Academic resilience in the Latin America region post COVID-19 pandemic -- an explainable machine learning analysis of its determinants and heterogeneity using alternative definitions

Utilizando datos de PISA 2022 y métodos de aprendizaje automático explicables, este estudio identifica que la resiliencia académica en estudiantes desfavorecidos de América Latina post-pandemia está determinada por factores heterogéneos que abarcan tanto el hogar (como recursos digitales y género) como la escuela (tamaño, infraestructura tecnológica y calidad docente), además de verse negativamente afectada por la duración del cierre de escuelas y las barreras para el aprendizaje remoto.

Lo esencial

¡Claro que sí! Imagina que este artículo es como un detective educativo que llega a América Latina después de una gran tormenta (la pandemia) para descubrir un secreto muy especial: ¿Cómo es posible que algunos estudiantes, a pesar de tener una vida muy difícil y pocos recursos, logren tener excelentes notas?

Aquí tienes la explicación de la investigación, contada como si fuera una historia:

1. El Escenario: Una Tormenta que dejó a muchos atrás

Imagina que la educación en América Latina ya era una carrera cuesta arriba antes de 2020. Luego llegó la pandemia. Fue como si de repente cerraran las escuelas por mucho más tiempo que en cualquier otro lugar del mundo (casi un año entero en promedio) y muchos estudiantes perdieron sus libros o no tenían internet.

El resultado fue que los estudiantes más pobres se quedaron aún más atrás. Pero, ¡espera! El estudio se fija en un grupo de "superhéroes": los estudiantes resilientes. Son esos chicos que, aunque viven en la pobreza y tuvieron una educación interrumpida, lograron superar las expectativas y aprender bien. El estudio quiere saber: ¿Qué tienen ellos que los demás no?

2. La Herramienta del Detective: Un "Ojo Mágico" de Inteligencia Artificial

Los investigadores no usaron solo lápiz y papel. Usaron una tecnología avanzada llamada Machine Learning (Aprendizaje Automático) con un "lente" especial llamado SHAP.

• La analogía: Imagina que tienes una receta de un pastel delicioso (el éxito escolar). Tienes 65 ingredientes posibles (dinero, libros, género, tamaño de la escuela, etc.). La inteligencia artificial es como un chef robot que prueba millones de combinaciones para ver exactamente qué ingrediente es el que hace que el pastel salga perfecto y cuál es el que lo arruina.
• Además, usaron cuatro recetas diferentes para definir qué significa "ser resiliente", porque a veces es difícil ponerse de acuerdo en cómo medirlo.

3. Los Descubrimientos: ¿Qué hace a un "Superhéroe" escolar?

El estudio analizó a estudiantes de 9 países latinoamericanos (como Argentina, Brasil, México, Chile, etc.) y encontró que los "ingredientes" cambian dependiendo de a quién mires:

A. Si miras al estudiante y su casa (La receta SAR1):

Para los estudiantes más pobres, lo que más importa ocurre dentro de su hogar:

• El "Combustible" Digital: Tener más libros y, muy importante, más dispositivos digitales (tabletas, computadoras) en casa es como tener un motor de carreras.
• El Género: Curiosamente, en esta región, los niños tienen más probabilidades de ser resilientes que las niñas (un hallazgo que preocupa a los autores).
• El Trabajo: Si un estudiante trabaja mucho para ayudar a su familia, sus notas bajan. Es como si tuviera que cargar un peso extra en la espalda mientras corre.
• La Actitud: Ser curioso, tener empatía y no repetir de curso son claves.

B. Si miras a la escuela (La receta SAR2):

Cuando los investigadores "limpiaron" los datos para ver qué pasa dentro del aula, la historia cambió. Aquí, lo que importa es la escuela:

• Tamaño y Tecnología: Las escuelas grandes con muchas computadoras conectadas a internet funcionan mejor.
• Maestros: Tener maestros certificados y que se capacitan constantemente es vital. Es como tener un entrenador de fútbol que sabe exactamente cómo jugar.
• Ratio Estudiante-Maestro: Si hay demasiados alumnos por maestro, es más difícil que el estudiante pobre tenga éxito.

4. El Efecto de la Pandemia: El "Cierre" que duele

El estudio encontró algo muy triste pero claro: Cuanto más tiempo estuvo cerrada la escuela, menos probabilidades tenía el estudiante de ser resiliente.

• La analogía: Imagina que la escuela es un gimnasio. Si cierran el gimnasio por 400 días en lugar de 200, los músculos (el conocimiento) se debilitan mucho más. Además, si la escuela tenía muchos problemas para dar clases a distancia (sin internet, sin plataformas), los estudiantes pobres fueron los que más sufrieron.

