Herramientas para el diseño de políticas orientadas a fomentar el desarrollo autorregulatorio de infancias expuestas a privaciones socioeconómicas

Resumen

• El desarrollo autorregulatorio es un proceso complejo que involucra fenómenos a diferentes niveles de organización, modulados por múltiples factores individuales y contextuales; y que contribuye con la adaptación individual a las demandas contextuales (e.g., socialización, adquisición de aprendizaje) durante todo el ciclo vital.
• La complejidad que caracteriza al desarrollo autorregulatorio impone desafíos múltiples para el diseño de intervenciones y políticas orientadas a fomentarlo en infancias expuestas a diferentes adversidades y privaciones.
• En la actualidad existen diferentes fuentes de información y metodologías analíticas que facilitan la exploración y el diseño de herramientas para la toma de decisión en el diseño, implementación y evaluación de intervenciones y políticas orientadas a fomentar el desarrollo autorregulatorio.
• Las oportunidades actuales pueden ser amplificadas a partir de la inversión en esfuerzos que impliquen el trabajo conjunto de diferentes sectores: tomadores de decisión, investigadores, profesionales y cuidadores de infancias de distintos sectores sociales.

 Complejidad del desarrollo autorregulatorio

Desde las perspectivas ecológicas el desarrollo humano es concebido como un proceso complejo que involucra múltiples cambios intra e interindividuales¹ de factores interdependientes de carácter biológico, psicológico, social, cultural e histórico (Lerner, 2018). En particular, la adquisición progresiva de diferentes formas de procesamiento emocional y cognitivo –que contribuyen con el desarrollo autorregulatorio²– ha demostrado ser influenciada por distintos aspectos relacionados con la salud, el cuidado y la educación de niñas y niños, así como también por diferentes eventos y conductas de actores sociales que desempeñan sus roles de cuidado en distintos contextos de desarrollo (e.g., hogar, escuela, sociedad) (e.g., McClelland et al., 2015). Es decir que lo que caracteriza al desarrollo autorregulatorio es la potencial variedad de experiencias y trayectorias.

En la medida en que las prácticas de cuidado son sensibles a las necesidades de salud, aprendizaje y crecimiento de niñas y niños, las diferentes modalidades que se implementan en los distintos contextos de desarrollo durante las primeras dos décadas de vida han demostrado desempeñar un rol de protección y de promoción del desarrollo autorregulatorio (e.g., Bradley, 2015). Al estudiar fenómenos de inequidad, la investigación neurocientífica, psicológica, histórica y sociológica ha identificado la importancia de considerar las privaciones individuales, familiares y comunitarias, así como también las barreras de carácter estructural que pueden legitimar la reproducción de inequidades (e.g., políticas, leyes, sistemas de cuidado) (Carli, 1999; Rabello de Castro, 2020).

Específicamente, entre el conjunto de factores que han sido asociados a cambios en la autorregulación cognitiva y emocional, se encuentran los siguientes: la historia de salud antes y después del nacimiento; la seguridad alimentaria; las características temperamentales de niños y niñas; la educación y la salud de cuidadoras y cuidadores; la cantidad de adultos a cargo del cuidado y su salud mental; los sucesos de vida negativos; las oportunidades para promover distintos aprendizajes en el hogar; las interacciones sociales en los contextos de crianza (e.g., hogar y escuela); la calidad estructural de la vivienda; el hacinamiento; y los modelos de roles sociales disponibles en la cultura de pertenencia (Berens et al., 2019; Fagbamigbe et al., 2020; O´Connor et al., 2021; Segretin et al., 2014; Yoshikawa et al., 2012). La evidencia generada por la investigación neurocientífica y psicológica sugiere que la probabilidad de evidenciar impactos en el desarrollo autorregulatorio por la ocurrencia de eventos adversos, puede ser modulada no solo por aspectos cuantitativos de tales factores (e.g., acumulación de factores de riesgo) y/o cualitativos (e.g., falta de promoción de la adquisición de aprendizajes en contextos de cuidado), sino además, por el momento del desarrollo en el cual éstos se presentan por primera vez, su perdurabilidad en el tiempo y la susceptibilidad de cada niño y niña a ellos (Beck et al., 2018; Bradley, 2015; Lipina, 2016; Obradovic et al., 2010). Tales eventuales impactos pueden afectar tanto a las niñas y niños, como a sus familias y comunidades en sus posibilidades y oportunidades para intervenir con el fin de afrontar las necesidades de desarrollo (Carli, 1999).

