Evaluación económica de intervenciones educativas en la LOMLOE: propuestas de mejora con inteligencia artificial

An economic evaluation of educational interventions in the LOMLOE: Proposals for improvement with Artificial Intelligence

María Teresa Ballestar, Jorge Sainz e Ismael Sanz

DOI: https://doi.org/10.22550/REP80-1-2022-09

* Ley Orgánica 3/2020, de 29 de diciembre de 2020, por la que se modifica la Ley Orgánica 2/2006, de 3 de mayo, de Educación.

El objetivo de esta investigación es demos­trar la necesidad de evaluar económicamente la LOMLOE, especialmente tras la inversión de los fondos EU Next Generation que abren nuevas oportunidades de las que carecía la ley en su redacción inicial. Las Administraciones públicas tienen el reto de emplear esa inver­sión adicional de forma eficiente.

Nuestro análisis demuestra que los mode­los de inteligencia artificial pueden predecir si los programas de apoyo educativo ayudarán a incrementar la probabilidad de que estudian­tes rezagados superen 4.º de la ESO (Educa­ción Secundaria Obligatoria). De esta forma, se puede calcular el retorno social de los pro­gramas de apoyo educativo y contribuir a su diseño ex-ante para lograr que los alumnos tengan mayores tasas de éxito.

Para completar los modelos ya utilizados por Administraciones públicas, empleamos mo­delos de Machine Learning (ML) robustos como árboles de decisión CHAID y redes neuronales artificiales para analizar las características de los grupos de estudiantes y la intervención en la que han formado parte. Las conclusiones permi­ten mejorar los programas de refuerzo educati­vo de los próximos años para apoyar a los alum­nos con menos posibilidades de éxito académico.

 


 

Cómo citar este artículo: Ballestar, M. T., Sainz, J. y Sanz, I. (2022). Evaluación económica de intervenciones educativas en la LOMLOE: propuestas de mejora con inteligencia artificial |An economic evaluation of educational interventions in the LOMLOE: Proposals for improvement with Artificial Intelligence. Revista Española de Pedagogía, 80 (281), 139-160. https://doi.org/10.22550/REP80-1-2022-09

Aad, G., Abbott, B., Abdallah, J., Abdelalim, A. A., Abdesselam, A., Abdinov, O., Abi, B., Abolins, M., Abramowicz, H., Abreu, H., Acerbi, E., Acharya, B. S., Adams, D. L., Addy, T. N., Adel­man, J., Aderholz, M., Adomeit, S., Adragna, P., Adye, T., … Zwalinski, L. (2012). Performance of missing transverse momentum reconstruc­tion in proton-proton collisions at√s = 7 TeV with atlas [Rendimiento de la reconstrucción del momento transversal perdido en colisiones protón-protón en√s = 7 TeV con atlas]. Euro­pean Physical Journal C, 72 (1), 1-35. https:// doi.org/10.1140/epjc/s10052-011-1844-6

Akin, M., Eyduran, E. y Reed, B. M. (2017). Use of RSM and CHAID data mining algorithm for predicting mineral nutrition of hazelnut [Uso del algoritmo de minería de datos RSM y CHAID para predecir la nutrición mineral de la avellana]. Plant Cell, Tissue and Organ Cultu­re (PCTOC), 128 (2), 303-316.

Ballestar, M. T., Doncel, L. M., Sainz, J. y Ortigo­sa-Blanch, A. (2019). A novel machine learning approach for evaluation of public policies: An application in relation to the performance of university researchers [Un novedoso enfoque de aprendizaje automático para la evaluación de políticas públicas: una aplicación en rela­ción con el rendimiento de los investigadores universitarios]. Technological Forecasting and Social Change, 149. https://doi.org/10.1016/j. techfore.2019.119756

Ballestar, M. T., García-Lázaro, A. y Sainz, J. (2020). Todos los caminos llevan a la educación: un primer análisis de la robotización, la educación y el em­pleo. Papeles de Economa Espaola, 166, 33-49.

