La deserción escolar es un grave problema social mundial que contribuye a mucha pobreza y sufrimiento. Las personas que no han terminado la escuela obviamente sufren las consecuencias directas, pero además extienden este problema al resto de la sociedad, ya que se convierten en una carga social debido a su falta de educación y capacitación laboral. Al igual que la pobreza, la deserción escolar es compleja y multidimensional. Por tanto, los sistemas de alerta temprana que predicen los niños específicos que están en riesgo de desertar son de suma importancia. Más aún, las intervenciones para rescatar a estos estudiantes tienen que hacerse a la medida de la situación social y emocional específica de cada niño. Se ha hecho bastante trabajo en este sentido, usando métodos tradicionales como umbrales de asistencia y regresión logística.

Sin embargo, la predicción de la deserción escolar aplicando métodos de machine learning es relativamente nuevo. Además, una aplicación que ha funcionado en un país no necesariamente funciona en otro, porque los datos disponibles en cada país son distintos. Por tanto, surge la pregunta: ¿Puede el machine learning brindar sistemas de alerta temprana de deserción escolar más certeros específicamente en Chile? En este artículo, respondemos esta pregunta, probando y comparando modelos predictivos de machine learning con una regresión logística tradicional, usando la base de datos pública del Ministerio de Educación de Chile. Además, ofrecemos algunas recomendaciones prácticas para investigadores y gestores de políticas públicas que deseen implementar sistemas reales de alerta temprana de deserción escolar.