Desafíos para el diseño e implementación de políticas

Tales escenarios requieren de respuestas y propuestas basadas en diferentes tipos de información, tanto individual como contextual, lo cual genera demandas altas de recursos de diferente tipo para el diseño, implementación y evaluación de acciones. Por una parte, se requiere disponer de información desagregada³ sobre la salud, las habilidades autorregulatorias y de aprendizaje de diferentes grupos de niños y niñas, así como también de sus cuidadores proximales y de actores y sistemas de cuidado y educación en sus comunidades. Por otra parte, se requieren esfuerzos de colaboración entre científicos y hacedores de políticas para diseñar e implementar sistemas de gestión de esta información que permita combinar diferentes indicadores para sugerir posibles acciones adecuadas para grupos determinados de personas. Tal sistema de gestión requiere a su vez estar basado en criterios conceptuales provenientes de la evidencia de: (a) diferentes disciplinas científicas que se ocupan de estudiar el desarrollo autorregulatorio; (b) la implementación y evaluación de prácticas de cuidado (i.e., salud y educación); y (c) normas, valores y hábitos culturales. Todos estos aspectos pueden combinarse de distinta forma en diferentes grupos de niños y niñas, de manera que sus trayectorias de desarrollo autorregulatorio pueden variar e implicar diferentes tipos de necesidades u oportunidades. Por último, a estos desafíos conceptuales, metodológicos y logísticos, se agrega la necesidad de contar con información acerca de cuáles son las posibles acciones, intervenciones y políticas disponibles para estos grupos de niñas y niños en sus comunidades. Esta información es necesaria para comprender qué recursos son posibles de asignar para satisfacer necesidades pendientes, así como también para comprender qué respuestas y recursos no están disponibles aún y es necesario generar (Lipina, 2016).

Los consorcios para recolección de información longitudinal sobre el desarrollo autorregulatorio

En las últimas dos décadas, diferentes organismos multilaterales, agencias de gobiernos y grupos académicos en distintos países iniciaron la generación de bases de datos sincrónicas y/o longitudinales sobre diferentes aspectos de la salud, la educación y el desarrollo infantil, contemplando distintos niveles de organización (e.g., neural, cognitivo, conductual, familiar, social y cultural). Un primer ejemplo de este tipo de esfuerzos es el proyecto Young Lives⁴, un estudio longitudinal sobre pobreza, desigualdad y desarrollo humano que ha seguido las vidas de 12.000 niños en Etiopía, India, Perú y Vietnam desde el año 2001. A lo largo de dos décadas de investigación, Young Lives ha generado conocimientos sobre la dinámica de la pobreza y la desigualdad en las vidas de los niños, desde sus primeros años hasta la adolescencia y la edad adulta temprana, recolectando información individual y contextual, incluyendo aspectos del desempeño escolar y cognitivo. La misión de este proyecto es ofrecer evidencia que informe políticas sobre pobreza y desigualdad de potencial uso intersectorial en cada uno de los países. Un segundo ejemplo es el consorcio de investigación denominado Estudio del Desarrollo Cognitivo del Cerebro Adolescente⁵ (ABCD, por su sigla en inglés), que involucra a 21 centros de investigación que realizan el seguimiento longitudinal de registros genéticos, neurales, cognitivos, conductuales y sociodemográficos de 11.878 niñas y niños entre las edades de 9 y 10 años, hasta su adultez temprana. Un tercer ejemplo es el proyecto Learning Variability Network Exchange (LEVANTE)⁶, un esfuerzo iniciado en el año 2023 por la Fundación Jacobs de Suiza en sociedad con la Universidad de Stanford como centro coordinador. Este proyecto reúne a investigadores de todo el mundo y les proporciona una plataforma digital que les permite recopilar información sobre cómo varían diferentes aspectos del desarrollo (i.e., emocional, cognitivo, social) y del aprendizaje a nivel individual, interindividual, social y cultural. A partir del año 2025 comenzará a recolectar información en cohortes de niños de 2 a 12 años en todos estos aspectos.

