Early Warning Signals Appear Long Before Dropping Out: An Idiographic Approach Grounded in Complex Dynamic Systems Theory
Questo studio dimostra che i segnali di allerta precoci universali del rallentamento critico, derivati dalla teoria dei sistemi dinamici complessi, possono predire il disimpegno degli studenti e i rischi di abbandono scolastico molto prima che si verifichino, analizzando i modelli in milioni di tentativi di pratica all'interno di un ambiente digitale di apprendimento della matematica.
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
Immaginate il percorso di apprendimento di uno studente non come una linea retta, ma come un escursionista che cammina attraverso una valle profonda e ampia. Finché la valle è profonda e larga, l'escursionista può inciampare, cadere o essere spinto dal vento, ma naturalmente rotola di nuovo verso il centro del sentiero. Questa è la resilienza: la capacità di riprendersi da un brutto voto o da una lezione confusa e continuare ad andare avanti.
Tuttavia, a volte quella valle inizia a rimpicciolirsi. Le parei si alzano, il fondo si restringe e il sentiero diventa poco profondo. Quando ciò accade, una piccola spinta non fa solo vacillare l'escursionista; lo lancia in una capriola oltre il bordo, verso una valle completamente diversa e più bassa (l'abbandono degli studi).
Questo articolo riguarda il trovare un modo per vedere quella valle che si rimpicciolisce molto prima che l'escursionista cada.
L'avvertimento in "Slow Motion"
Gli scienziati sanno da molto tempo che prima che un sistema collassi (come un lago che si prosciuga o un mercato azionario che crolla), esso inizia a comportarsi in modo strano. Diventa "pigro". In fisica, questo è chiamato Rallentamento Critico (Critical Slowing Down - CSD).
Pensate a un'altalena.
- Sistema Sano: Se spingi un'altalena che funziona bene, oscilla avanti e indietro velocemente e si ferma subito.
- Sistema in Collasso: Se le catene dell'altalena si stanno sfilacciando (il sistema sta perdendo resilienza), una spinta fa sì che l'altalena oscilli avanti e indietro molto lentamente. Ci vuole molto tempo per stabilizzarsi, e oscilla selvaggiamente. Inoltre, inizia a "ricordare" la spinta precedente per più tempo.
I ricercatori si sono chiesti: la pratica della matematica di uno studente assomiglia a quell'altalena che si sfilaccia proprio prima di smettere?
L'esperimento: Osservare 9.400 studenti
Il team ha analizzato una quantità enorme di dati: oltre 1,6 milioni di problemi di matematica tentati da 9.401 studenti che utilizzavano un'app digitale di apprendimento. Non si sono limitati a guardare i voti finali; hanno osservato il modello dei tentativi quotidiani dello studente.
Hanno usato una lente d'ingrandimento digitale per cercare sei segnali specifici della "altalena che si sfilaccia":
- Recupero più lento: Ci voleva più tempo per lo studente per tornare alla sua prestazione normale dopo un errore?
- Oscillazioni selvagge: I loro punteggi hanno iniziato a saltare su e giù in modo più erratico?
- Outlier estremi: Hanno iniziato ad avere punteggi molto strani ed estremi (sia super alti che super bassi) più spesso?
- Memoria: Un giorno no ha iniziato ad influenzare il giorno successivo più del solito?
Cosa hanno scoperto
I risultati sono stati sorprendenti.
- I segnali di avvertimento erano reali: Circa l'88% degli studenti che alla fine hanno abbandonato mostrava questi segnali della "altalena che si sfilaccia".
- La tempistica: Questi avvertimenti non apparivano casualmente. Si concentravano proprio alla fine, poco prima che lo studente smettesse del tutto di fare matematica. È come se l'altalena diventasse sempre più lenta proprio prima di smettere del tutto di muoversi.
- I "falsi allarmi" erano in realtà cambiamenti reali: Circa il 14% degli studenti mostrava questi segnali di avvertimento ma non aveva abbandonato gli studi. All'inizio, questo sembrava un errore. Ma quando i ricercatori hanno guardato più da vicino, hanno visto che questi studenti stavano in realtà attraversando dei cambiamenti radicali. Alcuni stavano migliorando molto (un "colpo di genio"), e altri stavano peggiorando molto. Il segnale di avvertimento non prevedeva in quale direzione sarebbero andati, ma solo che il loro stato attuale era instabile e stava per cambiare drasticamente.
Perché questo è importante
Di solito, le scuole aspettano che uno studente venga bocciato o smetta di accedere per dire: "Ehi, hai bisogno di aiuto". A quel punto, spesso è troppo tardi per salvare lo studente.
Questo studio suggerisce che possiamo individuare l' "altalena che si sfilaccia" mentre lo studente è ancora in classe. Poiché questi segnali si basano su leggi universali di come funzionano i sistemi (come il meteo o gli ecosistemi), potrebbero funzionare per qualsiasi studente, in qualsiasi materia, utilizzando qualsiasi tipo di dato (come quanto tempo fissano uno schermo o la velocità con cui digitano).
Il limite
L'articolo nota anche che questo non è un나 cristallo magico.
- Ha bisogno di tempo: È necessario un gran numero di punti dati per vedere il modello.
- Non è perfetto: Circa il 12% degli studenti che hanno abbandonato non ha mostrato questi segni. A volte, la vita accade troppo velocemente (come un'emergenza familiare) e lo studente smette prima che l'avvertimento in "slow motion" possa svilupparsi.
- Non dice "Bene" o "Male": Il segnale dice solo: "Qualcosa di grande sta per cambiare". Potrebbe essere un crollo, o potrebbe essere un colpo di genio.
In breve: Proprio come un medico potrebbe notare che il battito cardiaco di un paziente diventa erratico prima di un attacco cardiaco, questo studio mostra che la pratica della matematica di uno studente diventa erratica e "pigra" molto prima che rinunci. Individuare questi segni precocemente offre agli educatori una "finestra di speranza" per aiutare lo studente prima che cada giù dal dirupo.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.