Developing a Data-Driven Computational Framework for Scalable Special Education Practices for Autism and Intellectual Disabilities in the U.S. Public School System

Preprint que presenta un marco computacional basado en datos para mejorar la implementación escalable de prácticas fundamentadas en evidencia (EBP) en educación especial para niños con autismo (ASD) y discapacidades intelectuales (ID) en 20 escuelas públicas de Estados Unidos con 806 estudiantes y 412 docentes. El marco integra entrenamiento basado en competencias, coaching integrado, herramientas de monitoreo alineadas con sistemas de apoyo multinivel (MTSS), fusión multifuente de características, alineación temporal y modelos de aprendizaje automático (XGBoost y Transformer). Los resultados mostraron mejora en objetivos de Programas de Educación Individualizada (IEP), aumento de 0,7 en asistencia escolar, reducción de 0,16 en derivaciones disciplinarias por semestre e incremento de fidelidad de implementación del 63 % al 81 %, facilitando toma de decisiones interpretable, temporal y adaptativa en educación especial escalable.

Puntos clave

• El marco integra entrenamiento basado en competencias con coaching embebido y monitoreo alineado con sistemas de apoyo multinivel (MTSS) para mejorar la implementación de prácticas fundamentadas en evidencia en educación especial.
• La fusión de datos multifuente con modelos de aprendizaje automático (XGBoost y Transformer) permite análisis temporal y predicción adaptativa de resultados en estudiantes con autismo y discapacidades intelectuales.
• La implementación en 806 estudiantes de 20 escuelas produjo mejoras medibles: aumento en asistencia, reducción en derivaciones disciplinarias e incremento de fidelidad de 63 % a 81 % en aplicación de intervenciones.

Para quién: Docentes, administradores de educación especial y diseñadores de programas escolares que buscan implementar prácticas efectivas para estudiantes con autismo y discapacidades intelectuales mediante herramientas tecnológicas escalables.