En los tres casos mencionados como ejemplos, las bases de datos se ponen a disposición de investigadores de todo el mundo para ampliar la construcción de conocimientos sobre diferentes aspectos del desarrollo infantil, adolescente y adulto, incluyendo la autorregulación y su modulación por factores individuales y contextuales. No obstante, algunos de ellos (i.e., Young Lives, ABCD) tienen un alcance geográfico a nivel nacional. En el caso de LEVANTE la propuesta es invitar a grupos de investigación de distintos países en diferentes continentes, lo cual seguramente ampliará el alcance geográfico logrado por otros proyectos nacionales y regionales. Sin dudas, ello permitirá mejorar la calidad de los conocimientos a construir, aunque su generalización seguirá dependiendo de incluir información de diferentes sociedades y culturas. En cualquier caso, este tipo de esfuerzos en marcha son los que se requieren para abordar cualquier aspecto de la complejidad del desarrollo humano en general y del autorregulatorio en particular.

La recolección de información desagregada a nivel individual y contextual del desarrollo autorregulatorio es un aspecto fundamental y necesario de los esfuerzos para generar políticas, aunque no es suficiente. Los procesos de toma de decisión durante el diseño, implementación y evaluación de acciones orientadas a satisfacer necesidades del desarrollo autorregulatorio requieren combinar la información desagregada siguiendo los modelos conceptuales sostenidos por las diferentes disciplinas que se ocupan de construir tales conocimientos (i.e., psicología del desarrollo, neurociencia cognitiva, educación, sociología). En otros términos, identificar distintos grupos de niñas y niños con necesidades específicas y asignar posibles soluciones, requiere de una elaboración que articule riesgos, oportunidades y estados de desempeño y desarrollo específicos. Este tipo de esfuerzos aún no han sido desarrollados suficientemente en el ámbito científico y menos aún en el del diseño de políticas.

Exploraciones actuales para identificar grupos de niñas y niños con diferentes necesidades para su desarrollo autorregulatorio

En la actualidad las aplicaciones computacionales disponibles para el desarrollo de algoritmos y visualizaciones permiten generar de forma rápida mapas, cuadros, líneas de tiempo, gráficos, nubes de palabras e interfaces de combinación de factores y búsqueda de soluciones posibles, entre otras herramientas alternativas, para la identificación de necesidades y oportunidades específicas de diferentes grupos de población.

Distintos esfuerzos recientes comenzaron a explorar formas de abordar la complejidad del desarrollo infantil. Por ejemplo, el Human Early Learning Partnership (HELP)⁷ es un centro colaborativo de investigación y movilización de conocimientos con sede en la Universidad de la Columbia Británica (Canadá) que reúne experiencia de diferentes sectores (i.e., investigadores, educadores, funcionarios públicos) para contribuir con mejorar las condiciones que pueden promover el desarrollo humano para todas las niñas, los niños y sus familias. Este proyecto es un ejemplo específico de generación de insumos para informar el diseño e implementación de políticas para fomentar el desarrollo infantil. HELP recolecta datos que proporcionan información sobre cómo la salud y el bienestar social, y el desarrollo físico, emocional, y cognitivo de los niños en distritos de la Columbia Británica varían con el tiempo. Estos conocimientos permiten tomar decisiones basadas en evidencia para mejorar las inversiones en acciones específicas para distintos grupos de niños con el fin de fomentar el desarrollo infantil temprano. En la actualidad, HELP está implementando la octava ronda de evaluaciones, que incluye una serie de herramientas a nivel poblacional que pueden usarse para recopilar datos longitudinales sobre el desarrollo infantil y los factores contextuales que influyen sobre: evaluaciones estandarizadas del desarrollo motor, cognitivo y de lenguaje; actividad física; nutrición; exposición a pantallas; hábitos de sueño; acceso a sistemas de salud y cuidado infantil; cuestionarios sobre experiencias emocionales y sociales desde etapas tempranas; y aspectos sociodemográficos y culturales. Cada una de estas herramientas contribuyen con la construcción de mapas con información sobre diferentes niveles de riesgo, permitiendo visualizar diferentes grupos de necesidades y prioridades de intervención (Figura 1).

