evidoria

← Back to browse

Good practice

Sistemas de Alerta Temprana — alertas de risco de abandono escolar com IA em Mendoza e Entre Ríos, Argentina

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.

4300 students
Alunos de Mendoza sinalizados como de alto risco que permaneceram matriculados (first reported year (2022–2023))
650 students
Alunos de Entre Ríos sinalizados como de alto risco que permaneceram matriculados (first reported year (2022–2023))
80 secondary schools
Escolas piloto em Entre Ríos (2022–2023 pilot)
30 %
Jovens de 20-22 anos na Argentina sem o ensino secundário concluído
53 per 100
Alunos a nível nacional que chegam ao último ano do secundário dentro do prazo previsto
Sistemas de Alerta Temprana — alertas de risco de abandono escolar com IA em Mendoza e Entre Ríos, Argentina

Details

Maturity
Scaling
Promoter
Dirección General de Escuelas de Mendoza / Consejo General de Educación de Entre Ríos / Laboratorio de IA (UBA) / CIPPEC / CAF
Period
2022–present (first-year results reported June 2023)
Keywords
school dropout prevention, artificial intelligence, early-warning system, education management, student retention

Context

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.

Objectives

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.

Activities

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.

Results

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.

Conclusions

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.

Implementation

Indicative cost
Medium (€50k–€500k)
Time to results
Long (> 3 years)
Staffing & skills
Provincial education ministries (Dirección General de Escuelas de Mendoza; Consejo General de Educación de Entre Ríos) operating the systems within schools, Universidad de Buenos Aires's Artificial Intelligence Laboratory, providing technical/algorithm development, CIPPEC, providing policy design support and direct accompaniment of schools on the follow-up intervention side, CAF (Latin American development bank), providing financing and technical support

Conditions for success

  • A solid, individually-identified ("nominalized") student-level administrative database, which Mendoza had built since 2018
  • Sufficient data quality and coverage of attendance, grades, and family/background data feeding the risk model
  • Technical capacity within the provincial education ministry to run and maintain the detection system
  • Coordination between the algorithm's risk flags and the follow-up interventions meant to keep flagged students enrolled

Common failure modes

  • Provinces without a nominalized, individually-identified student-data system cannot easily replicate the model, and most of Argentina's provinces lack one
  • Weak data quality or coverage undermines the accuracy of the risk classification
  • A disconnect between the algorithm's risk flags and actual follow-up interventions limits the system's effect on retention

Where it fits

Governance type
subnational/provincial government, in partnership with a university lab, a policy think tank, and a regional development bank
Scale
two Argentine provinces (Mendoza province-wide; Entre Ríos pilot in 80 secondary schools)
Income level
upper-middle-income country context (Argentina)

Data sources

Where this practice's information was retrieved from, and when.

Attachments

Similar practices you may find useful