Machine Learning Prediction of Undergraduate Academic Performance for Early Identification of At-Risk Students: Evidence from Nnamdi Azikiwe University
Questo studio dimostra che i modelli di apprendimento automatico, in particolare le Support Vector Machines, possono prevedere efficacemente il rischio accademico degli studenti universitari presso l'Università Nnamdi Azikiwe utilizzando record di routine come la media del primo semestre e gli esami bocciati, consentendo così interventi tempestivi per gli studenti a rischio.
Articolo originale sotto licenza CC BY 4.0 (https://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
Le università di oggi affrontano una sfida silenziosa ma crescente: stanno istruendo più studenti che mai, eppure spesso mancano del tempo o degli strumenti per accorgersi quando uno studente specifico inizia a incontrare difficoltà prima che sia troppo tardi. In passato, un docente poteva aspettare un voto insufficiente o un esame mancato per rendersi conto che uno studente era in difficoltà, ma a quel punto il divario nell'apprendimento era spesso diventato troppo ampio per essere colmato facilmente. Per risolvere questo problema, i ricercatori si stanno rivolgendo a un campo chiamato apprendimento automatico (machine learning), che è essenzialmente un modo per permettere ai computer di imparare dai modelli nei dati piuttosto che seguire un insieme rigido di regole scritte da un essere umano. Alimentando questi sistemi con record storici delle prestazioni, dell'assistenza e del background degli studenti, il computer può imparare a individuare i segnali sottili che precedono il fallimento accademico. L'obiettivo non è sostituire gli insegnanti con algoritmi, ma fornire loro un sistema di allerta precoce: un modo per vedere quali studenti potrebbero aver bisogno di aiuto prima che rimangano indietro, consentendo un supporto tempestivo che può cambiare l'intera traiettoria accademica di uno studente.
Presso la Nnammi Azikiwe University in Nigeria, un team di ricercatori ha deciso di testare se questo approccio potesse funzionare nel loro specifico contesto. Hanno raccolto i record accademici di 400 studenti universitari, esaminando una vasta gamma di dettagli che includevano i punteggi degli esami d'ingresso, i voti del primo semestre, la frequenza alle lezioni, i punteggi nelle valutazioni continue e persino se avevano fallito corsi in passato. I ricercatori hanno poi chiesto a quattro diversi modelli informatici di analizzare queste informazioni e prevedere quali studenti sarebbero stati a rischio di scarse prestazioni accademiche. Hanno definito "a rischio" gli studenti le cui prestazioni scendevano al di sotto di un certo standard, creando di fatto due gruppi: quelli che stavano andando bene e quelli che stavano incontrando difficoltà. Il team voleva vedere se i computer potessero identificare il gruppo in difficoltà precocemente, utilizzando solo i dati disponibili all'inizio del semestre, e determinare quali fattori specifici fossero gli indicatori più forti di problemi.
I risultati hanno rivelato un quadro chiaro di ciò che separa uno studente brillante da uno che è in pericolo. Su 400 studenti studiati, quasi uno su quattro è stato identificato come a rischio. Quando i ricercatori hanno esaminato attentamente i dati, hanno scoperto che gli studenti che incontravano difficoltà condividevano un profilo molto specifico. Erano entrati all'università con punteggi più bassi negli esami d'ingresso, ma, cosa più importante, le loro prestazioni durante il primo semestre erano un segnale molto più forte di futuri problemi. Il predittore più potente era la media dei voti del primo semestre; gli studenti a rischio avevano una media di 2,43, mentre quelli che stavano andando bene avevano una media di 3,24. Il numero di corsi che uno studente aveva fallito in precedenza, noto come corsi in debito (carryover), era il secondo fattore più importante. Gli studenti a rischio avevano fallito in media 2,5 corsi, rispetto a uno solo dei loro compagni. Altri fattori, come i punteggi delle valutazioni continue e la frequenza alle lezioni, hanno anch'essi giocato un ruolo; gli studenti in difficoltà frequentavano meno le lezioni e ottenevano punteggi più bassi nei test in corso. Interessantemente, i dati hanno mostrato che il genere dello studente o il modo specifico in cui era entrato all'università non aiutavano a prevedere chi avrebbe incontrato difficoltà, suggerendo che il comportamento accademico conti molto più del background demografico in questo contesto.