Figura 1 Mapas del área metropolitana de la ciudad de Vancouver (Columbia Británica, Canadá), que muestran la geolocalización de diferentes niveles de vulnerabilidad para el desarrollo cognitivo y de lenguaje (izquierda) y la madurez emocional (derecha) según los resultados en el Instrumento de Desarrollo Temprano (EDI, según su sigla en inglés). Adaptado con permiso de Human Early Learning Partnership (earlylearning.ubc.ca).

Los barrios, las ciudades y los estados son escenarios en los que se producen diferentes tipos de eventos vitales para diferentes grupos sociales. En tales escenarios, los mapas digitales vienen siendo un instrumento clave para identificar y resolver desafíos en las áreas de salud pública (Reich & Haran, 2018), del desarrollo económico (Klemens et al., 2015) y también del psicológico (Rentfrow & Jokela, 2016). Algunos desafíos que plantean el diseño e implementación de estos esfuerzos computacionales en el estudio del desarrollo humano en general, y el autorregulatorio en particular, se relacionan con que los datos individuales no necesariamente proporcionan información para responder preguntas que involucran procesos relacionales a diferentes escalas (e.g., interindividuales, sociales, culturales). Además, como cada fuente de datos contiene su propio conjunto de errores y complejidades, se requieren modelos conceptuales y métodos estadísticos adecuados para integrar información de distinto origen (Reich & Haran, 2018).

Otro de los instrumentos que han comenzado a diseñarse e implementarse con grandes bases de datos poblacionales para abordar problemas de salud pública y desarrollo humano, son los algoritmos que combinan diferentes formas de aprendizaje automático. Por ejemplo, Chittleborough y colegas (2014) utilizaron diferentes métodos analíticos con datos provenientes del Estudio Longitudinal Avon -que incluye a una población de 11.764 niños y niñas- para examinar los efectos simulados de intervenciones tempranas orientadas a promocionar diferentes habilidades académicas al inicio de la escolaridad primaria y en poblaciones expuestas a privación socioeconómica, sobre los logros educativos de los mismos niños y niñas a la edad de 16 años. Las intervenciones simuladas que tuvieron mayor frecuencia de implementación de las actividades mostraron una reducción del 5% de los efectos de tales tipos de desigualdades.

En América Latina también se ha comenzado a considerar el uso de bases de datos con información desagregada y la implementación de algoritmos orientados a identificar diferentes grupos con necesidades específicas para orientar la promoción de diferentes aspectos del desarrollo. Por ejemplo, la Fundación Paraguaya ha diseñado e implementado la herramienta Semáforo⁸, conformada por 50 indicadores que dan información sobre 6 dimensiones del desarrollo infantil, en cada una de las cuales se identifican diferentes niveles de riesgo y oportunidades en base a una encuesta virtual administrada a las familias, en la cual se les brinda además información y acceso a recursos para la salud, la educación y el desarrollo infantil. Por otra parte, el proyecto Poblaciones⁹ del Observatorio de la Deuda Social Argentina (ODSA) y del Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET) en Argentina es una plataforma abierta de datos espaciales que posibilita la consulta, visualización y carga de información georreferenciada para facilitar el acceso a información pública que contribuya con procesos de construcción de conocimiento orientados a mejorar la comprensión de temas sociales (e.g., incidencia de la pobreza sobre diferentes aspectos del desarrollo infantil, incluido el cognitivo); y para fomentar la colaboración entre investigadores y funcionarios de gobierno. Finalmente, diferentes investigaciones han utilizado herramientas metodológicas computacionales y estadísticas para generar información sobre la variabilidad de trayectorias en aspectos específicos de la salud infantil (e.g., Nuñez et al., 2020).

En general, en este tipo de esfuerzos aún no se verifica la implementación de consideraciones conceptuales sistémico-relacionales respecto del desarrollo humano en general, y del autorregulatorio en particular. Esto implica dos desafíos: (1) que aún es necesario avanzar y profundizar en la construcción teórica basada en evidencia de algoritmos que permitan asignar posibles intervenciones a diferentes perfiles de combinación de riesgos y oportunidades para el desarrollo autorregulatorio; y (2) que también es necesario incorporar al diseño de organismos las concepciones y prácticas de otros actores sociales (e.g., familias, docentes, pediatras), con el fin de evitar un exceso de sesgos académicos acerca de lo que significa el desarrollo autorregulatorio en una comunidad específica.

