Come le competenze delle scuole superiori influenzano le scelte universitarie in Italia

Questo articolo analizza come le abilità degli studenti delle scuole superiori italiane in matematica e nella lingua italiana influenzano le loro scelte di iscrizione all'università, in particolare nei campi STEM (Scienza, Tecnologia, Ingegneria e Matematica). Facciamo una distinzione tra gli studenti che provengono da percorsi scientifici e quelli da percorsi umanistici nelle scuole superiori. Questo ci fornisce indicazioni utili sul perché scelgono certi campi. L'articolo esamina anche potenziali differenze di Genere nelle loro esperienze e scelte educative.

Usiamo un metodo chiamato gradient boosting, un tipo di apprendimento automatico, per fare le nostre previsioni. Questo approccio è conosciuto per la sua accuratezza e per la capacità di capire relazioni complesse nei dati. Consideriamo anche vari fattori socio-demografici, così come il rendimento degli studenti nella loro istruzione precedente. I nostri risultati mostrano chiare differenze nelle scelte di iscrizione basate sulle performance accademiche passate. Vogliamo rivelare come le competenze accademiche, il genere e i background delle scuole superiori influenzano le scelte universitarie degli studenti. Questa ricerca ha potenziali implicazioni per la politica educativa e ulteriori studi.

#Il Paesaggio Educativo Dopo la Seconda Guerra Mondiale

Dalla fine della Seconda Guerra Mondiale, l'istruzione è cresciuta notevolmente in tutto il mondo, aumentando la domanda di opportunità educative a tutti i livelli. Questa crescita si pensava dovesse promuovere valori democratici e ridurre le disuguaglianze educative. Tuttavia, nonostante questi progressi, vediamo ancora lacune nei risultati educativi tra diversi gruppi sociali.

Un'importante area di attenzione nella ricerca è stato l'impatto del genere sulle scelte educative, soprattutto nell'istruzione superiore. Ad esempio, studi negli Stati Uniti hanno dimostrato che le ragazze spesso performano meglio dei ragazzi nella lettura, completano più gradi e ripetono meno gradi. Sono anche più propense a scegliere programmi accademici nelle scuole superiori e a proseguire con l'istruzione superiore.

Nonostante i miglioramenti nell'istruzione femminile a livello secondario e terziario, non c'è stato molto progresso nella riduzione della segregazione di genere nei campi di studio. Gli studi mostrano differenze significative, specialmente tra i campi umanistici e scientifici, con le donne sotto-rappresentate nelle aree STEM. Una statistica notevole del 2020 indica che nei paesi dell'OCSE, le donne costituivano solo il 31% delle nuove iscrizioni nei programmi di laurea STEM. Questi schemi si osservano a livello globale, indicando barriere strutturali che continuano a separare i generi nell'istruzione.

La ricerca ha cercato di identificare fattori individuali e influenze esterne che portano a diverse scelte educative tra ragazzi e ragazze. Un'attenzione particolare è stata data alla mancanza di modelli di riferimento femminili e alle pressioni che le ragazze possono affrontare riguardo alle carriere STEM a causa di stereotipi sociali e dell'influenza di insegnanti e coetanei. Altri studi hanno esaminato come il successo educativo precedente impatti la decisione di intraprendere determinati campi all'università.

Ci sono due categorie principali di fattori che influenzano il genere nell'istruzione: effetti primari ed effetti secondari. Gli effetti primari riguardano le differenze nelle performance e nei risultati che sorgono dalle attitudini dei maschi e delle femmine. Gli effetti secondari riguardano le percezioni e le aspettative di genitori, insegnanti e studenti riguardo alla probabilità di successo basata sul genere.

#Approfondimenti dal Sistema Educativo Italiano

Concentrandosi sull'Italia, i dati dell'Istituto Nazionale di Statistica evidenziano un significativo divario nella partecipazione STEM rispetto ad altri paesi europei. Nel 2021, solo il 24,7% dei laureati in Italia erano laureati STEM, rispetto al 26,8% in Francia, al 27,5% in Spagna e al 32,2% in Germania. È importante notare che le donne avevano una partecipazione notevolmente inferiore nei campi STEM rispetto agli uomini: su ogni 100 donne con una laurea terziaria, solo 15 si specializzavano in STEM, rispetto a 33 uomini.

