Modèle d'apprentissage automatique uruguayen d'alerte précoce du risque de redoublement au primaire (Panel-EIT / ANEP)

L'évaluation d'impact précoce de l'Uruguay (Panel-EIT) a suivi 15 529 enfants depuis l'éducation initiale en 2016 jusqu'aux 1re-3e années du primaire (2017-2019). Des chercheurs de l'Universidad de la República, travaillant avec les données de l'ANEP-CODICEN, ont construit des modèles d'apprentissage automatique supervisé (régression logistique, réseaux bayésiens, arbres de classification) pour prédire quels élèves redoubleraient, dans le but d'alimenter les politiques d'alerte précoce et d'intervention.

Les meilleurs modèles ont atteint 80 % de précision et une AUC de 0,81, avec une sensibilité de 62-64 % et une spécificité de 83 % ; 16,2 % de la cohorte a redoublé au moins une fois. Retirer le score de l'évaluation de la petite enfance du modèle a fait chuter la précision à 70-72 % et la sensibilité jusqu'à 42 %, confirmant qu'il s'agit du prédicteur le plus fort. Les données de contexte de l'UNICEF montrent l'enjeu : seuls 44 % des adolescents uruguayens terminent le secondaire entre 21 et 23 ans, et l'achèvement dans le quintile le plus pauvre (14 %) accuse un retard de près de cinq fois par rapport au quintile le plus riche (79 %).

Il s'agit d'une recherche prédictive solide mais avec des preuves de déploiement faibles : la propre page du pilote fAIrLAC de la Banque interaméricaine de développement sur cette initiative laisse le statut de mise en œuvre vide, et les auteurs évalués par des pairs préviennent explicitement que les modèles établissent une association statistique, non des mécanismes causaux, sur une fenêtre d'observation étroite de trois ans. Il doit être lu comme un prototype de recherche validé plutôt que comme un système national d'alerte précoce prouvé et activement opérationnel.