L’intelligenza artificiale può combattere l’abbandono scolastico

Può l’Ia combattere l’abbandono universitario? Con il mio gruppo di ricerca del Politecnicodi Milano abbiamo lavorato persviluppare un algoritmo di machine learning che sapesse predire, in anticipo, gli studenti universitari del primo anno del nostro ateneoche avrebbero abbandonato gli studi. Tale algoritmo, che ha dimostrato di saper funzionare molto bene, con una sensibilità superiore all’85% (siamo stati cioè in grado di predire almeno l’85% degli studenti che hanno effettivamente abbandonato), rientra nella categoria della cosiddetta Intelligenza artificiale.

Abbiamo impiegato dati che, per ciascuno studente, descrivono le caratteristiche individuali (genere, età, provenienza geografica, situazione economica della famiglia di origine, ecc.), il percorso di studi nelle scuole superiori, il punteggio all’esame di ammissione al Politecnico e i risultati nella prima sessione di esami.

I risultati ci hanno sorpreso: ci aspettavamo di descrivere in modo sufficiente il fenomeno degli abbandoni degli studi (che, al Politecnico, riguarda quasi il 30% degli studenti tra il primo e secondo anno), ma non immaginavamo di avere tra le mani uno strumento così preciso.

Presentando il nostro lavoro in diverse conferenze internazionali, abbiamo scoperto che alcuni colleghidella Vrije University of Amsterdam stavano lavorando su un progetto simile. Ci siamo domandati quanto simili fossero gli algoritmi che stavamo - indipendentemente - sviluppando nei nostri gruppi di ricerca, cercando di capire quanto preciso potesse essere un algoritmo sviluppato al Politecnico di Milano per predire gli abbandoni agli studi nella Vrije University, e viceversa. Grazie a un lavoro comune di mesi abbiamo raccolto dati sugli studenti delle due università, e creato algoritmi di predizione degli abbandoni ritagliati specificamente sul singolo ateneo, applicandoli poi all’altro. I risultati ottenuti sono stati estremamente interessanti: abbiamo scoperto che la capacità predittiva dei modelli sviluppati nei due atenei è intercambiabile. In entrambe le università, la capacità di individuare gli studenti a rischio abbandono migliora notevolmente una volta che i primi dati sulle prestazioni universitariediventano disponibili. I modelli impiegati mostrano una sensibilità vicina al 90%, un risultato molto potente sotto il profilo del potere predittivo dei modelli stessi.

La nostra attività di ricerca prima (e di azione politica poi!) può essere intesa, in modo diretto, nel senso di un’applicazione dell’Intelligenza artificialeal settore educativo:applicazioni come quelle che abbiamo sviluppato e studiato sono, evidentemente, esposte ad alcuni rischi.Il principale riguarda un’eccessiva “meccanizzazione” di quella meravigliosa avventura che è l’esperienza universitaria, e più in generale la dinamica educativa. Si corre il rischio, qualora si utilizzino i dati “con il paraocchi” – ossia, senza applicare l’intelligenza umana ai risultati di quella artificiale – di considerare in modo deterministico i risultati dell’attività delle università e del percorso degli studenti. Se applicassimo in modo acritico gli algoritmi definiti si potrebbe essere portati a pensare che si possa predire il risultato degli studenti trascurando la loro azione (impegno), libertà (dedizione allo studio), capacità. Allo stesso tempo, gli algoritmi possono essere utili se utilizzati in modo critico. C’è un modo aperto, profondo e “amichevole” di usare questi dati: quello che ha a cuore il bene degli studenti, il loro successo formativo, la loro esperienza universitaria. In questo senso, i dati possono aiutare a individuare precocemente le difficoltà che ciascuno studente sta affrontando, i segnali che identificano possibili ostacoli allo svolgimento del percorso di studi. Con la nostra attività di ricerca, vorremmo aiutare le istituzioni universitarie a sviluppare modelli analitici che abbiano a cuore questo modo costruttivo di analizzare i dati e le informazioni relative ai propri studenti.

Il nostro lavoro di ricerca ha alcune chiare implicazioni di policy. La prima è quella di aprire i database delle università per favorire il lavoro contemporaneo e congiunto di più gruppi di ricerca, abilitando strumenti di intervento per il sostegno e l’aiuto agli studenti a rischio per un miglioramento complessivo del sistema universitario. Come si possa realizzare un effettivo sistema di “dati aperti” per ciascuna università è un tema che richiede riflessioni e azioni molto serie, di natura giuridica e amministrativa. La seconda implicazione riguarda proprio l’utilizzo dei risultati di queste ricerche. Idealmente, gli atenei dovrebbero poter accedere il prima possibile ai dati sui propri studenti a rischio, per poter implementare azioni di recupero come tutorato, coaching, assistenza allo studio, gruppi di supporto. Tali azioni andrebbero poi valutate in modo rigoroso, anche attraverso metodi sperimentali o quasi-sperimentali, per capire quali di esse siano più idonee a supportare un innalzamento complessivo della qualità didattica, e per renderle quindi stabili e strutturali nell’offerta formativa e nei servizi.

* Tommaso Agasisti è professore in Public Management presso il Politecnico di Milano - School of Management