5. Dos Perfiles Extremos: El "Éxito" vs. El "Fracaso"

Los investigadores crearon dos personajes ficticios basados en los datos reales para ilustrar la diferencia:

• El Estudiante Resiliente (El Ganador):

  • Va a una escuela privada (o muy bien equipada).
  • Tiene muchos libros y 10 dispositivos digitales en casa.
  • No repite curso.
  • Hace mucha tarea y tiene una vida feliz.
  • Sus maestros son expertos y van a capacitaciones.
  • Resultado: ¡Sobrevivió a la tormenta y aprendió!

• El Estudiante No Resiliente (El que se quedó atrás):

  • Repitió el curso varias veces.
  • Tiene padres sin educación primaria completa.
  • Solo tiene 6 dispositivos y pocos libros.
  • Trabaja mucho, hace poca tarea y tiene mucha ansiedad.
  • Su escuela es pequeña, sin internet y con muchos problemas.
  • Resultado: La tormenta lo dejó muy atrás.

6. ¿Qué nos dice esto para el futuro? (La Lección)

El mensaje principal es que no hay una sola solución mágica.

• Si quieres ayudar a un niño pobre, necesitas ayudar a su familia (darle libros y tecnología) Y mejorar su escuela (mejores maestros y menos alumnos por clase).
• La pandemia nos enseñó que cerrar escuelas por mucho tiempo y no tener internet es un desastre para los más pobres.
• Para que los niños pobres dejen de ser "víctimas" y se conviertan en "resilientes", necesitamos políticas que ataquen ambos frentes: el hogar y la escuela.

En resumen: Este estudio usa la inteligencia artificial para decirnos que, aunque la pobreza es una montaña difícil de escalar, si le damos a los estudiantes las herramientas correctas (tecnología, buenos maestros y apoyo emocional), pueden llegar a la cima y tener éxito, incluso después de la peor tormenta.

Resumen técnico

A continuación presento un resumen técnico detallado del artículo en español, estructurado según los componentes solicitados:

Título: Resiliencia Académica en la Región de América Latina Post-Pandemia: Un Análisis Explicable de Machine Learning de sus Determinantes y Heterogeneidad

1. Planteamiento del Problema

La región de América Latina y el Caribe (ALC) enfrenta una crisis de aprendizaje agravada por la pandemia de COVID-19. Las escuelas permanecieron cerradas un promedio de 270 días (1.42 años de escolaridad), lo que desplazó a grandes cohortes de estudiantes desfavorecidos hacia la parte inferior de la distribución del aprendizaje. Se estima que la región perdió entre 0.9 y 1.1 años de escolaridad, siendo las pérdidas desproporcionadamente mayores para los estudiantes del decil inferior de ingresos (81% de pérdida estimada) en comparación con los del decil superior (22%).

En este contexto, el concepto de Resiliencia Académica Estudiantil (RAE) —definido como la capacidad de los estudiantes de contextos socioeconómicos desfavorecidos para alcanzar un alto rendimiento académico— se presenta como un indicador crucial para la formulación de políticas. El objetivo es identificar los factores que permiten a estos estudiantes "sobresalir contra todo pronóstico" para diseñar estrategias de recuperación educativa y reducir la desigualdad.

2. Metodología

El estudio emplea un enfoque cuantitativo avanzado basado en Machine Learning (ML) explicable (XAI):

• Datos: Se utiliza la base de datos PISA 2022 de 9 países de ALC (Argentina, Brasil, Chile, Colombia, República Dominicana, México, Panamá, Perú y Uruguay). La muestra se restringe al 40% de estudiantes más pobres (los dos quintiles inferiores del índice ESCS).
• Definiciones de la Variable Dependiente (RAE): Se proponen cuatro indicadores binarios alternativos para capturar la resiliencia, superando la falta de consenso en la literatura:
  1. SAR1: Estudiantes en los quintiles 1-2 de ESCS que alcanzan el Nivel 2 o superior en Matemáticas, Lectura y Ciencias.
  2. SAR2: Probabilidad estimada (vía modelo logit multinivel de 3 niveles) de alcanzar el Nivel 2, ajustada por ESCS familiar, escolar y efectos aleatorios de país, seleccionando el top 40% de probabilidades.
  3. SAR3: Subconjunto de SAR1 restringido a las escuelas con mayor desigualdad (correlación entre rendimiento y SES).
  4. SAR4: Subconjunto de SAR2 excluyendo a los estudiantes de las escuelas más eficientes (interceptos aleatorios altos).
• Modelos de Predicción: Se compararon tres algoritmos: Regresión Logística (Logit), Redes Neuronales (NN) y Árboles de Gradiente Boosting (GBT). Los resultados mostraron la superioridad de los GBT (implementados con XGBoost) debido a su capacidad para capturar efectos no lineales e interacciones, validados mediante métricas AUROC y AUPRC.
• Explicabilidad: Se aplicó el método SHAP (Shapley Additive Explanations) para interpretar los modelos GBT. Esto permite cuantificar la contribución marginal de cada variable (65 covariables en total) a la predicción, tanto a nivel global (importancia de características) como local (perfiles individuales).
• Análisis de Heterogeneidad: Se realizaron estimaciones separadas para subsistemas educativos: escuelas públicas vs. privadas y urbanas vs. rurales.

