I risultati che ricaviamo dall’analisi degli alberi di re- gressione e dalla network analysis ci permettono di identificare chiaramente tre comunità di studenti, che si differenziano per: atteggiamento verso la matemati- ca, punteggio conseguito ai test, tipo di scuola di pro- venienza, genere e frequenza del MOOC.
Gli studenti della prima comunità ottengono punteggi elevati ai test e dichiarano di aver incontrato nel corso di ripasso di matematica contenuti che erano familiari per loro. Possiamo dire che la conoscenza, di natura concettuale, consente loro di sentirsi a proprio agio con il nuovo contesto universitario e di non vivere la matematica come uno shock (aspetto positivo, se- condo Clark e Lovric, 2008). Infine, sembrano esse- re in grado di selezionare i contenuti online utili per loro: infatti, hanno dichiarato di aver seguito in parte il MOOC e la nostra interpretazione è che, essendo questi studenti bravi in matematica, hanno selezio- nato i contenuti sui quali sentivano il bisogno di un ripasso: in qualche modo, hanno ottimizzato il tempo a disposizione.
Gli studenti della seconda comunità hanno una perfor- mance al test (5.9 in media) più bassa rispetto alla pri- ma comunità, dichiarano di non aver seguito il MOOC e apprezzano solo la parte in presenza del corso di ripasso. Anche per questi studenti, si assiste ad uno shock (nel senso di Clark e Lovric, 2008), perché la media dei punteggi ottenuti al test è abbastanza bassa. Inoltre, questi studenti sembrano non essere pronti né ad un metodo di studio che richiede maggiore autono- mia, né a formati di apprendimento a piccoli gruppi e per problemi. Ci aspettiamo che questi studenti incon- treranno difficoltà nel primo semestre all’università, come Andrà et al. (2013)1 hanno osservato in uno stu-
dio condotto in un contesto simile. I risultati di Andrà et al. (2013)1 rivelano che questi studenti hanno la più
1. C. Andrà, G. Magnano - F. Morselli, Undergraduate mathematics studen-
ts’ career as a decision tree, in Proceedings of the 18th Mathematical Views International Conference, a cura di M. Hannula et al., University of Helsinki,
Helsinki 2013.
Figura 7: Albero di regressione relativo al test T3 (funzioni), considerando la variabile “comunità” come esplicativa.
alta probabilità di non conseguire la laurea, se confron- tati con gli studenti che arrivano con curriculum mate- matico più debole, ossia coloro che appartengono alla terza comunità.
Abbiamo commentato che gli studenti della terza co- munità sono consapevoli delle lacune in matematica e lavorano per colmarle, seguendo sia il MOOC che il corso in presenza. Osserviamo che un primo risulta- to di questo sforzo si vede nei punteggi al test, perché superano i compagni provenienti dal Liceo Scientifico della comunità 2. Per la comunità 3, i contenuti del cor- so di ripasso rappresentano una novità. Secondo Andrà et al. (2013)1, questi studenti hanno una probabilità di
ottenere la laurea in tempo che è paragonabile a quella degli studenti nella prima comunità. Infatti, la cono- scenza matematica è importante, ma è anche impor- tante la consapevolezza dello studente in merito alle proprie debolezze.
Con la nostra ricerca, vogliamo contribuire a compren- dere il fenomeno dell’abbandono al primo anno degli studenti STEM, fenomeno che è considerato come una piaga quasi ovunque nel mondo. Abbiamo richiamato i principali fattori che possono contribuire a ridurre l’abbandono, prima identificando e poi intervenendo su sottogruppi di studenti che necessitano di interven- ti specifici all’inizio del loro percorso universitario di tipo STEM.
Dalla nostra ricerca emerge una conferma di scoper- te consolidate in contesti analoghi. Tuttavia, ci sono tre elementi di novità in questo studio: uno è il focus specifico sulle difficoltà iniziali degli studenti, sia di coloro che proseguono gli studi, sia di coloro che ab- bandonano2; un secondo elemento di novità consiste
nel prendere in considerazione gli atteggiamenti degli studenti verso materiali e-learning (MOOCs, in parti- colare); il terzo è l’idea di cercare di comprendere una sorta di gerarchia tra: caratteristiche personali, come genere e tipo di scuola, e opinioni sulla matematica, come variabili che possono spiegare i risultati ai test di matematica.
Dai risultati emerge che, se la scuola di provenienza è il primo fattore determinante nei punteggi ai test di matematica prima dell’inizio del primo semestre universitario, è anche determinante l’approccio alla matematica cui si è stati esposti nella scuola secon- daria, e soprattutto l’uso di strumenti digitali. Saper accogliere la novità costituita dal MOOC e saper di- scernere quali contenuti ripassare online sembra de- terminare una differenza significativa nei risultati in matematica.
Il genere, invece, gioca un ruolo importante, ma con- trariamente agli studi tradizionali dai quali emerge un vantaggio per i ragazzi, nel nostro studio in molti casi sono le ragazze a conseguire punteggi più elevati nei test. Se è vero che, in generale e in particolare come emerge in questo studio, i corsi di laurea in ingegneria attraggono maggiormente i ragazzi e l’approccio alla matematica può favorire i ragazzi rispetto alle ragazze, è anche vero che la controparte femminile sta guada- gnando terreno e possiamo concludere che, se una dif- ferenza di genere è osservabile, tale differenza non è più (fortunatamente) monodirezionale.
Un’ultima riflessione riguarda l’uso di risorse digitali: se confrontiamo la comunità 2 e la comunità 1, sem- bra che le tecnologie aumentino il divario nei risultati in matematica tra studenti provenienti da scuole con un forte curriculum in matematica, mentre siano un supporto valido per coloro che arrivano da un istituto diverso dal Liceo Scientifico. Questa differenziazio- ne nell’effetto dei contenuti online su diverse comuni- tà di studenti ci permette di concludere che l’uso di ri- sorse online, al momento, è un indicatore di successo nella carriera universitaria ed è necessario mettere in atto azioni che mirino a restringere il divario, laddove questo costituisce un fattore svantaggiante, come per gli studenti della comunità 2. Allo stesso tempo sono necessarie azioni che promuovano l’uso di risorse on line, quando esse permettono al contrario di colmare il divario, come accade per gli studenti della comu- nità 3. Una promozione indiscriminata di tecnologie digitali non sembra essere la strategia migliore per ridurre l’abbandono degli studenti nel corso del primo anno di studi universitari, ma una proposta differen- ziata e personalizzata è la direzione che sembra più auspicabile.
Chiara Andrà, Domenico Brunetto MOX - Dipartimento di Matematica,
Politecnico di Milano Alessia Pini Dipartimento di Matematica, Università del Sacro Cuore di Milano
2. Non tenere in considerazione, in questo studio, dati relativi alla successiva
carriera ci permette di concentrarci sulla situazione iniziale degli studenti. Gli studi citati nell’introduzione approfondiscono, invece, gli aspetti relativi alla relazione tra situazione iniziale e successo accademico. Il nostro studio si concentra specificamente sul problema dell’individuazione delle difficoltà iniziali e si ispira agli studi precedenti per trarre conclusioni a proposito della futura carriera universitaria.