históricos de derivación usados para desarrollar el modelo
Predecir casos prioritarios del programa uruguayo Crece Contigo — un modelo del MIT y el MIDES, sensible a la equidad, aún en evaluación Predecir casos prioritarios del programa uruguayo Crece Contigo — un modelo del MIT y el MIDES, sensible a la equidad, aún en evaluación

Detalles

Madurez
Piloto
Promotor
Ministerio de Desarrollo Social (MIDES) with MIT MISTI
Período
2024-2025 (pilot and evaluation, not yet deployed)
Palabras clave
social protection, child and maternal welfare, public administration

Contexto

El Ministerio de Desarrollo Social (MIDES) de Uruguay gestiona Uruguay Crece Contigo, que apoya a mujeres embarazadas y niños menores de cuatro años en situación de pobreza extrema; los técnicos priorizaban históricamente las derivaciones de forma manual, arriesgando inconsistencia y sesgo. Estudiantes del MIT, asesorados por un doctorando, trabajaron con el MIDES sobre datos anonimizados de más de 15.000 casos históricos de derivación, probando árboles de decisión con gradient boosting, redes neuronales, LSTM y métodos de conjunto, con técnicas sensibles a la equidad (SMOTE, RUS) destinadas a reducir el sesgo contra grupos subrepresentados.

Resultados

A mediados de 2025, el modelo seguía siendo un prototipo de apoyo a la decisión bajo evaluación interna del MIDES; no se ha publicado fecha de despliegue ni cifras de desempeño, lo que convierte a este en un caso temprano y honestamente no comprobado, en lugar de un éxito demostrado.

Conclusiones

Es, no obstante, el primer intento documentado de Uruguay de aplicar aprendizaje automático a la focalización de un programa social, y refleja el impulso más amplio del país -- un Observatorio Nacional de IA y la supervisión de AGESIC -- hacia un uso gubernamental auditable de la IA.

Implementación
Coste indicativo
Bajo (< 50 000 €)
Tiempo hasta resultados
Corto (< 1 año)
Personal y competencias
Ministry of Social Development (MIDES), MIT students and PhD advisor

Condiciones para el éxito

  • fairness-aware modelling techniques (SMOTE, RUS) to reduce bias against under-represented groups

Modos de fallo comunes

  • still a prototype under internal evaluation; no deployment date or performance figures published

Habitualmente financiado por

National / regional programmes

Vías de financiación indicativas para prácticas de este tipo: compruebe siempre las convocatorias vigentes y las reglas de elegibilidad de cada programa.

¿Usted implementa esta práctica? Reivindíquela — los implementadores verificados obtienen un contacto público en la página y pueden proponer correcciones.

Fuentes de datos

De dónde se obtuvo la información de esta práctica, y cuándo.

Adjuntos

Prácticas similares que pueden serle útiles