INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Por otro lado, este estudio contribuye a la literatura sobre la medición de desigualdad de oportunidades. El enfoque empírico más común para cuantificar la desigualdad de opor - tunidades se basa en medir qué parte de la desigualdad total se debe a las circunstancias fuera del control individual mediante técnicas de regresión (Ferreira & Gignoux, 2011; 2014; Marrero et al., 2022). Pese a su simplicidad, este enfoque presenta al menos dos limita- ciones (Brunori et al., 2021). Primero, resulta necesario seleccionar qué circunstancias son relevantes y cómo se relacionan con las opor- tunidades. Segundo, a menudo se ignoran las posibles interacciones de las circunstancias en los resultados. Por ejemplo, en algunos países, el género del estudiante puede tener un im- pacto diferencial en el rendimiento educativo dependiendo de si pertenece a una familia con más o menos capital cultural. Ambas conside- raciones pueden afectar la estimación de igual- dad de oportunidades, generando sesgos tanto al alza como a la baja (Brunori et al., 2019). Para superar estas limitaciones, proponemos el uso de técnicas modernas de Machine Learning para medir la desigualdad de oportu- nidades. Este enfoque nos permite utilizar una aproximación basada en datos para abordar la selección de variables y sus interacciones, obteniendo así una medición más precisa de la desigualdad de oportunidades. Al emplear técnicas de ML, este informe amplía el relati- vamente limitado, aunque creciente número de estudios en la materia (p.ej.: Brunori et al., 2021; 2022). A diferencia de ellos, sin embargo, nos centramos en el ámbito de la educación e incorporamos algoritmos diferentes de ML, incluyendo métodos de regularización y otros basados en árboles.
13
Made with FlippingBook - Online Brochure Maker