Effettua la tua ricerca
More results...
Il sistema universitario italiano continua a confrontarsi con il fenomeno della dispersione studentesca, che rappresenta una preoccupazione per le istituzioni accademiche e per il Paese nel suo complesso. Nonostante l’incremento del numero di laureati, l’Italia continua a restare indietro rispetto agli altri paesi europei.
Nel 2020, il tasso di laureati nella fascia di età 30-34 anni era del 27,2%, ben al di sotto della media europea del 41%. Paesi come il Lussemburgo e Cipro superano il 60%, mentre la Francia raggiunge il 48,8% (AlmaLaurea, 2021; OECD, 2021). Questo divario richiede una riflessione approfondita sulle necessità di riforma del sistema universitario italiano.
Gli studenti rappresentano gli utenti del sistema universitario, ma anche una delle più importanti risorse con cui un Paese costruisce il proprio futuro. Così, il fenomeno del ritardo nel conseguimento della laurea e, ancor più, dell’abbandono degli studi ha ripercussioni negative su più fronti: sull’istituzione, in termini di riduzione dei finanziamenti e delle entrate, nonché del prestigio, degli atenei; sul versante socio-economico del Paese, per il mancato ritorno degli investimenti fatti per la crescita di competenze; e, infine, un costo sugli studenti, che devono ripensare e riorientare il proprio percorso di vita.
Per l’Università risulta, dunque, importante essere in grado di effettuare delle previsioni sugli esiti delle carriere accademiche dei propri studenti. Infatti, sapere se e quanti utenti sono a rischio di non completare il proprio percorso di studi, consente all’Università di intervenire con azioni di supporto e orientamento, aiutando gli studenti a proseguire e ultimare gli studi.
La tecnologia a supporto delle carriere accademiche
Un potenziale cambio di rotta potrebbe venire dall’uso crescente delle tecnologie legate all’Intelligenza Artificiale, che stanno emergendo come strumenti cruciali per analizzare e prevedere l’andamento delle carriere accademiche. Attraverso algoritmi avanzati, l’IA è in grado di esaminare enormi quantità di dati, individuando pattern utili per identificare gli studenti a rischio di abbandono o di rallentamenti nel percorso di studi. Prevedere le difficoltà degli studenti può consentire agli atenei di intervenire tempestivamente, offrendo supporto e orientamento mirato per evitare che gli studenti abbandonino.
Numerosi studi si sono concentrati sulla predizione delle performance accademiche degli studenti, utilizzando differenti algoritmi di machine learning. La letteratura mostra che i modelli di previsione si avvalgono di una vasta gamma di dati, tra cui informazioni personali (genere, età, titolo di studio, voto di maturità) e dati accademici (crediti acquisiti, andamento degli esami). Altri studi includono variabili come lo stato familiare, le condizioni di vita e il livello socio-economico degli studenti. In alcuni casi, si esamina anche l’influenza dei tratti di personalità e dell’educazione familiare.
Attraverso la predizione delle carriere e l’identificazione degli studenti a rischio abbandono, si punta a costruire un sistema in grado di prevedere l’andamento delle carriere accademiche. L’analisi dei dati relativi ai percorsi di studio permette di individuare gli studenti a rischio di abbandono. L’obiettivo finale è fornire informazioni utili ai decisori accademici (come CdS, Dipartimenti e Scuole) per implementare azioni di supporto, prevenendo il fenomeno dei fuoricorso e dell’abbandono universitario.
Le fasi dello studio
Lo studio si articola in due fasi principali. La prima prevede la raccolta dei dati degli studenti dell’ateneo – in forma anonima e riservata – , con l’obiettivo di effettuare un’analisi descrittiva della popolazione e individuare le sue caratteristiche principali. La seconda consiste nello sviluppo e nell’applicazione di un sistema predittivo di machine learning che classifica gli studenti in base all’esito finale del loro percorso accademico.
L’approccio adottato si inserisce in un filone di ricerca consolidato sulla predizione delle carriere accademiche e sull’identificazione degli studenti a rischio abbandono. Studi precedenti hanno evidenziato come l’analisi dei dati accademici possa supportare le decisioni strategiche degli atenei, contribuendo alla riduzione del fenomeno dei fuoricorso e dell’abbandono universitario.
La disponibilità di dati dettagliati sulle carriere studentesche consente infatti di individuare pattern ricorrenti e segnali di difficoltà, permettendo di intervenire in modo mirato con azioni di supporto e orientamento.
