Alerta Escuela — Peru's National ML-Based School Dropout Early-Warning System
Peru
Peru's Ministry of Education, with the World Bank, built a national ML platform estimating each student's dropout risk. A rigorous …
Argentina · Mendoza · See the Argentina profile
Mendoza y Entre Ríos, en Argentina, construyeron sistemas de alerta temprana con IA — con la UBA, CIPPEC y la CAF — que identifican a estudiantes en riesgo de abandono vía asistencia, notas y datos familiares. En el primer año, 4.300 estudiantes en Mendoza y 650 en Entre Ríos de alto riesgo permanecieron matriculados.
Argentina tiene uno de los problemas de abandono escolar secundario más persistentes de América Latina, con alrededor del 30% de los jóvenes de 20-22 años que no han completado la secundaria y solo 53 de cada 100 estudiantes que llegan al último año en el tiempo previsto. A partir de 2022-2023, las provincias de Mendoza y Entre Ríos construyeron sistemas de alerta temprana basados en IA (Sistemas de Alerta Temprana, SAT) para identificar a los estudiantes en riesgo de abandono antes de que ocurra. Los sistemas se desarrollaron junto con el Laboratorio de Inteligencia Artificial de la Universidad de Buenos Aires, el think tank de políticas públicas CIPPEC, y con financiamiento y apoyo técnico del banco de desarrollo regional CAF.
Los programas buscan identificar a los estudiantes de secundaria en riesgo de abandono con suficiente antelación para permitir la intervención de las escuelas, utilizando modelos de IA construidos a partir de datos de gestión escolar en lugar de depender únicamente del juicio informal de los docentes.
Ambos sistemas explotan datos de gestión escolar — asistencia, calificaciones (especialmente en Lengua y Matemática), nivel educativo de los padres y desfase entre edad y grado escolar — para asignar a cada estudiante un nivel de riesgo. El modelo de Mendoza, entrenado con trayectorias históricas de estudiantes, utiliza una clasificación tipo “semáforo” (verde/amarillo/rojo) y se implementó en todas las escuelas secundarias de la provincia en 2023. Entre Ríos llevó adelante una prueba piloto paralela en 80 escuelas secundarias, utilizando una clasificación de riesgo alto/medio/bajo. CIPPEC acompañó directamente a las escuelas en el diseño del componente de intervención del sistema, junto con el modelo de detección.
En el primer año con datos reportados, 4.300 estudiantes en Mendoza y 650 en Entre Ríos identificados como de alto riesgo permanecieron matriculados en lugar de abandonar la escuela, según información de CIPPEC e Infobae sobre datos de los ministerios provinciales de educación. Estas cifras describen a estudiantes que permanecieron matriculados tras ser señalados, y no una comparación con un grupo de control de estudiantes similares no expuestos al sistema.
Los propios responsables y evaluadores de los programas reconocen sus límites: el éxito de Mendoza se apoyó en que la provincia había construido, desde 2018, una base de datos de estudiantes sólida e individualmente identificada (“nominalizada”), una infraestructura que la mayoría de las demás provincias argentinas todavía no posee, ya que el país no cuenta con un sistema nacional único de información estudiantil. La propia evaluación de CIPPEC calificó el primer año de implementación como un proceso de aprendizaje, señalando la necesidad de mejorar la calidad y cobertura de los datos, fortalecer la capacidad técnica para operar los sistemas, y mejorar la coordinación entre el algoritmo de detección y las intervenciones de seguimiento destinadas a mantener escolarizados a los estudiantes señalados.
Where this practice's information was retrieved from, and when.
Peru
Peru's Ministry of Education, with the World Bank, built a national ML platform estimating each student's dropout risk. A rigorous …
United Kingdom
The UK's Open University has run OU Analyse, a machine-learning early-warning system flagging at-risk distance learners weekly, in production since …
India
Gujarat's Vidya Samiksha Kendra uses AI analytics on attendance and assessment data to flag dropout risk for 11.5 million students …
Uruguay
A peer-reviewed Uruguayan study tracked 15,529 children into grades 1–3, building ML models that predicted grade repetition with 80% accuracy …
Open full copilot Grounded in cited practices — always check the sources.