Ballestar, M. T., Garcia-Lazaro, A., Sainz, J. y Sanz, I. (2022). Why is your company not robotic? The technology and human capital needed by firms to become robotic [¿Por qué su empresa no está robotizada? La tecnología y el capital humano que necesitan las empresas para robotizarse]. Journal of Business Research, 142, 328-343. https://doi.org/10.1016/j.jbusres.2021.12.061

Ballestar, M. T., Grau-Carles, P. y Sainz, J. (2018). Customer segmentation in e-commerce: Applications to the cashback business mo­del [Segmentación de clientes en el comercio electrónico: Aplicaciones al modelo de negocio del cashback]. Journal of Business Research, 88, 407-414. https://doi.org/10.1016/j.jbus­res.2017.11.047

Brunello, G. y de Paola, M. (2014). The costs of early school leaving in Europe [Los costes del abandono escolar en Europa]. IZA Journal of Labor Policy, 3 (1), 1-31. https://doi.org/10.1186/2193-9004-3-22

Burgess, S. (16 de junio de 2020). How we should deal with the lockdown learning loss in England’s schools [Cómo debemos afrontar la pérdida de aprendizaje en las escuelas de Inglaterra]. VOX Cepr Policy Portal. https://bit.ly/3Eom12M

Chassignol, M., Khoroshavin, A., Klimova, A. y Bilyatdinova, A. (2018). Artificial intelligen­ce trends in education: A narrative overview [Tendencias de la inteligencia artificial en la educación: una visión general]. Procedia Computer Science, 136, 16-24. https://doi.or­g/10.1016/j.procs.2018.08.233

Chatterjee, S. y Bhattacharjee, K. K. (2020). Adop­tion of artificial intelligence in higher educa­tion: A quantitative analysis using structural equation modelling [Adopción de la inteligencia artificial en la enseñanza superior: un análisis cuantitativo mediante un modelo de ecuacio­nes estructurales]. Education and Information Technologies, 25 (5), 3443-3463. https://doi. org/10.1007/s10639-020-10159-7

Crescenzi, R., Giua, M. y Sonzogno, G. V. (2021). Mind the Covid-19 crisis: An evidence-based implementation of Next Generation EU. Jour­nal of Policy Modeling, 43 (2), 278-297. https:// doi.org/10.1016/J.JPOLMOD.2021.03.002

Cruz-Jesús, F., Castelli, M., Oliveira, T., Mendes, R., Nunes, C., Sa-Velho, M. y Rosa-Louro, A. (2020). Using artificial intelligence methods to assess academic achievement in public high schools of a European Union country. Heliyon, 6 (6), E04081. https://doi.org/10.1016/j.heli­yon.2020.e04081

De la Fuente, A., & Jimeno, J. F. (2009). The priva­te and fiscal returns to schooling in the Euro­pean Union [Los rendimientos privados y fisca­les de la escolarización en la Unión Europea]. Journal of the European Economic Associa­tion, 7 (6), 1319-1360. https://doi.org/10.1162/ JEEA.2009.7.6.1319

Doncel, L. M., Durá, P., Grau, P. y Sainz, J. (2014). Fis­cal sustainability and immigration in the Madrid region [Sostenibilidad fiscal e inmigración en la Comunidad de Madrid]. International Migration, 52 (6), 180-196. https://doi.org/10.1111/imig.12004

Dželihodžić, A. y Jonko, D. (2016). Comparison of ensemble classification techniques and single classifiers performance for customer credit as­sessment [Comparación de las técnicas de cla­sificación por conjuntos y el rendimiento de los clasificadores individuales para la evaluación del crédito de los clientes]. Modeling of Artifi­cial Intelligence, 3, 140-150.

European Commission (2010). EUROPE 2020: A strategy for smart, sustainable and inclusive growth [EUROPA 2020: Una estrategia para un crecimiento inteligente, sostenible e integrador]. http://eur-lex.europa.eu/LexUriServ/LexUri­Serv.do?uri=COM:2010:2020:FIN:EN:PDF

Golden, G. (2020). Education policy evaluation: Surveying the OECD landscape [Evaluación de la política educativa: un estudio del pano­rama de la OCDE]. OECD Education Working Papers, 236. OECD Publishing. https://www. oecd-ilibrary.org/education/education-poli­cy-evaluation_9f127490-en

Goos, M., Manning, A. y Salomons, A. (2009). Job polarization in Europe [Polarización del empleo en Europa]. American Economic Review, 99 (2), 58-63. https://doi.org/10.1257/aer.99.2.58

Gouëdard, P., Pont, B. y Viennet, R. (2020). Edu­cation responses to COVID-19: Implementing a way forward. OECD Education Working Pa­pers, 224. OECD Publishing. https://doi.org/ https://doi.org/10.1787/8e95f977-en

Gregory, T., Salomons, A. y Zierahn, U. (2019). Ra­cing With or Against the Machine ? Evidence from Europe. IZA Institute of Labor Econo­mics, 2019 (12063).