Un ejemplo de diseño basado en concepciones relacionales del desarrollo

En el año 2011, una agencia gubernamental de Argentina a cargo de la salud de niños y niñas de 0 a 6 años que vivían en una cuenca hidrográfica contaminada convocó a un grupo de investigadores de la Unidad de Neurobiología Aplicada (UNA) para colaborar con las evaluaciones del desarrollo y la búsqueda de alternativas para la atención de una diversidad de problemas del desarrollo. Previamente, habían implementado una prueba de pesquisa¹⁰ para detectar problemas del desarrollo motor, cognitivo y del lenguaje cuyos resultados mostraron que un 40% de los niños y niñas evaluados no alcanzaban los niveles mínimos esperados para su edad. La proyección de tal porcentaje a la población infantil de la cuenca hidrográfica implicaba 36.000 niños y niñas de 0 a 6 años. En consecuencia, tal dimensión de problemas de desarrollo imponía la necesidad de encontrar diferentes tipos de acciones que no se podrían ejecutar solamente en los centros de salud hospitalarios –los cuales en muchos casos no disponían del tipo de efectores requeridos por algunos de los problemas del desarrollo infantil que demandaban ser abordados-.

En base a conceptualizaciones relacionales del desarrollo humano, el equipo de investigación desarrolló un sistema de cálculo que articulaba un conjunto de reglas e instrucciones ordenadas de tal forma que su combinación secuenciada producía un resultado en términos de una derivación específica para un niño o niña y su familia (Lopez y Rosenfeld et al., 2019). En forma específica, dado un estado inicial de riesgos –alto, intermedio, ausente- para diferentes dimensiones del desarrollo (i.e., cognitivo y/o motor), temperamento (una medida de reactividad emocional) y estimulación del aprendizaje en el hogar (evaluada con el inventario HOME), y su combinación, se llegaba a un estado final (acción) que consistía en una indicación para que el niño o niña y sus cuidadores accedieran a un servicio público que satisficiera las necesidades planteadas por tal perfil específico de riesgos (Figura 2).

Al tratarse de una población de niños y niñas que en la prueba de pesquisa no habían alcanzado los niveles esperados según las normas de referencia, los conceptos de base para asignar acciones de derivación fueron tomados de la práctica clínica médica, psicológica y psicopedagógica, en base a un trabajo de colaboración con profesionales de la salud que desarrollaban sus prácticas en hospitales pediátricos de la ciudad de Buenos Aires.

Figura 2 Tabla de combinación de riesgos (verde: ausencia; amarillo: intermedio; rojo: alto), a nivel del desarrollo (i.e., motor y/o cognitivo), temperamento y del hogar, y de las posibles intervenciones a implementar. La asignación de colores para los diferentes niveles de riesgo está basada en los umbrales de riesgo propuestos por cada instrumento utilizado, o bien -cuando esta información no estaba disponible- en criterios percentilares. Las acciones sugeridas se basan en criterios de intervención clínicos interdisciplinarios de uso habitual en servicios pediátricos de hospitales públicos de la Ciudad de Buenos Aires.

Este sistema permite analizar al mismo tiempo varios niveles de análisis de riesgo o promoción de diferentes aspectos del desarrollo y de actividades en el hogar; y sugerir, en base a ellos, potenciales soluciones específicas que pueden tomar la forma de la atención de tales necesidades a nivel clínico (centro de salud), de desarrollo social (e.g., centro de desarrollo infantil) y/o educativo (e.g., escuelas, centros comunitarios). Dado que este sistema fue diseñado en base a una conceptualización multidimensional del desarrollo humano, permite incorporar en su secuencia de cálculo datos provenientes de diferentes tipos de instrumentos de evaluación del desarrollo; lo cual le confiere al método flexibilidad para incorporar más niveles a combinar y el uso de instrumentos culturalmente pertinentes.

