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 et Entre Ríos, en Argentine, ont bâti des systèmes d'alerte précoce par IA — avec l'UBA, le CIPPEC et la CAF — repérant les élèves à risque via assiduité, notes et données familiales. La première année, 4 300 élèves à Mendoza et 650 à Entre Ríos à haut risque sont restés scolarisés.
L'Argentine connaît l'un des problèmes de décrochage scolaire au secondaire les plus persistants d'Amérique latine, avec environ 30 % des jeunes de 20-22 ans n'ayant pas achevé le secondaire et seulement 53 élèves sur 100 atteignant leur dernière année dans les délais prévus. À partir de 2022-2023, les provinces de Mendoza et d'Entre Ríos ont mis en place des systèmes d'alerte précoce basés sur l'IA (Sistemas de Alerta Temprana, SAT) pour repérer les élèves à risque de décrochage avant qu'il ne se produise. Ces systèmes ont été développés avec le Laboratoire d'intelligence artificielle de l'Universidad de Buenos Aires, le think tank de politiques publiques CIPPEC, et avec le financement et l'appui technique de la banque de développement régionale CAF.
Ces programmes visent à repérer les élèves du secondaire à risque de décrochage suffisamment tôt pour permettre l'intervention des établissements, en s'appuyant sur des modèles d'IA construits à partir de données de gestion scolaire plutôt que sur le seul jugement informel des enseignants.
Les deux systèmes exploitent des données de gestion scolaire — assiduité, notes (notamment en langue et en mathématiques), niveau d'instruction des parents et écart entre l'âge et le niveau scolaire — pour attribuer à chaque élève un niveau de risque. Le modèle de Mendoza, entraîné sur des trajectoires historiques d'élèves, utilise une classification en « feu tricolore » (vert/orange/rouge) et a été déployé dans tous les établissements secondaires de la province en 2023. Entre Ríos a mené un projet pilote parallèle dans 80 établissements secondaires, utilisant un classement de risque élevé/moyen/faible. Le CIPPEC a directement accompagné les établissements dans la conception du volet intervention du système, aux côtés du modèle de détection.
Au cours de la première année pour laquelle des résultats ont été communiqués, 4 300 élèves à Mendoza et 650 à Entre Ríos identifiés comme à haut risque sont restés scolarisés au lieu d'abandonner, selon les données du CIPPEC et d'Infobae portant sur les données des ministères provinciaux de l'éducation. Ces chiffres décrivent des élèves restés scolarisés après avoir été signalés, et non une comparaison avec un groupe témoin d'élèves similaires non exposés au système.
Les responsables et évaluateurs des programmes reconnaissent eux-mêmes leurs limites : le succès de Mendoza reposait sur le fait que la province avait constitué, depuis 2018, une base de données d'élèves solide et individuellement identifiée (« nominalisée »), une infrastructure que la plupart des autres provinces argentines ne possèdent pas encore, le pays ne disposant d'aucun système national unique d'information sur les élèves. L'évaluation du CIPPEC a elle-même qualifié la première année de mise en œuvre de processus d'apprentissage, soulignant la nécessité d'améliorer la qualité et la couverture des données, de renforcer la capacité technique de gestion des systèmes, et d'améliorer la coordination entre l'algorithme de détection et les interventions de suivi destinées à maintenir les élèves signalés à l'école.
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.