Repositorio Institucional CIDE

Retos y desafíos en la implementación de la educación inclusiva: diagnóstico a nivel de burocracia de calle en Guanajuato y centrada en la comunidad con la Condición del Espectro Autista

2026-03-05T03:30:32Z

Retos y desafíos en la implementación de la educación inclusiva: diagnóstico a nivel de burocracia de calle en Guanajuato y centrada en la comunidad con la Condición del Espectro Autista Esta investigación analiza los retos y desafíos de la educación inclusiva en las escuelas públicas de Guanajuato. Bajo el enfoque de la burocracia a nivel de calle, se examina cómo las incertidumbres sobre la política, la disponibilidad de recursos, las condiciones laborales, y las ideologías respecto a la discapacidad y las condiciones neurodivergentes del personal docente influyen en la implementación de la política. Mediante una metodología cualitativa (un cuestionario dirigido a la comunidad docente y entrevistas a actores estratégicos), se identifica una brecha persistente entre el marco normativo y la realidad escolar. Entre las barreras que limitan el derecho a la educación inclusiva están: el estancamiento en la cobertura de los servicios de apoyo, la falta de recursos especializados, la capacitación insuficiente, la carencia de espacios de diálogo y de redes de apoyo y la presencia de prejuicios capacitistas. El estudio concluye que la inclusión es un proceso colectivo y sistémico, recomendando superar la “trampa de las capacidades institucionales” y adaptar la política a cada contexto local mediante la metodología PDIA, la Gestión Pública Colaborativa entre diversos sectores y actores, así como, la promoción de una cultura de responsividad y empatía para construir entornos educativos más inclusivos y equitativos.; This research analyzes the challenges of inclusive education in public schools in Guanajuato. Using a street-level bureaucracy approach, it examines how uncertainties about policy, resource availability, working conditions, and teaching staff ideologies regarding disability and neurodivergent conditions influence policy implementation. Using a qualitative methodology (a questionnaire for the teaching community and interviews with key players), it identifies a persistent gap between the regulatory framework and the reality in schools. Barriers limiting the right to inclusive education include stagnation in the coverage of support services, lack of specialized resources, insufficient training, lack of spaces for dialogue and support networks, and the presence of ableist prejudices. The study concludes that inclusion is a collective and systemic process, recommending overcoming the “institutional capacity trap” and adapting policy to each local context through the PDIA methodology, collaborative public management among various sectors and actors, and the promotion of a culture of responsiveness and empathy to build more inclusive and equitable educational environments.

La securitización del espacio fronterizo como un proceso gradual, un enfoque multicausal desde la migración

2026-03-05T03:30:27Z

La securitización del espacio fronterizo como un proceso gradual, un enfoque multicausal desde la migración Esta tesina se propone investigar la securitización de las fronteras desde la migración como un proceso gradual y multicausal por medio del análisis de las fronteras norte y sur de México entre 2017 y 2024. A partir de un enfoque cualitativo y comparado, se emplean dos técnicas: la primera, el análisis documental del marco normativo, la política migratoria mexicana, discursos oficiales de los presidentes de los casos involucrados en la temporalidad establecida y reportes institucionales de Organizaciones Internacionales y Organizaciones no Gubernamentales; mientras que la segunda técnica son entrevistas a profundidad con personas involucradas en la política y gestión migratoria. Los hallazgos muestran que la securitización de las fronteras no es un fenómeno binario como sostiene la teoría clásica, sino un proceso gradual cuya intensidad varía en función de los siguientes factores: discurso criminalizante de la migración, la presión de actores externos, la inefectividad de las políticas migratorias y la amenaza a la seguridad humana. El aporte metodológico de esta investigación viene en dos sentidos, el primero, un índice categórico que permite medir el grado de securitización de las fronteras; el segundo, las herramientas para realizar un análisis documental que permita explicar el grado de securitización. Ambos aportes ofrecen un marco analítico, flexible y replicable, útil para estudios posteriores. Las limitaciones de esta investigación radican en el corto universo de casos analizados, así como la generalidad del estudio sin distinguir entre zonas de la frontera. En conjunto, los resultados subrayan la necesidad de abordar el estudio de las fronteras desde una perspectiva crítica, sensible a las dinámicas locales y a las configuraciones geopolíticas que moldean la gobernanza migratoria contemporánea.