Una vez finalizada la colaboración con el organismo gubernamental, el grupo de investigación continuó explorando nuevas aplicaciones, tanto para la construcción de conocimiento sobre el desarrollo autorregulatorio como para contribuir con el diseño de herramientas de potencial uso para la toma de decisiones en el diseño e implementación de políticas. Por ejemplo, el sistema de combinación de riesgos fue implementado nuevamente con una base de datos de un estudio de intervención cognitiva para niños de 3 a 5 años provenientes de diferentes contextos socioeconómicos de la ciudad de Buenos Aires. Al igual que en el caso descripto en el apartado previo, se utilizaron los mismos indicadores para los niveles análisis (i.e., cognición, temperamento y hogar) y de riesgo (ausente, medio y alto para los colores verde, amarillo y rojo, respectivamente) definidos en función de comparar el valor para los indicadores obtenido localmente con el esperado para el contexto de cada niño o niña. Es importante aclarar que tal objetivo no implica que las visualizaciones reemplazan a métodos estadísticos que permiten cuantificar los efectos observados, sino que contribuyen con desarrollar intuiciones y nuevas hipótesis que eventualmente podrían ser evaluadas estadísticamente. En la Figura 3 se ilustran las trayectorias de los desempeños de niñas y niñas en diferentes rondas de evaluación durante la intervención cognitiva. Estas trayectorias muestran evoluciones variables entre individuos, lo cual permite hacer un seguimiento individual o de subgrupos de niñas y niños con distintas necesidades.

Figura 3 Diagrama de Sankey que muestra la evolución del desempeño cognitivo de un grupo de niñas y niños de 3 a 5 años de un estudio de intervención realizado en la ciudad de Buenos Aires (Segretin et al., 2014). Cada código alfanumérico representa un niño o niña. Cada columna es una ronda de evaluación. Los conjuntos de colores representan el estado de riesgo al inicio (izquierda) y al final (derecha) del estudio.

Conclusiones

En síntesis, la identificación de factores de riesgo y de promoción del desarrollo autorregulatorio ha sido ampliamente explorada en las literaturas de las ciencias del desarrollo en diferentes sociedades, de lo cual surge la necesidad de considerar la variabilidad de trayectorias y la identificación de diferentes necesidades para su promoción en el contexto de características sociales y culturales específicas. Por otra parte, también se verifican preliminarmente en la literatura científica y en diferentes esfuerzos de organismos multilaterales, gubernamentales y no gubernamentales, esfuerzos para construir sistemas computacionales que permitan contribuir con procesos de toma de decisión para orientar el diseño e implementación de acciones (e.g., intervenciones, políticas) orientadas a la promoción de distintos aspectos del desarrollo autorregulatorio. No obstante, no se verifica aún una exploración teórico-metodológica relacional que alimente tales sistemas computacionales; ni la inclusión en tales considerandos de las representaciones de niñas, niños y los actores sociales involucrados en diferentes prácticas de cuidados de las infancias. En tal sentido, resulta pertinente generar instancias de colaboración intersectorial en la que tomadores de decisiones, investigadores, organizaciones no gubernamentales y diferentes sectores sociales dedicados al cuidado y educación de niñas y niños co-diseñen y co-implementen intervenciones que informen políticas social y culturalmente pertinentes para las infancias de cada comunidad.

