SART — Honduras's National School Dropout Early-Warning System
Honduras
Honduras's national SART platform flags students at risk of dropping out — with a focus on displaced, migrant and returnee …
El Salvador · San Salvador · See the El Salvador profile
O módulo de alerta precoce SIGES de El Salvador sinaliza alunos em risco de abandono escolar (gravidez, união precoce, sobreidade) em 96% das 5.971 escolas do país — mas uma auditoria de campo de 2022, financiada pela UNICEF, constatou que os alertas automáticos subestimam os casos de risco reais em cerca de 4 a 10 vezes.
O Ministério da Educação, Ciência e Tecnologia de El Salvador (MINEDUCYT) construiu um módulo de alerta precoce no SIGES, o sistema nacional de informação estudantil do país, para sinalizar os alunos em risco de abandono escolar. O módulo cruza o registo de cada aluno — situação de sobre-idade para o ano de escolaridade, faltas, desempenho académico, gravidez na adolescência, parentalidade precoce, união precoce ou casamento, e exposição à violência — para classificar o risco de abandono como médio, alto ou muito alto e sugerir intervenções ao nível da escola. A UNICEF financiou uma fase de diagnóstico e validação da metodologia em 2020, testada com cerca de 300 professores e administradores através da ONG FEDISAL.
O sistema visa identificar atempadamente os alunos em risco de abandono escolar para que as escolas possam intervir, utilizando dados administrativos já recolhidos no SIGES em vez de um exercício de recolha de dados separado. A sua classificação de risco baseia-se em regras, com base em indicadores como gravidez, união precoce, situação de sobre-idade e absentismo, em vez de um modelo preditivo treinado.
Em 2021–2022, o departamento de monitorização do MINEDUCYT e uma consultora financiada pela UNICEF (FEDISAL) realizaram uma auditoria nacional de qualidade de dados, verificando manualmente os alertas automáticos do SIGES face a dados recolhidos porta-a-porta e em suporte de papel relativos ao ano letivo de 2021. O exercício de verificação abrangeu 1,224,249 alunos em 5,971 centros de ensino públicos e privados, com 96.38% dos centros a concluírem o processo.
A auditoria constatou que o sistema automático subestima drasticamente os casos reais em risco: o SIGES registou 172 alertas de gravidez face a 1,348 encontrados através da verificação no terreno (cerca de 8 vezes mais), 831 alertas de progenitores menores de idade face a 8,652 no terreno (cerca de 10 vezes mais), e 1,995 alertas de união precoce face a 7,547 no terreno (cerca de 4 vezes mais). Não foi publicada nenhuma avaliação de resultados sobre se as taxas de abandono dos alunos sinalizados de facto melhoraram.
Esta diferença significa que o sistema automático de alerta precoce, tal como implementado, provavelmente não identifica a grande maioria dos alunos vulneráveis que foi concebido para identificar — uma limitação séria e autodocumentada, e não uma crítica externa. A transparência da auditoria é, ainda assim, notável: poucas ferramentas administrativas relacionadas com IA governamentais tiveram os seus modos de falha tão abertamente quantificados e publicados pelo próprio ministério implementador e pelo seu financiador.
Where this practice's information was retrieved from, and when.
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 …
Guatemala
A World Bank-designed predictive model using only existing administrative data flagged Guatemalan students at risk of dropping out. A 4,000-school …
India
Gujarat's Vidya Samiksha Kendra uses AI analytics on attendance and assessment data to flag dropout risk for 11.5 million students …
Open full copilot Grounded in cited practices — always check the sources.