Aprender para decidir mejor: reglas de asignación óptima y causal machine learning para reducir la pérdida de impacto en programas públicos

2026-03-03T03:30:34Z

Aprender para decidir mejor: reglas de asignación óptima y causal machine learning para reducir la pérdida de impacto en programas públicos La presente tesis doctoral analiza el fenómeno del voltage drop en las políticas públicas, entendido como la pérdida sustantiva de efectividad que experimentan los programas cuando son adoptados o replicados en contextos distintos a aquellos en los que fueron originalmente diseñados. La evidencia empírica muestra que esta caída de impacto puede alcanzar magnitudes elevadas, lo que representa un desafío central para la evaluación de impacto y la transferencia de políticas basadas en evidencia. El argumento principal de la investigación sostiene que una de las causas fundamentales del voltage drop radica en las limitaciones de los enfoques tradicionales de evaluación de impacto, particularmente aquellos basados en ensayos aleatorios controlados (RCT) y en la estimación del efecto promedio del tratamiento (ATE). Si bien estas metodologías ofrecen altos niveles de validez interna, su énfasis en efectos promedio tiende a ocultar la heterogeneidad de los efectos entre subgrupos poblacionales, lo que conduce a extrapolaciones imprecisas y, en última instancia, a pérdidas de impacto cuando los programas se implementan en nuevos contextos. Frente a esta limitación, la tesis propone un marco metodológico basado en el Causal Machine Learning (CML), que permite identificar y explotar la heterogeneidad de los efectos de tratamiento mediante la estimación del efecto promedio del tratamiento condicional (CATE). Este enfoque posibilita un análisis más fino de cómo y para quién funcionan las políticas públicas, abriendo la puerta al diseño de intervenciones más adaptativas y focalizadas. La investigación se estructura en tres capítulos. El primero revisa críticamente el uso de los RCT y del ATE como estándar de evaluación, destacando sus límites para la generalización externa. El segundo introduce herramientas de CML, como los bosques aleatorios causales y las reglas de predicción de ensamble, y muestra, a partir de un programa de microcrédito en México, que la focalización basada en subgrupos con mayores efectos condicionales puede reducir la pérdida de impacto. El tercer capítulo integra estas herramientas con el enfoque de aprendizaje de políticas, traduciendo la heterogeneidad estimada en reglas óptimas de asignación. Mediante un análisis comparado entre México y Bosnia-Herzegovina, se evidencia que el valor de explotar la heterogeneidad es contingente al contexto, lo que subraya la importancia de la parsimonia metodológica. En conjunto, la tesis concluye que incorporar de manera sistemática el análisis de la heterogeneidad de los efectos permite reducir significativamente el voltage drop en la adopción de políticas públicas. Al transitar de una lógica centrada en efectos promedio hacia una basada en efectos condicionales y reglas de asignación óptima, es posible maximizar el impacto social y mejorar la eficiencia en el uso de los recursos públicos. El principal aporte del trabajo consiste en ofrecer un marco metodológico que no solo explica la pérdida de impacto, sino que proporciona una hoja de ruta para anticiparla y mitigarla en el diseño de políticas públicas más efectivas.; This doctoral dissertation examines the phenomenon of voltage drop in public policy, defined as the substantial loss of effectiveness that programs experience when replicated outside their original design context. Empirical evidence shows that impact reductions can be large, posing a central challenge for impact evaluation and evidence-based policy transfer. The dissertation argues that a key driver of voltage drop lies in the limitations of traditional evaluation approaches based on randomized controlled trials (RCT) and the estimation of the average treatment effect (ATE). While these methods provide strong internal validity, their focus on average effects obscures treatment effect heterogeneity, leading to inaccurate extrapolation and reduced effectiveness in new implementation settings. To address this limitation, the study proposes a framework grounded in causal machine learning, which estimates the conditional average treatment effect (CATE) to identify for whom and under what conditions policies work. This enables more adaptive and targeted interventions. The dissertation is organized in three chapters. The first critically assesses RCT- and ATE-based evaluation as a standard for external validity. The second introduces causal forests and ensemble prediction rules, showing—using a microcredit program in Mexico—that targeting subgroups with larger conditional effects reduces voltage drop. The third integrates these tools with policy learning, translating estimated heterogeneity into optimal assignment rules. A comparative analysis between Mexico and Bosnia-Herzegovina demonstrates that the value of exploiting heterogeneity is context-dependent, highlighting the importance of methodological parsimony. Overall, incorporating systematic heterogeneity analysis significantly reduces voltage drop in policy adoption. Moving from average-effect reasoning to conditional-effect targeting improves social impact and resource efficiency while providing a practical roadmap for designing more effective public policies.

