Estudantes do MIT e o MIDES construíram modelos de aprendizagem automática sensíveis à equidade sobre 15.436 casos de referência anonimizados para ajudar o programa uruguaio Crece Contigo a priorizar grávidas e crianças pequenas. Em meados de 2025 a ferramenta continuava em avaliação, ainda sem implementação.
15,000+
Processos históricos de encaminhamento usados no desenvolvimento do modelo
Detalhes
Maturidade
Piloto
Promotor
Ministerio de Desarrollo Social (MIDES) with MIT MISTI
Período
2024-2025 (pilot and evaluation, not yet deployed)
Palavras-chave
social protection, child and maternal welfare, public administration
Contexto
O Ministério do Desenvolvimento Social (MIDES) do Uruguai gere o Uruguay Crece Contigo, que apoia mulheres grávidas e crianças com menos de quatro anos em situação de pobreza extrema; os técnicos de acompanhamento priorizavam historicamente os encaminhamentos de forma manual, arriscando inconsistência e enviesamento. Estudantes do MIT, orientados por um doutorando, trabalharam com o MIDES sobre dados anonimizados de mais de 15.000 processos históricos de encaminhamento, testando árvores de decisão com gradient boosting, redes neuronais, LSTMs e métodos de conjunto, com técnicas sensíveis à equidade (SMOTE, RUS) destinadas a reduzir o enviesamento contra grupos sub-representados.
Resultados
Em meados de 2025, o modelo mantinha-se um protótipo de apoio à decisão em avaliação interna pelo MIDES; não foi publicada nenhuma data de implementação nem números de desempenho, tornando este um caso precoce e honestamente ainda não comprovado, em vez de um caso de sucesso demonstrado.
Conclusões
É, ainda assim, a primeira tentativa documentada do Uruguai de aplicar aprendizagem automática à definição de prioridades de um programa social, e reflete o esforço mais amplo do país -- um Observatório Nacional de IA e a supervisão da AGESIC -- rumo a uma utilização governamental de IA auditável.
Implementação
Custo indicativo
Baixo (< 50 mil €)
Tempo até resultados
Curto (< 1 ano)
Equipa e competências
Ministry of Social Development (MIDES), MIT students and PhD advisor
Condições de sucesso
fairness-aware modelling techniques (SMOTE, RUS) to reduce bias against under-represented groups
Modos de falha comuns
still a prototype under internal evaluation; no deployment date or performance figures published
Habitualmente financiado por
National / regional programmes
Vias de financiamento indicativas para práticas deste tipo — verifique sempre os avisos abertos e as regras de elegibilidade de cada programa.
Implementa esta prática?
Reivindique-a —
implementadores verificados obtêm um contacto público na página e podem propor correções.
Fontes de dados
De onde foi obtida a informação desta prática, e quando.