Studi internazionali sottolineano la necessità di modelli che considerino la complessa struttura delle differenze educative. Molti modelli statistici tradizionali sono stati usati per analizzare queste differenze, ma negli ultimi anni c'è stata una transizione verso modelli di apprendimento automatico flessibili che possono gestire dati complessi e vari senza assunzioni rigide. Questi modelli possono anche gestire grandi volumi di dati e adattarsi a tendenze diverse nei dati.

#Obiettivi della Ricerca

La nostra ricerca mira a indagare come i background delle scuole superiori impattino le scelte di iscrizione universitaria in Italia. Siamo particolarmente interessati a come i successi educativi precedenti influenzino le decisioni degli studenti maschi e femmine riguardo all'iscrizione universitaria e ai campi specifici di studio. Inoltre, guardiamo agli studenti che eccellono in matematica e italiano per identificare ulteriori differenze nelle loro scelte accademiche. Questo studio potrebbe fornire indicazioni sui fattori che guidano il successo accademico e contribuire a comprendere le differenze di genere nell'istruzione.

Per condurre questa ricerca, utilizziamo dati provenienti da due fonti amministrative italiane: il Ministero dell'Università e della Ricerca e INVALSI. Questo dataset combinato segue gli studenti dal loro ultimo anno di scuola superiore fino al loro primo anno di università.

#La Struttura dell'Articolo

L'articolo è organizzato in diverse sezioni. La prima sezione rivede studi precedenti sulle differenze di genere nel STEM. La seconda sezione descrive i dati utilizzati nello studio. La terza sezione delinea i metodi applicati. La quarta sezione presenta un'analisi esplorativa, mentre l'ultima sezione discute i risultati del nostro modello di gradient boosting.

#La Revisione della Letteratura

Questa sezione rivede la letteratura internazionale riguardante i divari di genere nel STEM, con particolare attenzione all'Italia. Gran parte della letteratura si concentra sulla performance degli studenti in matematica, con risultati che suggeriscono che le competenze accademiche complessive e la competenza in matematica siano cruciali per l'iscrizione ai programmi STEM all'università. Il divario di genere nell'istruzione superiore sembra derivare da fattori che influenzano gli interessi degli studenti anche prima di arrivare all'università.

Recenti ricerche hanno indicato che le scelte educative degli studenti sono influenzate da differenze di genere già dalla scuola primaria. Gli stereotipi sociali suggeriscono che le ragazze si indirizzino naturalmente verso materie che enfatizzano discipline umanistiche e di cura. Sono state esplorate varie teorie per spiegare queste preferenze educative. Le dinamiche familiari, gli ambienti scolastici e gli atteggiamenti dei docenti influenzano le attitudini degli studenti maschi e femmine verso specifiche materie, influenzando così le loro scelte educative.

Ulteriori studi hanno esaminato gli stereotipi di genere impliciti relativi alla matematica. È stata trovata una correlazione positiva tra l'identità di uno studente nel STEM e la sua persistenza nel perseguire carriere correlate. Secondo la teoria dell'identità bilanciata, le ragazze che vedono la matematica e la scienza come domini maschili possono consapevolmente evitare di intraprendere quei campi, credendo di non essere adatte a loro.

Alcuni ricercatori sostengono che le differenze di genere nelle performance matematiche non spiegano completamente gli squilibri tra maschi e femmine che entrano nei campi STEM. Le credenze culturali sui generi e la matematica possono influenzare le scelte educative in modo diverso per ragazzi e ragazze. Ad esempio, se una ragazza crede che i maschi siano più bravi in matematica, potrebbe dubitare delle proprie capacità e perdere interesse per le carriere legate alla matematica.

