Metodología de proyección de la matrícula escolar, secciones y docentes en el Perú : una aproximación con Machine Learning

• Autores: Perú. Ministerio de Educación. Oficina de Seguimiento y Evaluación Estratégica, Casaverde Ayma, Pedro Emilse, Centeno Guzmán, Cristian Dominico, Candela Rojas, Erik Carl
• Fecha de Publicación: 2024
• Institución: Ministerio de Educación
• Repositorio: MINEDU-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.minedu.gob.pe:20.500.12799/10070
• Enlace del recurso: https://hdl.handle.net/20.500.12799/10070
• Nivel de acceso: acceso abierto
• Materia: Matrícula escolar; Machine Learning; Revisión de literatura; Demanda de educación; Planificación de la educación; Perú; http://purl.org/pe-repo/ocde/ford#5.03.01

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 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 de los datos administrativos proporcionados por el Ministerio de Educación (Minedu), los cuales revelaron su idoneidad 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 empleada para evaluar 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.