INFORME 2023 MERITOCRACIA Y EDUCACIÓN
iniciales se vuelve fundamental para analizar la legitimidad moral de la concepción actual de la meritocracia. Estos elementos – las percepciones de la ciudadanía acerca de la meritocracia, la apa- rente ineficacia de las políticas públicas y la importancia de la educación en la desigual- dad – plantean la necesidad de un análisis profundo en torno a tres preguntas cruciales. Primero, ¿en qué medida se ve determinado el rendimiento educativo en la adolescencia por el nivel socioeconómico familiar? Segundo, ¿cómo se distribuyen las oportunidades educa- tivas de acuerdo a circunstancias individuales que nada tienen que ver con el mérito perso- nal, y que están fuera del control de cada uno, como el sexo o el lugar de nacimiento? Final- mente, ¿qué políticas públicas o instituciones pueden ayudar a mitigar estas desigualdades educativas? Con el objetivo de abordar estas preguntas, este estudio presenta nueva evidencia sobre el grado de desigualdad de oportunidades y movilidad social educativa en 35 países utili- zando datos de PISA 2018. Para ello, emplea- mos técnicas modernas de Machine Learning (ML) que nos permiten analizar la desigualdad de oportunidades desde una perspectiva poco explorada hasta la fecha. Impulsado por los campos de la informática y la estadística, el ML se refiere a un conjunto de técnicas y algoritmos de aprendizaje automático para realizar labores de predicción. A diferencia de las técnicas tradicionales, los algoritmos de ML permiten explorar de forma flexible y automática interacciones complejas en los datos. Esta ventaja resulta particularmente interesante para analizar la desigualdad de oportunidades educativas, ya que nos permite considerar la influencia de las circunstancias fuera del control individual de manera más completa. Desde esta perspectiva, nuestra aplicación de ML constituye una aproxi- mación novedosa para estudiar la equidad educativa a través de un enfoque basado en datos, reduciendo así el riesgo de infraestimar
o sobrestimar la verdadera desigualdad de oportunidades.
El análisis se estructura en tres partes princi- pales. En la primera parte, nos centramos en cuantificar la movilidad social educativa para comprender hasta qué punto los niños de familias más desaventajadas obtienen peores puntuaciones en PISA de manera sistemática. Para ello, utilizamos varios indicadores para medir la movilidad social absoluta y relativa, estableciendo la relación entre el nivel socioe- conómico de los padres y los resultados en el examen de matemáticas de sus hijos. En la segunda parte del estudio, utilizamos varios algoritmos de Machine Learning para estimar la desigualdad de oportunidades a nivel nacio- nal y regional. De esta manera, tratamos de cuantificar qué proporción de las diferencias educativas en PISA se deben a circunstancias que escapan del control de los niños, como su sexo, país y mes de nacimiento, así como la educación y ocupación de sus padres. En la última parte del estudio, relacionamos las variaciones obtenidas entre países en las dos secciones anteriores junto con diferentes indicadores económicos y educativos que reflejan las políticas públicas en estos ám- bitos. A través de un análisis de correlación, exploramos si existe una asociación entre los indicadores de desigualdad de oportunidades y las políticas implementadas, buscando así evidencia sobre qué intervenciones podrían ayudar a mitigar las desigualdades educativas identificadas. Consideraciones previas. – Los resultados del estudio se limitan a analizar la movilidad social y la desigualdad de oportunidades utili- zando datos de PISA. Dado que en España la desigualdad educativa opera principalmente a través de la repetición y el abandono educati- vo temprano, este estudio ofrece una imagen parcial del sistema educativo. Para realizar un análisis exhaustivo de la equidad educativa en España, sería necesario utilizar un marco con- ceptual que incluya otras medidas de apren- dizaje y logro educativo. Pese a su interés y
7
Made with FlippingBook - Online Brochure Maker