Il dottor Eduardo Silva Alvarado, direttore della Fundación Universitaria Iberoamericana (Fondazione Universitaria Iberoamericana, FUNIBER), presso la sua sede in Guatemala, partecipa a uno studio che mette a confronto diverse tecniche di previsione dell’abbandono degli studi post-laurea online in fase avanzata, al fine di proporre un modello più efficiente.
Attualmente, lo sviluppo dell’apprendimento online rappresenta una sfida importante per le istituzioni educative di tutto il mondo. Due di queste sfide sono la mancanza di conoscenza della metodologia di apprendimento online e il digital divide, in quanto non tutti gli studenti si trovano a proprio agio con le procedure virtuali e non hanno le stesse opportunità di accesso agli strumenti tecnologici.
Sebbene il numero di studenti che si iscrivono a programmi online sia aumentato, ciò ha comportato anche alti tassi di abbandono e di insoddisfazione da parte degli studenti, soprattutto rispetto allo studio in un campus faccia a faccia. Questo vale soprattutto per i corsi online aperti di massa, solitamente gratuiti, noti come MOOC, che possono avere tassi di abbandono superiori all’80%. Pertanto, prevedere e trattenere gli studenti è diventata una sfida cruciale.
I tassi di laurea e di abbandono sono considerati indicatori dell’efficacia delle istituzioni educative e possono influire sulla loro reputazione e persino sulla loro idoneità a ricevere borse di studio e finanziamenti governativi. Le cause dell’abbandono universitario sono complesse e influenzate da vari fattori psicologici, sociali, economici e organizzativi.
L’abbandono può essere classificato in termini di durata (temporaneo o permanente) e di comportamento individuale (accademico o volontario). Un altro modo di classificare l’abbandono si riferisce al momento in cui si verifica, distinguendo tra abbandono precoce, precoce e tardivo. In questo contesto, è importante sottolineare che il presente studio si concentra sull’abbandono volontario e definitivo tardivo durante la fase di elaborazione della tesi di laurea magistrale.
Per affrontare questo problema, i ricercatori hanno confrontato i vantaggi della tecnica di aggiustamento della soglia di probabilità ottimale con altre tecniche di elaborazione di dati sbilanciati, nella sua applicazione alla previsione dell’abbandono tardivo di studenti post-laurea in corsi di formazione a distanza presso due università della regione iberoamericana: l’Università Europea dell’Atlantico (UNEATLANTICO) e l’Università Internazionale Iberoamericana del Messico (UNINI Messico), parte della rete universitaria a cui partecipa FUNIBER. L’obiettivo finale è quello di ridurre il divario tra i modelli tradizionali utilizzati nell’istruzione faccia a faccia e l’ambiente di apprendimento online, applicando strumenti di apprendimento automatico per prendere decisioni specifiche. Questo approccio si concentra sulla tecnica dell’aggiustamento ottimale delle probabilità per prevedere l’abbandono degli studi universitari post-laurea nelle fasi avanzate o tardive. Può essere applicata in modo indipendente o in combinazione con altre tecniche, attributi o algoritmi.
In base alla metodologia utilizzata, è stato confermato che un modello di consenso complesso (con soglia di 0,463) e il modello Random Forests hanno ottenuto metriche simili. L’adattamento di soglie di probabilità ottimali ai modelli di base ha dimostrato la robustezza del modello Random Forests nel raggiungere un equilibrio tra accuratezza (0,56) e richiamo (0,55), utilizzando una soglia vicina al valore predefinito di 0,5 (0,427). Ciò dimostra che un modello Random Forests di base dotato di una soglia ottimale fornisce risultati robusti ed evita la necessità di utilizzare tecniche di alterazione dei dati che potrebbero introdurre errori.
Le variabili significative sono risultate essere principalmente legate all’ambiente accademico e le variabili con una componente temporale esplicita, come la durata delle materie, la durata dello status accademico e le proroghe, sono risultate essere le più importanti nel differenziare le diverse classi nel contesto dell’abbandono tardivo. Le variabili sociali e demografiche non sembrano influenzare più di tanto la situazione.
I risultati suggeriscono che l’approccio di adattamento della soglia di probabilità ottimale fornisce una migliore generalizzazione del modello di previsione dell’abbandono tardivo rispetto ad altre tecniche di ricampionamento dei dati. Tuttavia, è necessario prendere in considerazione un maggior numero di variabili e si raccomanda di ampliare la popolazione campionata, di utilizzare risorse aggiuntive come Python e di migliorare gli algoritmi di apprendimento automatico nelle ricerche future.
Questo studio innovativo segna una pietra miliare nel campo accademico, generando la speranza che le università intervengano tempestivamente e forniscano un supporto adeguato agli studenti che potrebbero essere a rischio di abbandono degli studi, soprattutto nell’ultima fase di studio. In questo modo, i tassi di abbandono tardivo vengono ridotti al minimo.
Per saperne di più su questo studio, cliccare qui.
Per leggere altre ricerche, consultare l’archivio UNEATLANTICO. La Fondazione Universitaria Iberoamericana (FUNIBER) offre il Master in Educazione. Un programma volto a sviluppare le competenze digitali degli insegnanti del XXI secolo e l’applicazione della tecnologia all’istruzione.