Per trovare il modo migliore di effettuare queste previsioni, i ricercatori hanno confrontato quattro diverse tecniche di apprendimento automatico, ognuna delle quali affronta il problema in modo leggermente diverso. Un metodo, chiamato foresta di decisioni (decision forest), costruisce molti semplici alberi decisionali per fare un tentativo collettivo. Un altro, noto come macchina a vettori di supporto (support vector machine), cerca di tracciare una linea complessa che separi gli studenti in difficoltà da quelli di successo. Quando i modelli sono stati testati su nuovi dati che non avevano mai visto prima, i risultati sono stati sorprendenti. Il modello che aveva ottenuto le migliori prestazioni durante la fase iniziale di addestramento non ha retto altrettanto bene di fronte a nuovi studenti. Inveve, la macchina a vettori di supporto e un metodo chiamato regressione logistica si sono dimostrati i più affidabili. La macchina a vettori di supporto ha identificato correttamente 16 dei 20 studenti in difficoltà nel gruppo di test, mancandone solo quattro, mantenendo al contempo relativamente bassi i falsi allarmi — ovvero studenti segnalati come in difficoltà quando invece stavano andando bene. I modelli informatici sono stati in grado di distinguere tra i due gruppi con un alto grado di precisione, provando che i modelli nei dati erano reali e coerenti.
Lo studio ha anche approfondito il motivo per cui i modelli prendevano le decisioni, assicurandosi che i risultati non fossero solo un trucco statistico ma riflettessero reali dinamiche educative. L'analisi ha confermato che ciò che uno studente fa durante il primo semestre è molto più indicativo di dove è partito. Sebbene i punteggi degli esami d'ingresso contassero, erano oscurati da come lo studente si comportava una volta effettivamente in aula. Il computer ha appreso che una media dei voti bassa, un alto numero di corsi falliti e una scarsa frequenza erano i segnali più forti che uno studente fosse in difficoltà. Ciò si allinea all'idea che l'apprendimento sia un processo attivo; gli studenti che non interagiscono con i propri studi, saltano le lezioni o non riescono a comprendere il materiale precocemente, sono quelli che hanno più bisogno di aiuto. I ricercatori hanno osservato che, sebbene i modelli fossero altamente efficaci nel individuare questi schemi, dovessero essere considerati uno strumento per supportare il giudizio umano, non per sostituirlo. Un computer può segnalare uno studente per attirare l'attenzione, ma sono i consulenti e gli insegnanti dell'università che devono fornire la comprensione e il supporto che ne consegue.
In definitiva, questa ricerca dimostra che le università possono utilizzare i dati che già raccolgono per costruire una rete di sicurezza per i loro studenti. Concentrandosi su indicatori precoci come i voti del primo semestre e la frequenza alle lezioni, le istituzioni possono identificare gli studenti che probabilmente incontreranno difficoltà molto prima che falliscano un esame finale. Lo studio suggerisce che la Nnamdi Azikiwe University, e altre simili, potrebbero implementare questi sistemi di allerta precoce per guidare la loro consulenza accademica. Invece di aspettare che si sviluppi una crisi, il personale potrebbe rivolgersi agli studenti nel momento stesso in cui i dati mostrano che stanno perdendo la rotta. Le scoperte offrono una via pratica da seguire: utilizzare i modelli nei record per innescare interventi tempestivi, garantendo che gli studenti che hanno più bisogno di aiuto lo ricevano prima che le loro difficoltà accademiche diventino impossibili da superare.
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.