💻 computer science

Understanding Self-Regulated Learning Behavior Among High and Low Dropout Risk Students During CS1: Combining Trace Logs, Dropout Prediction and Self-Reports

Questo studio combina log di traccia, modelli di previsione dell'abbandono e auto-rapporti per identificare strategie distinte di apprendimento autoregolato tra gli studenti di CS1, rivelando che gli studenti a basso rischio seguono tre pattern coerenti mentre quelli ad alto rischio mostrano nove comportamenti diversi, alcuni dei quali segnalano un'imminente abbandono e offrono opportunità per interventi mirati.

Autori originali: Denis Zhidkikh, Ville Isomöttönen, Toni Taipalus

Pubblicato 2026-04-28

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Denis Zhidkikh, Ville Isomöttönen, Toni Taipalus

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina un corso universitario di informatica (CS1) come un massiccio percorso a ostacoli ad alto rischio. È frenetico, il terreno è insidioso e molti corridori (studenti) abbandonano prima di raggiungere la linea del traguardo. I ricercatori di questo studio hanno voluto capire perché alcuni corridori inciampano e si ritirano mentre altri attraversano la linea del traguardo, e come affrontano la gara.

Non si sono limitati a guardare i tempi finali della gara (i voti); hanno posizionato un tracker GPS sui corridori per vedere esattamente come si muovevano, dove si fermavano e quali strumenti utilizzavano lungo il percorso.

Ecco la scomposizione del loro studio utilizzando semplici analogie:

1. I Tre Strumenti nella loro Cassetta degli Attrezzi

Per comprendere i corridori, i ricercatori hanno combinato tre diversi tipi di dati, come osservare un mistero da tre angolazioni diverse:

I Log GPS (Log di Tracciamento): Questi sono i dati grezzi. Registravano ogni singolo clic effettuato da uno studente: la lettura di un capitolo, la visione di un video, il tentativo di risolvere un problema di programmazione o la richiesta di aiuto a un insegnante. È come una replay video di ogni passo del corridore.
Il "Radar degli Abbandoni" (Modello Predittivo): Questo è un programma informatico che funge da previsione meteorologica. Basandosi su come uno studente ha performato in quella specifica settimana (ha completato i compiti? si è bloccato?), prevedeva la probabilità che avrebbe abbandonato la gara a breve.
Il Diario del Corridore (Auto-rapporti): Dopo la gara, alcuni studenti hanno scritto brevi note su come si sentivano, su cosa pensavano stesse funzionando e su cosa fosse difficile. Questo aggiunge la "voce umana" ai dati freddi.

2. La Strategia di Gara: "Tattiche" vs "Strategie"

I ricercatori hanno scomposto l'apprendimento in due livelli, simili a una partita a scacchi:

Tattiche (Le Mosse): Sono le azioni piccole e immediate. "Sto leggendo il libro di testo" o "Sto cliccando 'invia' su questo quiz".
Strategie (Il Piano di Gioco): Questa è la visione d'insieme. È la sequenza di mosse nell'arco di un'intera settimana. Ad esempio, una strategia di "Ricerca di Comprensione" potrebbe apparire così: Leggere prima il libro, guardare la lezione, poi provare i problemi facili e infine affrontare quelli difficili.

3. Le Scoperte: Chi Vince e Chi Si Ritira?

Raggruppando i piani di gioco settimanali degli studenti, i ricercatori hanno trovato due gruppi distinti di corridori:

I Corridori "A Basso Rischio" (I Sopravvissuti)

Questi studenti avevano generalmente tre piani di gioco vincenti:

Il Padrone dei Compiti: Si concentravano intensamente sul completare i compiti obbligatori. Trattavano il corso come una lista di cose da fare.
L'Immersione Profonda: Dava priorità alla comprensione del materiale. Leggevano il libro e guardavano i video estesamente prima ancora di toccare i compiti.
L'Accumulatore di Risorse: Passavano molto tempo sui materiali (lezioni, esempi) ma non si affrettavano a completare i compiti. Volevano essere pienamente preparati prima di agire.

Insight Chiave: Anche tra i vincitori, alcuni studenti hanno dovuto cambiare il loro piano di gioco a metà gara. Se sentivano di stare arretrando, cambiavano tattica per recuperare.

