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 e Entre Ríos, na Argentina, criaram sistemas de alerta precoce com IA — com a UBA, o CIPPEC e a CAF — que identificam alunos em risco de abandono via assiduidade, notas e dados familiares. No primeiro ano, 4.300 alunos em Mendoza e 650 em Entre Ríos de alto risco permaneceram matriculados.
A Argentina tem um dos problemas de abandono escolar secundário mais persistentes da América Latina, com cerca de 30% dos jovens de 20-22 anos sem o ensino secundário concluído e apenas 53 em cada 100 alunos a chegar ao último ano dentro do prazo previsto. A partir de 2022-2023, as províncias de Mendoza e Entre Ríos criaram sistemas de alerta precoce baseados em IA (Sistemas de Alerta Temprana, SAT) para identificar alunos em risco de abandono antes de este ocorrer. Os sistemas foram desenvolvidos com o Laboratório de Inteligência Artificial da Universidad de Buenos Aires, o think tank de políticas públicas CIPPEC, e com financiamento e apoio técnico do banco regional de desenvolvimento CAF.
Os programas visam identificar, com antecedência suficiente para permitir a intervenção das escolas, os alunos do ensino secundário em risco de abandono, recorrendo a modelos de IA construídos a partir de dados de gestão escolar em vez de depender apenas do julgamento informal dos professores.
Ambos os sistemas exploram dados de gestão escolar — assiduidade, notas (sobretudo em Língua e Matemática), nível de escolaridade dos pais e desfasamento entre idade e ano escolar — para atribuir a cada aluno um nível de risco. O modelo de Mendoza, treinado com trajetórias históricas de alunos, utiliza uma classificação em “semáforo” (verde/amarelo/vermelho) e foi implementado em todas as escolas secundárias da província em 2023. Entre Ríos conduziu um projeto-piloto paralelo em 80 escolas secundárias, utilizando uma classificação de risco alto/médio/baixo. O CIPPEC acompanhou diretamente as escolas na conceção da vertente de intervenção do sistema, a par do modelo de deteção.
No primeiro ano com dados reportados, 4.300 alunos em Mendoza e 650 em Entre Ríos identificados como de alto risco permaneceram matriculados em vez de abandonar a escola, segundo reportagens do CIPPEC e da Infobae sobre dados dos ministérios provinciais da educação. Estes números descrevem alunos que permaneceram matriculados depois de sinalizados, e não uma comparação com um grupo de controlo de alunos semelhantes não expostos ao sistema.
Os próprios responsáveis e avaliadores dos programas são francos quanto às suas limitações: o sucesso de Mendoza assentou no facto de a província ter construído, desde 2018, uma base de dados de alunos sólida e individualmente identificada (“nominalizada”), uma infraestrutura que a maioria das restantes províncias argentinas ainda não possui, uma vez que o país não tem um sistema nacional único de informação sobre alunos. A própria avaliação do CIPPEC classificou o primeiro ano de implementação como um processo de aprendizagem, apontando a necessidade de melhor qualidade e cobertura dos dados, maior capacidade técnica para operar os sistemas, e melhor coordenação entre o algoritmo de deteção e as intervenções de acompanhamento destinadas a manter os alunos sinalizados na escola.
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.