A novel machine learning approach for evaluation of public policies: An application in relation to the performance of university researchers

Abstract

La investigación se ha convertido en el principal punto de referencia de la vida académica en las universidades modernas. Los incentivos a la investigación han sido un tema controvertido, debido a la dificultad de identificar quiénes son los principales beneficiarios y cuáles son los efectos a largo plazo. Aun así, se han adoptado nuevas políticas que incluyen incentivos financieros para aumentar la producción investigadora a todos los niveles posibles. Se ha dedicado poca literatura a la respuesta a esos incentivos. Para colmar esta laguna, realizamos nuestro análisis con datos de un programa de seis años desarrollado en Madrid (España). En lugar de utilizar un enfoque econométrico tradicional, diseñamos un modelo multinivel de aprendizaje automático para descubrir sobre quién, cuándo y durante cuánto tiempo tienen efecto esas políticas. El modelo empírico consiste en una agrupación longitudinal anidada automatizada (ANLC) realizada en dos etapas. En primer lugar, realiza una estratificación de los académicos y, en segundo lugar, realiza una segmentación longitudinal para cada grupo. La segunda parte considera la información sociodemográfica y académica de los investigadores y la evolución de su rendimiento a lo largo del tiempo en forma de variación porcentual anual de sus notas durante el periodo. La nueva metodología, cuya robustez se comprueba con una red neuronal artificial perceptrón multicapa con un algoritmo de aprendizaje de retropropagación, muestra que los investigadores titulares presentan una mejor respuesta a los incentivos que los titulares, y también que el género desempeña un papel importante en el mundo académico.