El uso de la inteligencia artificial como herramienta de apoyo para la toma de decisiones en el sector público: el caso del sistema judicial mexicano

2026-02-28T03:30:33Z

El uso de la inteligencia artificial como herramienta de apoyo para la toma de decisiones en el sector público: el caso del sistema judicial mexicano Este estudio tiene como propósito examinar el impacto del uso de la Inteligencia Artificial (IA) en la toma de decisiones dentro del sistema judicial mexicano, identificando una brecha significativa en la literatura existente relacionada con cómo la autonomía algorítmica afecta la percepción de transparencia, la confianza y la percepción de eficiencia por parte de los funcionarios públicos. Motivada por la creciente adopción de IA en el sector público, la investigación evalúa cómo la autonomía de los algoritmos influye en la aceptación de decisiones automatizadas por parte de los funcionarios públicos. Utilizando una metodología de viñetas que simula escenarios judiciales como narcotráfico y delincuencia organizada; y demanda de amparo por detención en estado de ebriedad, se analizaron las respuestas de 51 funcionarios. Los resultados revelan que, en el caso de narcotráfico, la autonomía no mostró un efecto lineal significativo, pero se identificó un escepticismo profundo y consistente en los mandos operativos y el personal con mayor experiencia, quienes perciben menor transparencia, confianza y eficiencia. En contraste, para el escenario de amparo, donde se afectan derechos fundamentales de manera inmediata, la autonomía alta mostró una tendencia negativa en la percepción de transparencia y sí redujo de manera significativa tanto la confianza (-1.33, p<0.05) como en la eficiencia percibida (1.37, p<0.05), confirmando que, en contextos de urgencia y alto impacto legal, la automatización elevada socava la legitimidad de las decisiones. Este estudio contribuye al debate sobre la implementación de IA en el sector público, particularmente en el sistema judicial, al proporcionar evidencia empírica de los desafíos asociados con la autonomía algorítmica y propone un marco de política pública replicable, para integrar la IA de manera ética, legítima y efectiva no solo en la justicia, sino en el sector público en general, asegurando que la tecnología sirva a las personas.; This study aims to examine the impact of using Artificial Intelligence (AI) in decision-making within the Mexican judicial system, identifying a significant gap in the existing literature regarding how algorithmic autonomy affects public officials’ perceptions of transparency, trust, and efficiency. Motivated by the growing adoption of AI in the public sector, the research assesses how the autonomy of algorithms shapes public officials’ acceptance of automated decisions. Using a vignette-based methodology that simulates judicial scenarios such as drug trafficking and organized crime, and an amparo proceeding claim for detention while intoxicated, responses from 51 officials were analyzed. The results show that, in the drug-trafficking case, autonomy did not exhibit a significant linear effect; however, deep and consistent skepticism was identified among operational-level managers and more experienced personnel, who perceive lower transparency, trust, and efficiency. By contrast, in the amparo scenario, where fundamental rights are immediately affected, high autonomy showed a negative trend in perceived transparency and significantly reduced both trust (-1.33, p<0.05) and perceived efficiency (1.37, p<0.05), confirming that, in urgent contexts with high legal impact, high levels of automation undermine the legitimacy of decisions. This study contributes to the debate on implementing AI in the public sector, particularly in the judicial system, by providing empirical evidence of the challenges associated with algorithmic autonomy and by proposing a replicable public policy framework to integrate AI ethically, legitimately, and effectively not only in justice, but across the public sector more broadly, ensuring that technology serves people.