Utilizzo dell’IA per prevedere il rischio di abbandono degli studenti nell’istruzione tecnica con un approccio di learning analytics

Perché gli avvisi precoci per studenti in difficoltà sono importanti

Molti studenti universitari rimangono indietro nei corsi online molto prima che compaiano voti bassi. Nei campi tecnici, dove le lezioni sono esigenti e rapide, questo può portare rapidamente all’abbandono. Questo studio esplora come i dati delle attività quotidiane su una piattaforma di apprendimento online possano essere trasformati in un sistema di allerta precoce. Analizzando come gli studenti attraversano i materiali del corso, un modello di intelligenza artificiale (IA) segnala schemi che indicano difficoltà abbastanza presto da consentire agli insegnanti di intervenire con aiuti mirati.

Seguire le tracce digitali nelle lezioni online

La ricerca si concentra su due corsi di progettazione assistita da computer (CAD) erogati tramite la piattaforma Moodle in un’università di scienze applicate. Ogni clic—aprire un file, tentare un test, consegnare un compito—genera una voce di log con data e ora. Da 12.941 di tali registrazioni relative a 80 studenti, l’autore ha costruito un dataset che descrive 49 risorse didattiche diverse, da pagine introduttive semplici a compiti complessi e articolati in più fasi. Poiché questi corsi presentavano tassi di abbandono insolitamente alti, hanno fornito un banco di prova utile per esplorare come i modelli di attività si rapportino al successo o al fallimento degli studenti.

Trasformare i clic in segnali di apprendimento significativi

Piuttosto che alimentare un algoritmo opaco con semplici conteggi di clic, lo studio introduce un metodo ad “attributi pesati” che rimodella i dati in indicatori comprensibili agli insegnanti. Ogni risorsa viene valutata su tre aspetti principali: quanto è mentalmente impegnativa, quanto frequentemente gli studenti vi interagiscono e quanto tempo il corso prevede di dedicarvi. Questi punteggi vengono combinati in una singola misura di efficacia che riflette quanto gli studenti gestiscono realmente quella risorsa. In questo modo il modello non si limita a dire che uno studente è a rischio; individua compiti o materiali specifici che potrebbero causare il problema.

Cosa hanno scoperto i modelli di IA

Sono stati addestrati due tipi di modelli predittivi—regressione logistica e foreste casuali—to distinguere tra strumenti di apprendimento più efficaci e meno efficaci sulla base di questi indicatori pesati. Per evitare di essere fuorviati dall’esiguo campione, il ricercatore ha usato verifiche incrociate ripetute che ruotano i dati usati per l’addestramento e per il test. In tutte queste verifiche, entrambi i modelli hanno avuto buone prestazioni, con la foresta casuale leggermente avanti ma la regressione logistica più semplice da interpretare. In ogni caso, i segnali più importanti risultavano essere la frequenza di interazione degli studenti con una risorsa, il tempo che vi dedicavano e la difficoltà progettuale della risorsa stessa.

Progettare corsi migliori, non sostituire gli insegnanti

I risultati mostrano che compiti complessi e dispendiosi in termini di tempo—come progetti di modellazione articolati in più fasi e compiti sostanziosi—sono fortemente associati a migliori risultati di apprendimento, mentre annunci di base o brevi panoramiche contribuiscono meno. Ciò suggerisce che sfide ben progettate, supportate da tempo adeguato, sono centrali per il successo degli studenti. Lo studio delinea anche come un sistema di allerta precoce potrebbe funzionare in pratica: una dashboard automatizzata evidenzierebbe pattern a rischio agli istruttori, che poi deciderebbero come rispondere, per esempio aggiungendo esempi, adeguando il carico di lavoro o offrendo sessioni di supporto aggiuntive. È importante che il sistema sia pensato per informare gli insegnanti, non per automatizzare decisioni sugli studenti.

Cosa significa per studenti ed educatori

Per un lettore generale, il messaggio chiave è che l’IA può aiutare le università a individuare punti critici prima che gli studenti falliscano, ma soltanto se utilizzata con attenzione. Combinando intuizioni sulla progettazione del corso con una gestione attenta dei dati, il metodo degli attributi pesati trasforma i log di attività grezzi in segnali chiari su quali parti di un corso aiutano o ostacolano l’apprendimento. Lo studio è ancora pilota, limitato a un numero ridotto di corsi tecnici in un’unica istituzione, quindi i risultati sono preliminari. Tuttavia offre una strada concreta verso un uso dell’IA in educazione più trasparente, equo e di supporto—dove strumenti guidati dai dati aiutano gli insegnanti a riprogettare i corsi e a raggiungere prima gli studenti in difficoltà, riducendo la probabilità che si allontanino silenziosamente dagli studi.

Citazione: Ovtšarenko, O. Using AI to forecast student dropout risk in technical education using a learning analytics approach. Sci Rep 16, 14616 (2026). https://doi.org/10.1038/s41598-026-44919-1

Parole chiave: rischio di abbandono degli studenti, learning analytics, istruzione tecnica online, modellazione predittiva, sistemi di allerta precoce