I Corridori "Ad Alto Rischio" (Gli In difficoltà)

Questi studenti avevano nove modi diversi per rimanere bloccati. Alcuni erano semplici ostacoli temporanei, ma altri erano vicoli ciechi:

Il "Fioritura Tardiva": Iniziavano lentamente, provando cose a caso per trovare il loro ritmo. Questo non era sempre negativo; alcuni si riprendevano.
Il Dipendente dalla "Scheda Trucco": Aspettavano l'ultimo minuto per guardare le "soluzioni modello" per copiarle, invece di provare a risolvere il problema da soli.
Lo "Scrollatore Zombie": Guardavano video all'infinito ma non provavano mai realmente a fare il lavoro.
La Modalità "Arrendersi": Questo era il pattern più pericoloso. Questi studenti si rendevano conto di avere difficoltà troppo tardi. Smettevano di provare a imparare il materiale della settimana corrente e guardavano solo vecchie soluzioni, oppure facevano il minimo indispensabile per passare, ignorando tutto il resto. Questo era il pattern osservato poco prima che gli studenti abbandonassero.

4. Il Corridore "Miracoloso"

C'era un caso limite affascinante. Uno studente ha utilizzato quasi esclusivamente strategie "Ad Alto Rischio" (faceva a malapena i compiti e si affidava a scorciatoie rischiose). Eppure, ha ottenuto il voto più alto della classe.

Perché? Il suo diario ha rivelato che era un "ripetitore d'urto". Non studiava regolarmente, ma era incredibilmente bravo a trovare rapidamente le informazioni giuste e a superare brillantemente l'esame finale. Sopravviveva alla gara correndo un tipo di gara completamente diverso.

5. Cosa Significa per gli Insegnanti (Gli Allenatori)

Lo studio suggerisce che gli insegnanti e i tutor (TA) possono utilizzare questi "dati GPS" per individuare i corridori in difficoltà prima che si ritirino.

L'Intervento: Invece di dire semplicemente "Stai fallendo", un tutor potrebbe dire: "Vedo che sei nel pattern 'Fioritura Tardiva' da tre settimane. Proviamo a passare al piano 'Padrone dei Compiti'".
L'Obiettivo: Lo studio non riguarda la previsione di chi fallirà con il 100% di accuratezza; riguarda la comprensione di come stanno fallendo in modo che l'allenatore possa offrire lo strumento giusto per aiutarli a rimettersi in pista.

Riassunto

Questo studio è come una storia investigativa in cui gli indizi sono le impronte digitali. Combinando le impronte digitali (cosa hanno cliccato), la probabilità di abbandono (il radar) e la storia personale dello studente (il diario), i ricercatori hanno mappato esattamente come gli studenti navigano il terreno difficile dell'apprendimento della programmazione. Hanno scoperto che, sebbene ci siano molti modi per avere difficoltà, esistono anche modi specifici e recuperabili per rimettersi in pista e alcuni pattern pericolosi che segnalano che un corridore sta per lasciare la gara.

1. Problem Statement

Il corso introduttivo di programmazione (CS1) è un collo di bottiglia critico nell'istruzione informatica, caratterizzato da alti tassi di abbandono e sfide significative per i principianti. Sebbene l'analisi predittiva dell'apprendimento possa identificare gli studenti a rischio con alta accuratezza, questi modelli spesso mancano di spiegabilità. Gli educatori faticano a comprendere perché uno studente è previsto come a rischio di abbandono o come i suoi specifici comportamenti di apprendimento contribuiscono a tale rischio.

La ricerca attuale si basa spesso su confronti post-corso tra studenti ad alte e basse prestazioni o utilizza auto-relazioni che mancano di granularità temporale. C'è la necessità di un metodo che:

Colleghi dati comportamentali in tempo reale (log di tracciamento) con modelli predittivi di abbandono.
Distingua tra difficoltà temporanee e percorsi irreversibili verso l'abbandono.
Integri la teoria dell'apprendimento autoregolato (SRL) per interpretare questi comportamenti.

2. Methodology

Lo studio ha adottato un approccio a metodi misti che combina analisi quantitativa dell'apprendimento con auto-relazioni qualitative, basandosi sulla teoria dell'Apprendimento Autoregolato (SRL) (nello specifico il quadro tattica-strategia di Winne & Hadwin).

2.1 Data Collection

Contesto: Un corso CS1 da 6 crediti presso l'Università di Jyväskylä (Autunno 2023) con 321 studenti iscritti.
Partecipanti: 47 studenti consenzienti hanno fornito log di tracciamento; 29 di questi hanno completato un questionario di auto-relazione post-corso.
Fonti di Dati:
- Log di Tracciamento: 86.738 eventi grezzi da un Ambiente Virtuale di Apprendimento (VLE), inclusi utilizzo del libro di corso, lezioni, invio di compiti (introduttivi, principali, base, bonus, guru), sessioni con assistenti alla didattica (TA) e revisione di risposte modello.
- Dati sulle Prestazioni: Punteggi settimanali dei compiti, punteggi d'esame e voti finali.
- Auto-relazioni: Domande aperte su abitudini di studio, sfide e utilizzo delle risorse.

