Modelo de Aprendizagem Automática do Uruguai para Alerta Precoce do Risco de Repetição no Ensino Primário (Painel-EIT / ANEP)

O estudo Panel-EIT do Uruguai acompanhou 15.529 crianças desde a avaliação na primeira infância em 2016 até aos 1.º, 2.º e 3.º anos do ensino primário (2017–2019). Investigadores da Universidad de la República, trabalhando com dados administrativos da ANEP-CODICEN, construíram modelos de aprendizagem automática supervisionada para prever quais os alunos que repetiriam um ano.

A investigação teve como objetivo identificar atempadamente os alunos em risco de repetência para informar políticas de alerta precoce e de intervenção, e testar quais os indicadores da primeira infância que melhor preveem a repetência posterior.

Os investigadores treinaram e compararam vários modelos supervisionados (regressão logística, redes bayesianas, árvores de classificação) com os dados administrativos e de avaliação na primeira infância da coorte, testando depois como o desempenho dos modelos se alterava ao remover a pontuação da avaliação na primeira infância.

Os melhores modelos alcançaram uma exatidão de 80% e uma AUC de 0,81, com uma sensibilidade de 62–64% e uma especificidade de 83%; 16,2% da coorte repetiu pelo menos um ano. A remoção da pontuação da avaliação na primeira infância fez baixar a exatidão para 70–72% e a sensibilidade para apenas 42%, confirmando-a como o preditor único mais forte.

Os autores do artigo revisto por pares alertam explicitamente que os modelos mostram associação estatística e não mecanismos causais, num período restrito de três anos, e a própria página do piloto fAIrLAC do Banco Interamericano de Desenvolvimento deixa em branco o estado de implementação desta iniciativa — pelo que deve ser lida como um protótipo de investigação validado, e não como um sistema nacional de alerta precoce comprovadamente em funcionamento.