Un’esperienza particolarmente rilevante in questo ambito è quella sviluppata all’Università di Torino attraverso il Progetto Data Lab UniTo(2020). Inizialmente, il progetto è stato sperimentato su un singolo corso di laurea (Scienze dell’Educazione), con l’obiettivo di testare l’efficacia del modello predittivo e valutare il suo potenziale impatto sulle strategie di supporto agli studenti. I risultati ottenuti hanno confermato la validità dell’approccio, portando nel 2020 all’estensione del progetto a tutti i corsi di studio dell’Ateneo.
Questa evoluzione ha permesso di adottare un approccio sistematico basato sull’analisi dei dati delle carriere universitarie, ampliando le possibilità di intervento a livello istituzionale. Fondamentale per la realizzazione di questo sistema è stata la collaborazione con il CSI Piemonte(Consorzio per il Sistema Informativo), che ha affiancato l’Università degli Studi di Torino nello sviluppo e nell’implementazione del modello predittivo.
L’utilizzo dei dati accademici per migliorare il funzionamento del sistema universitario si basa sulla consapevolezza che gli atenei dispongono di una grande quantità di informazioni sugli studenti, raccolte per fini amministrativi. Quando uno studente si iscrive all’università, vengono registrati dati anagrafici e informazioni sul suo percorso accademico, che vengono aggiornati nel tempo fino al conseguimento della laurea o, nei casi di abbandono, fino alla sua uscita dal sistema.
Questi dati, inizialmente “grezzi”, possono essere elaborati e trasformati in strumenti di supporto decisionale, permettendo ai decisori accademici di ottimizzare le strategie di orientamento e intervento, con l’obiettivo di migliorare la riuscita degli studenti e ridurre il rischio di abbandono.
Grazie ai dati che ci ha fornito la dott.ssa Cocco, abbiamo potuto avviare la sperimentazione su tre coorti di laurea 2016/2017, 2017/2018, 2018/2019. Il dataset utilizzato in questo studio include dati relativi a 42.000 studenti iscritti all’Università di Catania in programmi di laurea triennale di primo livello provenienti da vari dipartimenti dell’Università.
L’analisi ha preso in considerazione 30 corsi di laurea, escludendo i programmi di cds di secondo livello, a ciclo unico e i programmi di laurea nell’area sanitaria, in quanto presentano caratteristiche strutturali differenti rispetto agli altri corsi analizzati. Le caratteristiche considerate per il modello includono informazioni demografiche e prestazioni accademiche.
Abbiamo quindi pre-processato i dati per gestire i valori mancanti, standardizzare le variabili e codificare quelle categoriali. Successivamente, abbiamo addestrato e confrontato le prestazioni di quattro modelli di machine learning: la regressione logistica, il Random Forest, l’eXtreme Gradient Boosting e la rete neurale. I risultati ottenuti sono stati molto promettenti, con ottime performance in particolare per il modello Random Forest.
In parallelo, è stata avviata un ulteriore fase dello studio che prevede la creazione e la somministrazione di un questionario ad un campione di studenti iscritti al I e al II anno di alcuni CdS triennali. Questo strumento si propone di esplorare aree cruciali come la motivazione, le difficoltà percepite, il supporto sociale e le aspettative professionali degli studenti. I dati che emergeranno da questo questionario saranno integrati con quelli già a disposizione dell’ateneo, offrendo così una visione più completa del fenomeno della dispersione studentesca e delle sue cause.
Sebbene questo lavoro sia ancora in fase di test, l’obiettivo a lungo termine è quello di costruire uno strumento che possa supportare le scelte didattiche e di orientamento, migliorando i servizi già offerti dall’Università e indirizzando gli studenti verso percorsi di studio più efficaci, riducendo al contempo le probabilità di interruzione del loro percorso accademico.
Valentina Cocco (Funzionario Area sistemi informativi, Unict), Teresa Consoli (ordinaria di Sociologa Giuridica al Disfor e delegata alla Didattica Area Umanistico-sociale), Francesco Mazzeo Rinaldi (ordinario di Sociologia al Dsps e direttore Centro di ricerca di Ateneo Laposs) e Vincenzo Miracula (Ph.D in Sistemi Complessi, Unict)
***** l’articolo pubblicato è ritenuto affidabile e di qualità*****
Visita il sito e gli articoli pubblicati cliccando sul seguente link
