evidoria

← Retour à la liste

Bonne pratique Importée

Modèle d'apprentissage automatique uruguayen d'alerte précoce du risque de redoublement au primaire (Panel-EIT / ANEP)

Uruguay · Montevideo · Voir le profil de Uruguay · Voir le profil de Montevideo

Preuves: Observationnel / avant-après Top 82% 33/100 · Demandez à Evidence Copilot à propos de cette pratique

Une étude uruguayenne évaluée par des pairs a suivi 15 529 enfants jusqu'aux 1re-3e années, construisant des modèles d'apprentissage automatique prédisant le redoublement avec une précision de 80 % — mais le statut de déploiement opérationnel du pilote n'est pas confirmé, et les auteurs soulignent que les modèles montrent une corrélation, non une causalité.

15,529
Enfants suivis dans la cohorte
80 %
Précision du meilleur modèle
0.81
AUC du meilleur modèle
62–64 %
Sensibilité du modèle
83 %
Spécificité du modèle
16.2 %
Taux de redoublement dans la cohorte
70–72 %
Précision du modèle sans le score de la petite enfance
44 %
Adolescents uruguayens terminant l'enseignement secondaire entre 21 et 23 ans
14 %
Achèvement du secondaire, quintile le plus pauvre
79 %
Achèvement du secondaire, quintile le plus riche
Modèle d'apprentissage automatique uruguayen d'alerte précoce du risque de redoublement au primaire (Panel-EIT / ANEP)

Détails

Maturité
Pilote
Promoteur
Universidad de la República (UDELAR) with ANEP-CODICEN
Période
2016–2019 cohort study, published 2022; national deployment status unconfirmed
Mots-clés
dropout prediction, machine learning, early-warning system, educational data, grade repetition

Contexte

L'étude Panel-EIT de l'Uruguay a suivi 15 529 enfants depuis l'évaluation de la petite enfance en 2016 jusqu'aux classes primaires 1 à 3 (2017-2019). Des chercheurs de l'Universidad de la República, travaillant avec les données administratives de l'ANEP-CODICEN, ont construit des modèles d'apprentissage automatique supervisé pour prédire quels élèves redoubleraient une année.

Objectifs

La recherche visait à identifier suffisamment tôt les élèves à risque de redoublement pour éclairer les politiques d'alerte précoce et d'intervention, et à déterminer quels indicateurs de la petite enfance prédisent le mieux le redoublement ultérieur.

Activités

Les chercheurs ont entraîné et comparé plusieurs modèles supervisés (régression logistique, réseaux bayésiens, arbres de classification) sur les données administratives et d'évaluation de la petite enfance de la cohorte, puis ont testé comment la performance des modèles évoluait lorsque le score d'évaluation de la petite enfance était retiré.

Résultats

Les meilleurs modèles ont atteint une précision de 80 % et une AUC de 0,81, avec une sensibilité de 62 à 64 % et une spécificité de 83 % ; 16,2 % de la cohorte a redoublé au moins une année. Le retrait du score d'évaluation de la petite enfance a fait chuter la précision à 70-72 % et la sensibilité à seulement 42 %, confirmant qu'il s'agit du prédicteur individuel le plus puissant.

Conclusions

Les auteurs de l'article évalué par les pairs préviennent explicitement que les modèles montrent une association statistique et non des mécanismes causaux, sur une fenêtre restreinte de trois ans, et la page du pilote fAIrLAC de la Banque interaméricaine de développement laisse vide le statut de mise en œuvre de cette initiative — elle doit donc être considérée comme un prototype de recherche validé plutôt que comme un système national d'alerte précoce éprouvé et opérationnel.

Mise en œuvre
Coût indicatif
Moyen (50 k€–500 k€) — No budget figures disclosed; likely a modest academic research cost given reliance on existing administrative data rather than new system-building.
Délai jusqu’aux résultats
Moyen (1–3 ans) — Cohort followed 2016–2019; study published 2022; national operational deployment status unconfirmed as of this research.
Personnel et compétences
Researchers from Universidad de la República (UDELAR), using data provided by ANEP-CODICEN (national education administration)

Conditions de réussite

  • Access to linked administrative and early-childhood assessment data across multiple years
  • Early-childhood assessment score as the strongest available predictor

Modes d’échec courants

  • Models establish statistical association, not causation, per the authors' own caveat
  • Deployment/operational status left blank on the IDB fAIrLAC pilot page — unclear if any early-warning system based on this research is actually running in schools

Où cela s’applique

Type de gouvernance
public university research partnership with national education administration
Échelle
national cohort (15,529 children)
Niveau de revenu
upper-middle-income (Uruguay)

Habituellement financé par

National / regional programmes

Pistes de financement indicatives pour des pratiques de ce type — vérifiez toujours les appels en cours et les règles d'éligibilité de chaque programme.

Vous portez cette pratique ? Revendiquez-la — les porteurs vérifiés obtiennent un contact public sur la page et peuvent proposer des corrections.

Sources de données

D'où proviennent les informations de cette pratique, et quand.

Pièces jointes

Pratiques similaires qui pourraient vous être utiles