3. Contribuciones Clave

• Primera investigación regional: Es el primer estudio que analiza los determinantes de la RAE específicamente para la región de ALC utilizando datos post-pandemia.
• Innovación metodológica: Es la primera aplicación de métodos de IA explicable (SHAP) en estudios de resiliencia académica basados en encuestas de aprendizaje en esta región.
• Multidimensionalidad: Introduce cuatro definiciones operativas de resiliencia, permitiendo analizar cómo cambian los determinantes según la rigurosidad de la definición y el contexto (desigualdad escolar, eficiencia escolar).
• Enfoque en variables pandémicas: Incorpora explícitamente variables de contexto de la COVID-19 (duración del cierre escolar, barreras para el aprendizaje remoto) en el análisis de resiliencia.

4. Resultados Principales

A. Determinantes Globales (Muestra Total):

• Para SAR1 (Enfoque en rendimiento absoluto): Los principales predictores provienen del ámbito familiar y del estudiante: número de dispositivos digitales y libros en el hogar, género (los hombres muestran mayor probabilidad), horas de tarea, satisfacción con la vida, y la ausencia de repitencia. Las características de personalidad (curiosidad, empatía) también son relevantes.
• Para SAR2 (Enfoque en probabilidad ajustada por SES): Al controlar por el estatus socioeconómico, los determinantes líderes se desplazan al ámbito escolar: tamaño de la escuela, proporción de PCs conectadas a internet, ratio estudiante-docente (STR), tasa de docentes certificados y desarrollo profesional docente.
• Impacto de la Pandemia: Existe una asociación negativa fuerte entre la duración del cierre escolar y la resiliencia. Un aumento de 170 días en el cierre (de 230 a 400 días) reduce las probabilidades de resiliencia entre un 10% y un 25%. Asimismo, las barreras sistémicas para el aprendizaje remoto disminuyen significativamente la probabilidad de ser resiliente.

B. Heterogeneidad por Subsistemas:

• Público vs. Privado: En las escuelas públicas, la repitencia, el género y la assertividad del estudiante son determinantes más críticos. En las privadas, la educación parental y la calidad docente (certificación) tienen un peso relativo mayor.
• Urbano vs. Rural: En zonas rurales, la resiliencia depende más de factores familiares (educación de padres, dispositivos) y de la calidad de la enseñanza (grados docentes, desarrollo profesional), mientras que en zonas urbanas los insumos escolares brutos (como el ratio de PCs) son más determinantes.

C. Perfiles Locales (Extremos de la distribución SHAP):

• Perfil de Alta Resiliencia: Estudiante varón, sin repitencia, con alta satisfacción vital, mucha tarea, muchos dispositivos y libros, que asiste a una escuela privada con alta tasa de docentes certificados y donde casi el 100% de los estudiantes tuvo acceso a educación remota.
• Perfil de Baja Resiliencia: Estudiante repitente (primaria y secundaria), con rasgos de personalidad negativos (baja empatía, mala gestión del estrés), poca tarea, pocos recursos digitales, padres con baja educación, y que asiste a una escuela pequeña, desfavorecida, sin conexión a internet y con cierres prolongados.

5. Significado e Implicancias

El estudio ofrece una hoja de ruta para la recuperación del aprendizaje en América Latina. Sus hallazgos sugieren que para elevar a los estudiantes desfavorecidos hacia la resiliencia académica, las políticas deben ser diferenciadas:

1. Inversión en insumos familiares: Aumentar el acceso a dispositivos digitales y libros es fundamental, especialmente en zonas rurales y escuelas públicas.
2. Calidad docente: La certificación y el desarrollo profesional de los maestros son predictores clave, más que la simple cantidad de docentes.
3. Mitigación de la brecha digital: Las barreras para el aprendizaje remoto durante la pandemia tienen un costo duradero en la resiliencia; se requiere infraestructura de conectividad robusta.
4. Reducción de la repitencia: La repitencia escolar es un factor de riesgo crítico que debe abordarse para evitar la exclusión del sistema.

En conclusión, el paper demuestra que la resiliencia académica no es solo un rasgo individual, sino el resultado de una interacción compleja entre recursos familiares, calidad escolar y contexto pandémico, y que su promoción requiere intervenciones precisas basadas en evidencia empírica robusta.