2.2 Data Analysis Pipeline

Gli autori hanno sviluppato una pipeline in cinque fasi per trasformare i log grezzi in profili di apprendimento interpretabili:

Preprocessing dei Log: Gli eventi grezzi sono stati raggruppati in sessioni studentesche utilizzando una soglia di taglio di 25 minuti (basata sul tempo stimato di completamento del compito). Le sessioni con singoli eventi sono state rimosse per filtrare il rumore.
Scoperta delle Tattiche di Apprendimento:
- Le sessioni sono state convertite in vettori di frequenza degli eventi (82 codici evento distinti).
- È stata applicata la clustering k-medoids (utilizzando la distanza $\ell_1$ ) per identificare 12 Tattiche di Apprendimento distinte (es. "Concentrarsi sui materiali del corso", "Tentare compiti principali", "Revisionare le settimane precedenti").
Formulazione delle Strategie di Apprendimento:
- Le sessioni sono state rinominate con i rispettivi codici tattica.
- I log sono stati suddivisi in sottolog settimanali per catturare l'evoluzione delle strategie durante le 11 settimane del corso.
- Una sequenza settimanale di tattiche costituisce una Strategia di Apprendimento.
Caratterizzazione della Strategia di Apprendimento (Raggruppamento per Rischio):
- Un Modello Predittivo di Abbandono a Regressione Logistica pre-addestrato (basato sulle prestazioni nei compiti) è stato applicato a ogni settimana-studente per generare una probabilità di abbandono ( $p_{drop}$ ).
- Le strategie sono state etichettate come Alto Rischio ( $p_{drop} > 0.5$ ) o Basso Rischio ( $p_{drop} \leq 0.5$ ).
- Clustering: Le strategie all'interno di ciascun gruppo di rischio sono state clusterizzate utilizzando la Massimizzazione dell'Aspettativa (EM) su Modelli di Markov del Primo Ordine (FOMM) delle transizioni tattiche.
- Interpretazione: I cluster sono stati visualizzati utilizzando Reti Euristiche (process mining) e grafici SHAP a cascata (per spiegare le caratteristiche della previsione) per definire tipi di strategia distinti.
Caratterizzazione dello Studente:
- Gli studenti sono stati clusterizzati in base alla frequenza dei tipi di strategia utilizzati durante l'intero corso (Clustering Agglomerativo).
- Sono stati utilizzati test di Brunner-Munzel per confrontare statisticamente i cluster per quanto riguarda voti, previsioni di abbandono e opinioni riportate nelle auto-relazioni.
- L'analisi qualitativa dei contenuti delle auto-relazioni è stata utilizzata per validare e contestualizzare i cluster quantitativi.

3. Key Contributions

Integrazione Metodologica: Una pipeline innovativa che combina process mining, modellazione predittiva e auto-relazioni per spiegare perché uno studente è a rischio, andando oltre la semplice classificazione.
Tassonomia Granulare delle Strategie: Identificazione di 12 tipi distinti di strategie di apprendimento settimanali, categorizzati per livello di rischio:
- 3 Strategie a Basso Rischio: Orientate al compito (focalizzate sulla prestazione), Ricerca di comprensione (ricche di risorse) e Focalizzate sulle risorse (materiali > compiti).
- 9 Strategie ad Alto Rischio: Che vanno da difficoltà recuperabili (es. "Inizio lento", "Tentativo con esempi") a modalità di fallimento critiche (es. "Restare indietro, rendersi conto della difficoltà troppo tardi", "Focalizzazione rischiosa solo sui compiti obbligatori").
Profilazione Longitudinale: Definizione di 5 Tipi di Profilo di Apprendimento Studentesco basati su come gli studenti hanno navigato queste strategie durante l'intero semestre.
Triangolazione: Ha dimostrato come le auto-relazioni possano risolvere ambiguità nei dati dei log di tracciamento (es. spiegando perché uno studente che utilizza strategie "rischiose" ha comunque superato l'esame).

4. Key Results

4.1 Low Dropout Risk Behaviors (RQ1)

Gli studenti con basso rischio di abbandono hanno generalmente esibito tre principali strategie settimanali:

Orientati al Compito: Focalizzati sul completamento efficiente dei compiti obbligatori e base.
Ricerca di Comprensione: Hanno prioritizzato la comprensione profonda tramite lezioni e risorse supplementari prima di tentare i compiti.
Focalizzati sulle Risorse: Hanno dedicato tempo significativo ai materiali del corso e alle risposte modello piuttosto che al completamento immediato dei compiti.

