SIGES Alerta Temprana — El Salvador's Self-Audited School Dropout Early-Warning System
El Salvador
El Salvador's SIGES early-warning module flags students at risk of dropout (pregnancy, early union, over-age status) across 96% of the …
Guatemala · Guatemala City · See the Guatemala profile
Un modelo predictivo del Banco Mundial, basado únicamente en datos administrativos ya existentes, identificó a estudiantes guatemaltecos en riesgo de abandono escolar. Un ensayo controlado aleatorizado en 4.000 escuelas registró una reducción relativa del 4% en el abandono (9% entre las escuelas cumplidoras), a menos de 3 dólares por estudiante.
Guatemala tiene una de las tasas de abandono escolar más altas de Centroamérica: casi el 40% de los alumnos de sexto grado no logra terminar el noveno grado. En colaboración con el Ministerio de Educación (Mineduc), los investigadores del Banco Mundial Francisco Haimovich, Emmanuel Vázquez y Melissa Adelman construyeron un modelo estadístico de predicción que utiliza únicamente datos que las escuelas ya recopilan —calificaciones previas, asistencia, desfase edad-grado y características del centro— para identificar, antes de que comenzara el año escolar, qué alumnos que terminaban sexto grado tenían mayor probabilidad de abandonar durante la transición a la educación secundaria inferior. Como el modelo reutilizaba un sistema de información gubernamental ya existente en lugar de requerir una nueva recopilación de datos, su costo marginal fue insignificante.
Identificar con suficiente antelación a los alumnos de sexto grado en riesgo, para que las escuelas puedan intervenir con acompañamiento y apoyo específicos antes de que abandonen durante la transición a la educación secundaria inferior, utilizando únicamente datos administrativos ya existentes, de modo que la herramienta pudiera escalarse a nivel nacional con un costo marginal casi nulo.
Los alumnos identificados fueron remitidos al personal escolar para un acompañamiento y apoyo específicos. El enfoque se puso a prueba mediante un ensayo controlado aleatorizado en 4.000 escuelas primarias (alrededor del 17% de las escuelas primarias de Guatemala) en 2018, registrado con el ID AEA RCT AEARCTR-0004091.
Las escuelas asignadas al programa registraron una reducción relativa del 4% en el abandono escolar (1,3 puntos porcentuales) durante la transición de primaria a secundaria; entre las escuelas que implementaron la intervención según lo previsto ('cumplidoras'), la reducción alcanzó el 9% (3 puntos porcentuales). El costo estimado del programa fue inferior a 3 USD por alumno. El Banco Mundial y los investigadores describen la magnitud del efecto como 'relativamente modesta', señalando que el costo marginal casi nulo y el uso de datos administrativos ya existentes convierten este caso en un ejemplo poco frecuente de una herramienta educativa predictiva probada a escala administrativa nacional con un verdadero grupo de control.
Dado que el modelo depende por completo de la exhaustividad de los registros administrativos, su precisión está limitada por los sistemas de datos escolares subyacentes; el Banco Mundial ha trabajado por separado con Guatemala para reforzar estas capacidades estadísticas. Se codesarrolló un modelo de predicción paralelo para Honduras utilizando el mismo método.
Where this practice's information was retrieved from, and when.
El Salvador
El Salvador's SIGES early-warning module flags students at risk of dropout (pregnancy, early union, over-age status) across 96% of the …
India
Gujarat's Vidya Samiksha Kendra uses AI analytics on attendance and assessment data to flag dropout risk for 11.5 million students …
Honduras
Honduras's national SART platform flags students at risk of dropping out — with a focus on displaced, migrant and returnee …
Malaysia
Malaysia's Ministry of Education (KPM) and UNICEF deploy SiPKPM, an AI early-warning system tracking 5 million learners on 7 risk …
Open full copilot Grounded in cited practices — always check the sources.