Sebbene gran parte di questa ricerca provenga dagli Stati Uniti, tendenze simili appaiono nei contesti europei. Gli studi europei affrontano i fattori che influenzano le scelte di carriera STEM, rivelando che maschi e femmine attribuiscono importanza diversa alle Prestazioni Accademiche precedenti. Ad esempio, i ragazzi nel Regno Unito tendono a essere più influenzati dalle loro abilità in inglese e matematica quando considerano scelte correlate al STEM, mentre le ragazze rispondono di più alle loro performance in materie come biologia e chimica.

In Italia, la mancanza di informazioni accurate sulle prospettive di carriera legate ai programmi di laurea può portare gli studenti a basare le loro scelte su interessi personali o "lavori dei sogni", che sono spesso influenzati da stereotipi di genere. La teoria della scelta razionale suggerisce che gli individui favoriscono percorsi educativi che aumentano le loro possibilità di successo, indicando che socializzazione e razionalità plasmano le scelte educative di genere.

Il sistema scolastico italiano è gerarchico, composto da licei accademici che preparano gli studenti per l'università, scuole tecniche che offrono formazione professionale e scuole professionali destinate all'ingresso diretto nel mondo del lavoro. La scelta del curriculum scolastico avviene a 13 anni, spesso influenzata significativamente dalla guida dei genitori piuttosto che dalle decisioni personali degli studenti.

Nonostante i principi di pari opportunità, i sistemi educativi italiani storicamente segregano gli studenti in base alla classe e al genere, costringendo le famiglie a iscrivere i figli in scuole che si allineano a specifici normativi sociali ed educativi. Le performance accademiche e le preferenze specifiche per genere in determinati stadi educativi riflettono successi e interessi precedenti.

Studi hanno dimostrato che le studentesse richiedono segnali più forti di abilità matematica per scegliere i campi STEM. Di conseguenza, la distribuzione di genere nei percorsi educativi è disomogenea in Italia. Le femmine rappresentano circa il 70% degli studenti negli licei classici, quasi il 50% negli licei scientifici tradizionali e solo il 32% nelle scienze applicate, che si concentrano su studi scientifici e tecnologici introdotti in una riforma del 2010.

#Fonti Dati per l'Analisi

Il dataset utilizzato in questo studio combina due fonti nazionali. La prima proviene da INVALSI, che conduce test standardizzati per valutare la qualità del sistema educativo italiano. Questi test vengono somministrati agli studenti a vari livelli educativi per valutare le loro competenze in matematica e lingua italiana.

La seconda fonte è dall'Archivio Nazionale degli Studenti Universitari, che contiene informazioni dettagliate su tutti gli studenti iscritti alle università italiane dal 2010 al 2020. Collegando questi dataset, possiamo seguire le transizioni dalla scuola superiore all'università e analizzare le connessioni di performance.

Questo studio si concentra sugli studenti nei percorsi di scuola superiore umanistica e scientifica, facendo ulteriori distinzioni tra percorsi scientifici tradizionali e applicati basati su risultati accademici diversi.

#Variabili Considerate

La nostra analisi considera diversi fattori:

• Macroregione della Scuola Superiore: La regione geografica della scuola superiore frequentata dallo studente.
• Status Socioeconomico della Scuola Superiore (SES): Lo status SES complessivo della scuola, che riflette lo stato economico e culturale delle famiglie degli studenti.
• Scuola Pubblica/Privata: Se lo studente ha frequentato una scuola superiore pubblica o privata.
• Curriculum della Scuola Superiore: Il tipo di curriculum della scuola superiore, specificamente umanistico o scientifico (tradizionale e applicato).
• Punteggio INVALSI in Matematica: I punteggi ricevuti dagli studenti nel test INVALSI di matematica nel loro anno finale di scuola superiore.
• Punteggio INVALSI in Italiano: I punteggi dal test INVALSI di italiano.