Hosmer Jr., D. W., Lemeshow, S. y Sturdivant, R. X. (2013). Applied logistic regression [Regresión logística aplicada]. John Wiley & Sons.

Kass, G. V. (1980). An exploratory technique for investigating large quantities of categorical data [Una técnica exploratoria para investigar grandes cantidades de datos categóricos]. Jour­nal of the Royal Statistical Society: Series C (Applied Statistics), 29 (2), 119-127. https://doi. org/10.2307/2986296

Khosravi, P., Kazemi, E., Zhan, Q., Malmsten, J. E., Toschi, M., Zisimopoulos, P., Sigaras, A., La­ very, S., Cooper, L. A. D. y Hickman, C. (2019). Deep learning enables robust assessment and selection of human blastocysts after in vitro fertilization [El aprendizaje profundo permite evaluar y seleccionar de forma robusta los blas­tocistos humanos tras la fecundación in vitro]. NPJ Digital Medicine, 2 (1), 1-9.

Kraft, M. (20 de agosto de 2015). What If Every Struggling Student Had a Tutor? [¿Y si todos los estudiantes con dificultades tuvieran un tu­tor?] Education Week. https://www.edweek.org/ education/opinion-what-if-every-struggling-student-had-a-tutor/2015/08

Ley Orgánica 10/2002, de 23 de diciembre, de Ca­lidad de la Educación (LOCE). Boletín Oficial del Estado, 307, de 24 de diciembre de 2002, páginas 45188 a 45220. https://www.boe.es/eli/ es/lo/2002/12/23/10

Ley Orgánica 2/2006, de 3 de mayo de Educación (LOE). Boletín Oficial del Estado, 106. https:// www.boe.es/eli/es/lo/2006/05/03/2/con

Ley Orgánica 8/2013, de 9 de diciembre, para la Me­jora de la Calidad Educativa (LOMCE). Boletín Oficial del Estado, 295, páginas 97858 a 97921. https://www.boe.es/eli/es/lo/2013/12/09/8

Ley Orgánica 3/2020, de 29 de diciembre, por la que se modifica la Ley Orgánica 2/2006, de 3 de mayo, de Educación (LOMLOE). Boletín Oficial del Estado, 340, de 30 de diciembre de 2020, páginas 122868 a 122953. https://www. boe.es/eli/es/lo/2020/12/29/3

Li, Z., & Eastman, J. R. (2006). Commitment and typicality measurements for fuzzy ART­MAP neural network [Medidas de com­promiso y tipicidad para la red neuronal difusa ARTMAP]. Geoinformatics 2006: Geos­patial Information Science, 6420. https://doi. org/10.1117/12.712998

Maimon, O. y Rokach, L. (2005). Data mining and knowledge discovery handbook [Manual de mi­nería de datos y descubrimiento de conocimien­tos]. Springer.

Nickow, A., Oreopoulos, P. y Quan, V. (2020). The im­pressive effects of tutoring on prek-12 learning: A systematic review and meta-analysis of the ex­perimental evidence [Los impresionantes efectos de la tutoría en el aprendizaje de preescolar a 12 años: una revisión sistemática y un meta-análisis de las pruebas experimentales]. National Bureau of Economic Research Working Papers Series, 27476. https://doi.org/10.3386/w27476

OECD. (2018). Education policy outlook 2018: Put­ting student learning at the centre [Perspectivas de la política educativa 2018: Poner el apren­dizaje de los estudiantes en el centro]. OECD.

Paliwal, M. y Kumar, U. A. (2009). Neural networks and statistical techniques: A review of applica­tions [Redes neuronales y técnicas estadísticas: una revisión de las aplicaciones]. Expert Sys­tems with Applications, 36 (1), 2-17.

Pont, B. y Montt, G. (2014). Education policy out­look. Spain [Perspectivas de la política educati­va. España]. OECD.

Porte, C. de la y Jensen, M. D. (2021). The next ge­neration EU: An analysis of the dimensions of conflict behind the deal [La UE de nueva gene­ración: un análisis de las dimensiones del con­flicto tras el acuerdo]. Social Policy & Adminis­tration, 55 (2), 388-402. https://doi.org/10.1111/ SPOL.12709

Ramaswami, M. y Bhaskaran, R. (2010). A CHAID based performance prediction model in educa­tional data mining. International Journal of Computer Science, 7 (1), 10-18.

