CONICET | Buscador de Institutos y Recursos Humanos

Si bien existen antecedentes en el ámbito de selección y entrenamiento de las fuerzas armadas y de seguridad, son escasas las investigaciones en nuestro país y en América Latina que validaron procedimientos para la selección de candidatos a cadetes para fuerzas de seguridad nacional. Los estudios reportados en Europa y USA utilizaron aproximaciones estadísticas clásicas que si bien fueron útiles para la predicción del desempeño en este tipo de puestos, no contemplan la complejidad del fenómeno. Además, estos métodos no demostraron ser precisos ni buenos detectores de los mejores candidatos a mediano/largo plazo. En Argentina, los procesos de selección siguen criterios poco estandarizados y con insuficiente evidencia de validez empírica. Esto puede tener graves consecuencias, no solo por los altos costos del entrenamiento en instituciones con régimen de internado, sino también por los riesgos de vida que conlleva un inadecuado desempeño en estos puestos. Este estudio presenta resultados preliminares de un proyecto actual que busca desarrollar un sistema predictivo robusto utilizando machine learning para una selección más precisa de los mejores candidatos a gendarme. Las redes neuronales artificiales (RNA) han sido muy utilizadas en campos como la ingeniería, meteorología, oceanografía, economía, lucha contra el terrorismo y últimamente en la educación. Objetivo: Desarrollar un sistema predictivo que permita seleccionar con alta precisión a aquellos candidatos que mejor se ajusten al perfil apropiado de un gendarme (en un momento preciso de su carrera), aplicando machine-learning con RNA. El primer objetivo fue identificar al grupo de mejor desempeño al finalizar el primer año en el lugar destino (puesto de oficial en la primera jerarquía de la carrera).Método: Participaron 207 Subalfereces, ambos sexo (Masculino: 79.7%), edades entre 18 y 23 años, cohorte 2014. Se registraron el promedio académico de egreso del instituto universitario, el promedio académico del cuarto año universitario realizado en un CEPE, la calificación de desempeño de ese mismo año, y la calificación del primer año en el puesto (2018). Se realizaron cluster análisis (método K-medias) utilizando la calificación de destino 2018 para establecer los grupos de pertenencia. Se llevaron a cabo análisis de regresión logística (RL) y RNA (multilayer perceptron) con un algoritmo de retro-alimentación para obtener una clasificación predictiva del grupo con la mejor calificación en el primer año de destino. Resultados: Después de 7 iteraciones, el cluster análisis halló cuatro grupos significativamente distintos en cuanto al desempeño en el lugar de destino (F= 408.793; p< .001). El análisis de RNA logró identificar con un 100% de precisión al grupo de mejor calificación (n=47, verdaderos positivos) y al grupo no target (verdaderos negativos) tanto en la fase de entrenamiento como en la de testing, y con un 90.9% de precisión total en la fase de validación. El modelo de RL resultó significativo (x2=41.773, p< .001; gl=4) y logró un adecuado ajuste pero sólo un 27% de la variancia fue explicada por los predictores (Nagelkerke?s R2=.27). Si bien la RL logró una precisión total de 82.6% presentó un mayor porcentaje de falsos negativos (60%) y solamente un porcentaje de 40.4% de los verdaderos positivos. Discusión: Estos modelos preliminares de RN demostraron que es una metodología robusta para la identificación del grupo de gendarmes con mejor desempeño y de aquellos factores que más influyen (de los disponibles en este momento). Este es un primer paso para continuar luego con la selección de aquella información preliminar de los candidatos a gendarmería, asociada con los predictores de este estudio, ampliando la validez y efectividad de la clasificación con el agregado de información proveniente de diversas fuentes y que esté disponible al momento que la persona presente su aplicación como candidato a gendarme.