#Gradient Boosting e Interpretazioni del Modello

Questa sezione spiega il gradient boosting, un modello di apprendimento automatico utilizzato per prevedere risultati basati sui fattori scelti. L'apprendimento automatico offre un modo potente per analizzare dati complessi con molte variabili, aiutando a spiegare relazioni complicate.

Il gradient boosting è un modello ensemble che combina le previsioni di più modelli più deboli, tipicamente alberi decisionali. L'obiettivo è trovare una funzione che si adatti meglio alla variabile di output basata sulle variabili di input. Il processo inizia con un modello semplice che fa previsioni, che vengono poi affinate attraverso l'aggiunta sequenziale di modelli più deboli addestrati sugli errori precedenti.

La nostra ricerca utilizza la gradient boosting machine (GBM) per la sua popolarità e affidabilità.

#Metodi di Interpretazione

Comprendere come funziona il modello e interpretare le sue previsioni è cruciale. Ci sono strumenti per rivelare i fattori più importanti che influenzano le previsioni. Esploriamo tre metodi interpretativi principali: influenza relativa dei predittori, Effetti Locali Accumulati (ALE) e Grafici di Dipendenza Parziale Multi-Dimensionali (PDP).

Influenza Relativa dei Predittori: Questo misura quanto ciascuna variabile contribuisca a ridurre gli errori di previsione nel modello. Fornisce un ranking delle variabili in base alla loro importanza, aiutando a guidare la selezione delle variabili per i modelli finali.

Grafici di Dipendenza Parziale (PDP): Questi grafici visualizzano come una o più variabili influenzano le previsioni del modello. Revelano relazioni tra variabili selezionate e risultati previsti.

Effetti Locali Accumulati (ALE): I grafici ALE offrono intuizioni sull'impatto delle singole variabili sulle previsioni. Analizzano le differenze nelle previsioni su un intervallo di una variabile, fornendo una comprensione di come la variabile influisca sui risultati del modello.

#Analisi Esplorativa

Questa sezione presenta un'analisi esplorativa delle scelte di iscrizione universitaria fatte da studenti maschi e femmine, enfatizzando l'associazione tra il rendimento educativo precedente e i percorsi universitari.

I dati descrivono gli studenti iscritti nel loro anno finale di scuole superiori in Italia durante l'anno accademico 2018/19, mostrando differenze nelle scelte di iscrizione universitaria basate su genere e caratteristiche socio-demografiche.

Le studentesse sono generalmente più propense a iscriversi all'università ma meno inclini a scegliere programmi STEM. Il divario tra il nord e il sud Italia emerge nelle scelte di iscrizione, con una percentuale più alta di studenti non iscritti al sud. Gli studenti del nord, in particolare i maschi, mostrano una preferenza più forte per i campi STEM rispetto ai loro coetanei meridionali.

Lo status socio-economico della scuola è correlato all'iscrizione universitaria, con studenti provenienti da scuole con un SES più elevato più propensi a scegliere programmi non STEM. Gli studenti che frequentano scuole pubbliche mostrano una maggiore probabilità di iscriversi sia all'università sia a programmi STEM rispetto agli studenti delle scuole private.

Gli studenti con background umanisti mostrano differenze minime nelle scelte, mentre le femmine nei licei scientifici tendono ad essere meno propense a iscriversi a programmi STEM rispetto ai maschi. Punteggi più elevati nei test di matematica e italiano di INVALSI sono correlati a una minore percentuale di studenti che non si iscrivono all'università.

#Risultati dell'Analisi

Presentiamo i principali risultati dalla nostra analisi utilizzando modelli di gradient boosting. Il primo modello prevede la probabilità di iscrizione a un'università italiana, mentre il secondo modello si concentra sulla previsione dell'iscrizione ai programmi STEM.

Abbiamo escluso gli studenti con un punteggio di zero in uno dei test INVALSI, che rappresentava una piccola parte del dataset totale, per mantenere le prestazioni del modello. Il dataset è stato suddiviso in gruppi di addestramento e di test, con il modello valutato utilizzando curve ROC per assessare la performance.

