Nuestro estudio sigue el desarrollo de 105 niños rumanos entre 3 y 5 años (edad media: 51 meses), inscritos en un programa de desarrollo apoyado por una ONG. Cada niño se somete a una evaluación previa y posterior basada en la Evaluación del Desarrollo de Niños Pequeños (DAYC), una herramienta estándar utilizada para rastrear el progreso en el desarrollo infantil temprano y detectar retrasos. Los datos se recopilan de tres fuentes: maestro, padre/cuidador y especialista, abarcando cuatro dominios de desarrollo y una escala de comportamiento adaptativo. Existen sesgos subjetivos; sin embargo, en la evaluación posterior, las evaluaciones de los maestros y padres convergen. Los resultados de las pruebas confirman una mejora significativa en todas las áreas, siendo la más alta en habilidades cognitivas y la más baja en desarrollo físico. También aplicamos métodos de aprendizaje automático para imputar datos faltantes y predecir el probable progreso futuro de un estudiante dado en el programa basado en la entrada inicial, al mismo tiempo que evaluamos la influencia de factores ambientales. Nuestros modelos de regresión en conjunto ponderados se combinan con el análisis de componentes principales (PCA) y producen coeficientes de determinación promedio para las características de interés. Además, realizamos agrupamiento k-means en el plano de progreso cognitivo vs. social-emocional y consideramos el problema de clasificación de predecir el grupo al que eventualmente se asignaría a un estudiante dado, con un puntaje ponderado y un área bajo la curva (AUC) promediada macro. Esto podría ser útil en la práctica para la formación optimizada de grupos de estudio. También exploramos la clasificación como un medio para imputar datos categóricos faltantes, por ejemplo, educación, empleo o estado civil de los padres. Nuestros algoritmos proporcionan soluciones con un puntaje que varía de y, respectivamente, un AUC entre y 1.