https://hdl.handle.net/20.500.12799/8667 2026-04-09T03:56:22Z 2026-04-09T03:56:22Z Perú. Ministerio de Educación. Oficina de Seguimiento y Evaluación Estratégica Candela Rojas, Erik Carl Centeno Guzmán, Cristian Dominico Aquino Baldeón, Severo Alfredo https://hdl.handle.net/20.500.12799/10990 2025-07-09T21:40:38Z 2024-10-01T00:00:00Z

Alerta Escuela : metodología para el cálculo del riesgo de deserción interanual en el Perú con Machine Learning Perú. Ministerio de Educación. Oficina de Seguimiento y Evaluación Estratégica; Candela Rojas, Erik Carl; Centeno Guzmán, Cristian Dominico; Aquino Baldeón, Severo Alfredo El presente documento describe la metodología utilizada para desarrollar un modelo basado en técnicas de Machine Learning (ML) que calcula el riesgo de deserción interanual que tienen los estudiantes matriculados en Educación Básica Regular (EBR) para un determinado año en el Perú. Para el desarrollo del modelo se empleó principalmente datos administrativos del Ministerio de Educación, los cuales evidenciaron su gran potencial para el desarrollo del modelo ML. De este modo se desarrolló un modelo ML que logra resultados satisfactorios en cuanto a la precisión y sensibilidad para los niveles de inicial, primaria y secundaria de EBR. Finalmente, se detalla cómo estos resultados se integran en la gestión educativa, a través del sistema «Alerta Escuela».

2024-10-01T00:00:00Z Perú. Ministerio de Educación. Oficina de Seguimiento y Evaluación Estratégica Candela Rojas, Erik Carl Casaverde Ayma, Pedro Emilse Centeno Guzmán, Cristian Dominico Aquino Baldeón, Severo Alfredo https://hdl.handle.net/20.500.12799/10070 2025-02-27T16:32:57Z 2024-10-01T00:00:00Z

Metodología de proyección de la matrícula escolar, secciones y docentes en el Perú : una aproximación con Machine Learning Perú. Ministerio de Educación. Oficina de Seguimiento y Evaluación Estratégica; Candela Rojas, Erik Carl; Casaverde Ayma, Pedro Emilse; Centeno Guzmán, Cristian Dominico; Aquino Baldeón, Severo Alfredo El presente informe detalla la metodología empleada para desarrollar los modelos analíticos basados en técnicas de Aprendizaje Automático (Machine Learning, ML), los cuales fueron ajustados para proyectar, con un horizonte temporal de un año, la «matrícula escolar, las secciones y los docentes» para cada grado escolar de los servicios educativos de la «Educación Básica Regular» (EBR) en el Perú. La elaboración de los modelos se fundamentó principalmente en los datos administrativos proporcionados por el Ministerio de Educación (Minedu), los cuales demostraron ser idóneos para la implementación de modelos de ML. Las proyecciones generadas por los modelos de ML fueron sometidas a una evaluación, comparándolas con las proyecciones realizadas por la Unidad de Estadística (UE) de la Oficina de Seguimiento y Evaluación Estratégica (OSEE) del Minedu para el año 2021. La métrica utilizada para impedir el rendimiento de los modelos fue la «Raíz Cuadrada del Error Cuadrático Medio» (Root Mean Square Error, RMSE) aplicada a ambas proyecciones. Como resultado de esta evaluación, se evidenció que los modelos de ML lograron reducir el RMSE, especialmente en los niveles de primaria y secundaria de EBR.

2024-10-01T00:00:00Z Perú. Ministerio de Educación. Secretaría de Planificación Estratégica. Oficina de Seguimiento y Evaluación Estratégica Candela Rojas, Erik Carl Centeno Guzmán, Cristian Doménico https://hdl.handle.net/20.500.12799/8668 2025-07-09T21:41:38Z 2022-12-01T00:00:00Z

Alerta Escuela : Machine Learning para el cálculo del riesgo de interrupción de estudios en el Perú Perú. Ministerio de Educación. Secretaría de Planificación Estratégica. Oficina de Seguimiento y Evaluación Estratégica; Candela Rojas, Erik Carl; Centeno Guzmán, Cristian Doménico El presente informe describe la metodología utilizada para desarrollar un modelo basado en técnicas de Machine Learning (ML) que calcula el riesgo de interrupción de estudios que tienen los estudiantes matriculados en Educación Básica Regular (EBR) para un determinado año en el Perú. Para el desarrollo del modelo se empleó principalmente datos administrativos del Ministerio de Educación, los cuales evidenciaron su gran potencial para el desarrollo del modelo ML. De este modo se desarrolló un modelo ML que logra resultados satisfactorios en cuanto a la precisión y sensibilidad para los niveles de inicial, primaria y secundaria de EBR. Finalmente, se detalla cómo estos resultados se integran en la gestión educativa, a través del sistema «Alerta Escuela»

2022-12-01T00:00:00Z