Saltelli, A., Tarantola, S., Campolongo, F. y Rat­to, M. (2004). Sensitivity analysis in practice: a guide to assessing scientific models (Vol. 1). Wiley Online Library.

Schleicher, A. (2020). The impact of COVID-19 on education: Insights from education at a glance 2020 [El impacto de COVID-19 en la educación: visión de la educación en un vistazo 2020]. OECD Journal: Economic Studies. https://www.oecd. org/education/the-impact-of-covid-19-on-educa­tion-insights-education-at-a-glance-2020.pdf

Slavin, R. E. (2016). Evidence-based educa­tion policies: Transforming educational practice and research [Políticas educati­vas basadas en la evidencia: transformar la práctica y la investigación educativas]. Edu­cational Researcher, 31 (7), 15-21. https://doi. org/10.3102/0013189X031007015

Wolszczak-Derlacz, J. y Parteka, A. (2011). Efficien­cy of European public higher education institu­tions: A two-stage multicountry approach [Efi­ciencia de las instituciones públicas europeas de enseñanza superior: un enfoque multinacio­ nal en dos fases]. Scientometrics, 89 (3), 887- 917. https://doi.org/10.1007/s11192-011-0484-9

Yin, L., Ge, Y., Xiao, K., Wang, X. y Quan, X. (2013). Feature selection for high-dimensional imba­lanced data [Selección de características para datos desequilibrados de alta dimensión]. Neu­rocomputing, 105, 3-11.

Yusuf, A. (2007). Standard-setting at UNESCO: Conventions, recommendations, declarations and charters adopted by UNESCO, 1948-2006 (Vol. 2) [La elaboración de normas en la UNES­CO: Convenciones, recomendaciones, declaracio­nes y cartas adoptadas por la UNESCO, 1948- 2006 (Vol. 2)]. Martinus Nijhoff Publishers.

María Teresa Ballestar es Graduada en Estadística por la Universidad de Zara­goza, Licenciada en Investigación y Técnicas de Mercado y Master en Sociedad de la In­formación y el Conocimiento en la Universi­tat Oberta de Catalunya. Doctorada en me­todologías y tecnologías Big Data aplicadas a la Economía en la Universidad Rey Juan Carlos. Durante los últimos años ha ocupa­do puestos de dirección y liderado proyectos de transformación digital, innovación, data analytics y data science. Además, es Profe­sora Asociada de la Universidad Rey Juan Carlos y ha publicado más de una decena de artículos científicos y de divulgación y colabo­rado con distintos medios de comunicación.

 https://orcid.org/0000-0001-8526-7561

Jorge Sainz Orcid es Licenciado en Ciencias Económicas por la Universidad Complutense de Madrid y en Derecho por la UNED. Doctor en Economía (URJC) y MBA (especialización en finanzas y polí­ticas públicas) Simon School, University of Rochester. Es Catedrático de Economía Aplicada en la Universidad Rey Juan Carlos de Madrid y Visiting Fellow en el Institute for Policy Research, University of Bath.

Ha sido Asesor del Gabinete de la conse­jera de Educación y Subdirector General de Investigación de la Consejería de Educación de la Comunidad de Madrid. En el Ministe­rio de Educación, Cultura y Deporte ha sido director general de Política Universitaria y Secretario General de Universidades.

 https://orcid.org/0000-0001-8491-3154

Ismael Sanz es Profesor Titular del Departamento de Economía Aplicada I de la Universidad Rey Juan Carlos. Doc­tor en Economía Aplicada en la Facultad de Ciencias Económicas y Empresariales de la Universidad Complutense de Madrid (UCM). Ha sido Director General de Inno­vación, Becas y Ayudas de la Consejería de Educación de la Comunidad de Madrid, Director del Instituto Nacional de Evalua­ción Educativa (INEE) del Ministerio de Educación, Cultura y Deporte (2012-2015) y Chair del Strategic Development Group de PISA de la OCDE (noviembre 2014-ju­lio de 2015). Actualmente es Vicerrector de Calidad de la URJC. Autor de artículos en revistas de investigación de alto impacto.

 https://orcid.org/0000-0003-1286-4124

Datos recogidos por PlumX Metrics.

Este artículo se ha leído en esta web: 1102 veces