Modelo de aprendizaje automático de Uruguay para la alerta temprana del riesgo de repetición en la escuela primaria (Panel-EIT / ANEP)

La evaluación de impacto temprano de Uruguay (Panel-EIT) siguió a 15.529 niños desde la educación inicial en 2016 hasta 1.º-3.º grado de primaria (2017-2019). Investigadores de la Universidad de la República, trabajando con datos de ANEP-CODICEN, construyeron modelos de aprendizaje automático supervisado (regresión logística, redes bayesianas, árboles de clasificación) para predecir qué estudiantes repetirían grado, con el objetivo de fundamentar políticas de alerta temprana e intervención.

Los mejores modelos alcanzaron un 80% de precisión y un AUC de 0,81, con una sensibilidad del 62-64% y una especificidad del 83%; el 16,2% de la cohorte repitió al menos un grado. Al retirar del modelo la puntuación de la evaluación de la primera infancia, la precisión cayó al 70-72% y la sensibilidad hasta el 42%, confirmándola como el predictor más fuerte. Los datos de contexto de UNICEF muestran lo que está en juego: solo el 44% de los adolescentes uruguayos completa la secundaria entre los 21 y 23 años, y la finalización en el quintil más pobre (14%) queda casi cinco veces por detrás de la del quintil más rico (79%).

Se trata de una investigación predictiva sólida, pero con una evidencia de despliegue débil: la propia página del piloto fAIrLAC del Banco Interamericano de Desarrollo sobre esta iniciativa deja en blanco el estado de implementación, y los autores revisados por pares advierten explícitamente que los modelos establecen asociación estadística, no mecanismos causales, en una ventana de observación estrecha de tres años. Debe leerse como un prototipo de investigación validado, no como un sistema nacional de alerta temprana comprobadamente activo.