¿Cómo la inteligencia artificial contribuye a disminuir la deserción escolar?

En Wisconsin (Estados Unidos), Victoria (Australia) y en la Provincia de Buenos Aires (Argentina) se ha utilizado inteligencia artificial (IA) para ayudar en el desarrollo de modelos de detección temprana de riesgo de deserción escolar. El análisis de estos tres casos ilustra sobre cómo el uso de esta tecnología emergente puede ayudar a mejorar la permanencia de los alumnos durante el curso de su escolaridad.

El proyecto de Winsconsin es el más comprensivo por ser el de mayor permanencia en el tiempo (desde el 2012).  Genera resultados de impacto en las variables que pretendía intervenir y supera algunas de las dificultades que se habían presentado en el uso de los modelos de detección temprana de deserción. También, permite el análisis de subgrupos, ha integrado (en el caso de Milwaukee) el seguimiento de los estudiantes en la educación superior y ha ayudado a las instituciones en el diseño de políticas para enfrentar los problemas detectados a partir de la información.

El modelo para la detección temprana de los posibles desertores (DEWS) Drop Out Early Warning System, hace parte de un proyecto más amplio de uso de datos en el sistema educativo (WISE). Este completo sistema de información se ha puesto a disposición de todos los miembros del sistema educativo, a través de un portal en el que se encuentran múltiples variables con diferentes niveles de consulta, de utilidad para diferentes públicos, lo que facilita una amplia difusión en un marco de protección de los datos.

Es especialmente importante el acompañamiento que se hace desde el proyecto WISE a los administradores educativos y a las instituciones, para el uso de la información. Con este se logra que la planeación educativa tenga en cuenta la información que arroja el sistema para establecer las acciones a seguir orientadas a enfrentar las problemáticas educativas.  Asimismo, el uso de la información permite a las instituciones establecer procesos más personalizados acordes a las características de sus estudiantes, e incluso diseñar respuestas más personalizadas.

Los casos de Victoria y la provincia de Buenos Aires

El análisis del caso de Victoria en Australia denominado Student Mapping Tool (SMT) ilustra cómo una herramienta muy simple permite a las instituciones educativas un mayor conocimiento de los estudiantes, para prevenir el abandono. Esta herramienta refuerza el diseño de acciones para enfrentar las condiciones que hacen prever la deserción, ya que estas quedan consignadas en la misma herramienta para que sean monitoreadas y evaluadas. Esta interesante experiencia, sin embargo tuvo una corta duración lo que, sirve para resaltar, las condiciones necesarias para la continuidad de proyectos similares: la necesidad del involucramiento de los administradores de la educación en el proyecto y de establecer incentivos para el uso por parte de las instituciones educativas.

El caso de Argentina, que se diseñó e implementó en la Provincia de Buenos Aires, ilustra la posibilidad de establecer modelos con series no muy largas de tiempo. Al igual que en el caso australiano, señala la importancia de garantizar un periodo de tiempo suficiente para llegar a la implementación total del proyecto y la necesidad de ofrecer incentivos para el uso por parte de las escuelas.

Acerca del estudio

Estos tres casos fueron analizados en un estudio a ser publicado como parte de un reporte de CAF sobre el uso estratégico de datos e inteligencia artificial (IA) en el sector público ExperiencIA; Datos e Inteligencia artificial en el Sector Público en América Latina, del estudio que tuvo como propósito documentar casos de implementación de proyectos que utilizaran datos e Inteligencia Artificial (IA) en el sector educativo a nivel internacional, para el diseño, implementación y seguimiento de políticas públicas con el fin de proponer recomendaciones sobre la posible utilización de esta tecnología por las administraciones del sector educativo en América Latina y que les ayude a mejorar su eficiencia y eficacia.

El trabajo partió de una revisión del estado del arte en cuanto al uso de datos y de la IA en el sector educativo, del que se concluye que la analítica de datos para el aprendizaje que se ha venido desarrollando en las últimas décadas responde a la necesidad de buscar herramientas que permitan personalizar la enseñanza porque, al generar mayor conocimiento y seguimiento de cada estudiante, posibilita el diseño de soluciones personalizadas de aprendizaje.  Las herramientas utilizadas se han focalizado en las alertas tempranas y la identificación de las intervenciones, pero aún no plantean las acciones que deben ser emprendidas para ese fin, por lo cual ha sido muy difícil medir su impacto.

Asimismo, se describen las limitaciones que por el momento tienen los sistemas de detección temprana de riesgo de deserción desarrollados, relacionadas con el funcionamiento, el seguimiento de las trayectorias más allá del colegio, así como la posibilidad de usar modelos más sofisticados que permitan identificar subgrupos específicos.

Se investigaron experiencias que superan las limitaciones descritas, pues apalancándose en el uso de IA para enfrentar la deserción escolar, buscan identificar estudiantes en riesgo, tomar medidas para retenerlos y apoyar la formulación de estrategias para su permanencia en el sistema educativo.

Este estudio se desarrolló en el marco de una iniciativa regional de la Dirección de Innovación Digital del Estado de la  Vicepresidencia de Conocimiento de CAF, banco de desarrollo de América Latina, que impulsa el uso estratégico de datos e inteligencia artificial (IA) por parte del sector público de los países de América Latina, para generar valor social y económico.

El próximo 15 de septiembre se llevará a cabo una conferencia, ExperiencIA, datos e inteligencia artificial en el sector público, donde se discutirá en profundidad éste y otros casos, de la mano de los responsables de otras experiencias