Modelo de aprendizaje automático de Uruguay para la alerta temprana del riesgo de repetición en la escuela primaria (Panel-EIT / ANEP)

El estudio Panel-EIT de Uruguay hizo seguimiento a 15.529 niños desde la evaluación en la primera infancia en 2016 hasta los grados 1.º a 3.º de primaria (2017-2019). Investigadores de la Universidad de la República, trabajando con datos administrativos de ANEP-CODICEN, construyeron modelos de aprendizaje automático supervisado para predecir qué estudiantes repetirían un grado.

La investigación buscaba identificar con suficiente antelación a los estudiantes en riesgo de repetición para informar políticas de alerta temprana e intervención, y probar qué indicadores de la primera infancia predicen mejor la repetición posterior.

Los investigadores entrenaron y compararon varios modelos supervisados (regresión logística, redes bayesianas, árboles de clasificación) con los datos administrativos y de evaluación en la primera infancia de la cohorte, y luego probaron cómo cambiaba el rendimiento del modelo al eliminar la puntuación de la evaluación en la primera infancia.

Los mejores modelos alcanzaron una precisión del 80% y un AUC de 0,81, con una sensibilidad del 62–64% y una especificidad del 83%; el 16,2% de la cohorte repitió al menos un grado. Al eliminar la puntuación de la evaluación en la primera infancia, la precisión bajó al 70–72% y la sensibilidad hasta el 42%, confirmándola como el predictor individual más fuerte.

Los autores del artículo revisado por pares advierten explícitamente que los modelos muestran asociación estadística y no mecanismos causales, en una ventana reducida de tres años, y la propia página del piloto fAIrLAC del Banco Interamericano de Desarrollo deja en blanco el estado de implementación de esta iniciativa, por lo que debe leerse como un prototipo de investigación validado y no como un sistema nacional de alerta temprana probado y en funcionamiento.