Referencias

1. Beck, A., Franz, C.E., Xian, H., Vuoksimaa, E., Tu, X., Reynolds, C.A., et al. (2018). Mediators of the effect of childhood socioeconomic status on late midlife cognitive abilities: A four-decade longitudinal study. Innovation in Aging, 2, igy003. doi:10.1093/geroni/igy003.
2. Berens, A.E., Kumar, S., Tofail, F., Jensen, S.K.G., Alam, M., Haque, R., et al. (2019). Cumulative psychosocial risk and early child development: validation and use of the Childhood Psychosocial Adversity Scale in global health research. Pediatric Research, 86, 766–775
3. Bradley, R.H. (2015). Socioeconomic Status. Encyclopedia of Mental Health, 4, 196-210.
4. Carli, S. (1999). La infancia como construcción social. Buenos Aires: Ediciones Santillana, pp. 11-40.
5. Chittleborough, C.R., Mittinty, M.N., Lawlor, D.A., & Lynch, J.W. (2014). Effects of simulated interventions to improve school entry academic skills on socioeconomic inequalities in educational achievement. Child Development, 85, 2247-2262.
6. Fagbamigbe, A.F., Kandala, N.B., & Uthman, O.A. (2020) Mind the gap: What explains the poor-nonpoor inequalities in severe wasting among under five children in low- and middle-income countries? Compositional and structural characteristics. PLoS ONE 15, 11, e0241416.
7. Klemens, B., Coppola, A., & Shron, M. (2015). Estimating local poverty measures using satellite images. A pilot application to Central America. Policy Research Working Paper 7329. Washington DC: World Bank.
8. Lerner, R.M. (2018). Concepts and theories of human development (4^th Edition). New York: Routledge.
9. Lipina, S.J. (2016). Pobre cerebro. Buenos Aires: Siglo XXI Editores.
10. López Rosenfeld, M., Segretin, M.S., & Lipina, S.J. (2019). Exploraciones interdisciplinarias para el escalamiento de intervenciones experimentales. En Exploraciones neurocientíficas de la pobreza (S.J. Lipina, M.S. Segretin, Eds.). Erice, Italy: International School of Mind, Brain, and Education – Ettore Majorana Foundation for Scientific Culture.
11. McClelland, M. M., Geldhof, G. J., Cameron, C. E., & Wanless, S. B. (2015). Development and Self-Regulation. In R. M. Lerner (Ed.), Handbook of Child Psychology and Developmental Science (Vol. I, pp. 523-565). Hoboken: Wiley.
12. Nuñez, P.A., Fernández, M.S., Turjanski, P., Pérez, A., Rivero, M.R., De Angelo, C., et al. (2020). Substantial reduction in child stunting is differentially associated to geographical and socioeconomic disparities in Misiones Province, Argentina. Tropical Medicine & International Health, 25, 874-885.
13. O´Connor, D.B., Thayer, J.F., & Vedhara, K. (2021). Stress and health: A review of psychobiological processes. Annual Review of Psychology, 72, 4-26.
14. Obradovic, J., Bush, N.R., Stamperdahl, J., Adler, N.E., & Boyce, W.T. (2010). Biological sensitivity to context: The interactive effects of stress reactivity and family adversity on socioemotional behavior and school readiness. Child Development, 81, 270-289.
15. Rabello de Castro, L. (2020). Why global? Children and childhood from a decolonial perspective. Childhood, 27, pp. 48-62.
16. Reich, B.J., & Haran, M. (2018). Precision maps for public health. Nature, 555, 32-33.
17. Rentfrow, P.J., & Jokela, M. (2016). Geographical psychology: The spatial organization of psychological phenomena. Current Directions in Psychological Science, 25, 393-398.
18. Segretin, M.S., Lipina, S.J., Hermida, M.J., Sheffield, T., Nelson, J.M., Espy, K.A., Colombo, J.A. (2014). Predictors of cognitive enhancement after training in a sample of Argentinean preschoolers from diverse socioeconomic backgrounds. Frontiers in Developmental Psychology, 13, A205.
19. Yoshikawa, H., Aber, J.L., & Beardslee, W.R. (2012). The effects of poverty on the mental, emotional, and behavioral health of children and youth: implications for prevention. American Psychologist, 67, 272-284.

¹ Los cambios intraindividuales son aquellos que se producen en una misma persona, mientras que los interindividuales refieren a aquellos que se producen entre grupos de personas diferentes.
² Autorregulación es un constructo psicológico que hace referencia a diferentes procesos involucrados en la regulación de emociones, pensamientos y conductas durante actividades orientadas al logro de objetivos, como por ejemplo la adquisición de aprendizajes y la socialización temprana en el hogar y en la escuela.
³ Los datos desagregados se refieren a los componentes individuales de la información obtenida en una investigación estadística. Estos datos pueden ser información numérica o no numérica que ha sido tomada de diversas fuentes, medidas, variables e individuos.
⁴ https://www.younglives.org.uk/
⁵ https://abcdstudy.org/
⁶ https://jacobsfoundation.org/activity/the-learning-variability-network-exchange-levante/
⁷ https://earlylearning.ubc.ca/
⁸ “Activemos el potencial de las familias”: povertystoplight.org
⁹ https://poblaciones.org
¹⁰ Este tipo de instrumentos no permiten determinar diagnósticos, sino que identifican potenciales signos de problemas. En consecuencia, determinar de qué problemas se trata requiere de una instancia diagnóstica ulterior.