Profili: Questi comportamenti sono correlati a profili come "Cercatori di Comprensione Adattivi" (che hanno adeguato le strategie in base al contesto) e "Apprenditori Attivi Focalizzati sul Compito".

4.2 High Dropout Risk Behaviors (RQ2)

Gli studenti ad alto rischio hanno esibito nove strategie distinte. Crucialmente, lo studio ha distinto tra rischi temporanei e terminali:

Rischi Recuperabili: Strategie come "Inizio lento" o "Fatica a comprendere" sono state spesso utilizzate da studenti che alla fine si sono ripresi e hanno superato il corso.
Rischi Terminali: Strategie come "Restare indietro, rendersi conto della difficoltà troppo tardi" (visione delle risposte modello senza svolgere i compiti) e "Focalizzazione rischiosa solo sui compiti obbligatori" sono state fortemente associate agli studenti che hanno abbandonato.
Insight: Gli studenti che hanno abbandonato sono tipicamente tornati a strategie ad alto rischio 1–2 settimane prima di lasciare, spesso dopo l'introduzione di un argomento particolarmente difficile.

4.3 Student Profiles and Self-Reports (RQ3)

Lo studio ha identificato cinque profili studenteschi:

Cercatori di Comprensione Adattivi (N=20): Hanno adeguato le strategie in base agli argomenti settimanali; alto coinvolgimento con risorse diversificate.
Diligenti Seguaci del Contenuto del Corso (N=14): Hanno seguito rigorosamente il calendario suggerito; forte dipendenza dai TA e dai gruppi di pari.
Apprenditori Attivi Focalizzati sul Compito (N=5): Hanno utilizzato costantemente strategie a basso rischio; alti tassi di completamento dei compiti.
Perseveranti fino alla Fine (N=1): Un caso anomalo che ha utilizzato strategie ad alto rischio (lavoro minimo sui compiti) ma ha superato l'esame con voti eccellenti grazie a una prestazione eccezionale all'esame. Le auto-relazioni hanno rivelato che questo studente aveva una cattiva gestione del tempo ma forti capacità di recupero delle informazioni.
Abbandoni del Corso (N=7): Tutti hanno abbandonato a metà corso. Hanno utilizzato esclusivamente strategie ad alto rischio nelle settimane che hanno portato all'uscita.

Validazione: Le auto-relazioni hanno confermato i risultati quantitativi. Ad esempio, il gruppo "Adattivo" ha riferito di aver modificato le routine a causa di circostanze personali, mentre il gruppo "Diligente" ha riferito di una forte dipendenza dall'aiuto esterno. L'auto-relazione del singolo caso anomalo "Perseverante" ha spiegato il suo percorso unico (focalizzato sull'esame) che i soli log di tracciamento avrebbero potuto erroneamente classificare come un fallimento.

5. Significance and Practical Implications

Interventi Mirati: Lo studio fornisce un quadro di riferimento per TA e istruttori per identificare non solo chi è a rischio, ma quale comportamento specifico sta causando il rischio. Ad esempio, uno studente che utilizza "Dipendenza tardiva dalle risposte modello" necessita di un intervento diverso (es. forzare il completamento dei compiti) rispetto a uno che utilizza "Inizio lento" (es. coaching sulla gestione del tempo).
Sistemi di Allerta Precoce: Collegando i tipi di strategia settimanale alle probabilità di abbandono, gli educatori possono intervenire durante il corso piuttosto che post-mortem.
Visione Olistica: La combinazione di log di tracciamento e auto-relazioni previene interpretazioni errate. Uno studente che appare "a rischio" nei log potrebbe essere un apprenditore "Perseverante" che semplicemente ha una strategia diversa (ma efficace), prevenendo interventi inutili o mal indirizzati.
Scalabilità: La pipeline utilizza dati VLE esistenti e modelli standard di machine learning, rendendola applicabile a grandi coorti di CS1 senza richiedere nuovi metodi di raccolta dati intrusivi.

In conclusione, questo paper dimostra che i tipi di strategia di apprendimento sono più predittivi ed esplicativi dei semplici conteggi delle attività grezze. Categorizzando i comportamenti in profili di rischio specifici, lo studio offre una roadmap attuabile per ridurre l'abbandono nel CS1 attraverso un supporto tempestivo e specifico al comportamento.