Entrambi i modelli hanno dimostrato curve ROC bilanciate, indicando un efficace equilibrio tra sensibilità e specificità. Il Modello 1 ha avuto un AUC di 0.71, mentre il Modello 2 ha avuto un AUC leggermente più basso di 0.69.

#Importanza dei Predittori

Successivamente, abbiamo esaminato l'importanza dei predittori nei nostri modelli. Nel Modello 1, il punteggio di italiano era il fattore più influente nella previsione dell'iscrizione universitaria, seguito da vicino dal punteggio di matematica. Lo status socio-economico della scuola ha giocato un ruolo significativo, mentre fattori come il curriculum della scuola superiore e il genere sono stati meno impattanti.

Al contrario, il Modello 2 ha rivelato il curriculum della scuola superiore come il predittore più importante per l'iscrizione STEM, con il punteggio di matematica che ha assunto un ruolo secondario. Questo evidenzia l'importanza del curriculum nella previsione degli esiti STEM.

#Esplorazione delle Relazioni Tramite ALE e PDP

Utilizzando grafici ALE, abbiamo esplorato le relazioni non lineari tra i predittori e gli esiti di iscrizione. Ad esempio, uno status socio-economico più elevato ha generalmente influenzato positivamente l'iscrizione universitaria, ma ha mostrato un effetto più sfumato sull'iscrizione STEM.

Per quanto riguarda il punteggio di matematica, entrambi i modelli hanno mostrato un'influenza positiva sull'iscrizione. Il Modello 2 ha dimostrato una relazione non lineare particolarmente pronunciata, indicando che le performance in matematica influenzano significativamente la scelta di iscriversi a programmi STEM.

Abbiamo anche calcolato grafici di Dipendenza Parziale Multi-Dimensionali per visualizzare come il curriculum scolastico, il genere e le performance nei test di italiano e matematica influenzino in modo interattivo le probabilità stimate di iscrizione universitaria e STEM.

In generale, abbiamo trovato che la probabilità di iscrizione all'università aumentava con punteggi più alti in entrambe le materie. Tuttavia, gli studenti con performance basse nelle scienze applicate mostravano minori probabilità di iscriversi rispetto ad altri.

Quando ci siamo concentrati sulle scelte STEM, gli studenti delle scienze applicate avevano una maggiore inclinazione a iscriversi a questi programmi. I maschi mostrano una maggiore inclinazione verso il STEM, specialmente se eccellono in matematica. Le studentesse mostrano probabilità più basse di iscrizione STEM rispetto agli studenti maschi, soprattutto quando hanno buone performance in matematica e punteggi scarsi in italiano.

Infine, gli studenti provenienti da curricula scientifici avevano probabilità di STEM stimate che cadevano tra gli estremi fissati da quelli umanistici e dalle scienze applicate.

#Conclusione

Questo articolo ha esaminato come le abilità accademiche degli studenti delle scuole superiori italiane in matematica e italiano, insieme al genere e al background scolastico, influenzino le loro scelte di iscrizione universitaria. La nostra analisi ha rivelato importanti intuizioni su come questi fattori interagiscono.

I risultati confermano il ruolo significativo che la performance in matematica e italiano gioca nel modellare le scelte degli studenti per l'istruzione superiore. In particolare, sono emerse differenze di genere, con gli studenti maschi tendenti a eccellere in entrambe le materie, portando a una maggiore inclinazione verso i campi STEM.

Lo studio sottolinea l'importanza di comprendere le complesse relazioni tra performance accademica, genere e background educativi nell'influenzare l'iscrizione universitaria. Sebbene una forte performance in matematica fosse legata a un aumento dell'iscrizione ai programmi STEM, ciò era particolarmente evidente tra gli studenti maschi all'interno di curricula scientifici.

Tuttavia, le variabili investigate rappresentano solo una frazione dei tanti fattori potenzialmente influenzanti le decisioni degli studenti riguardo all'iscrizione universitaria. Aspirazioni individuali, orientamento professionale e contesti culturali potrebbero tutti influenzare significativamente l'intricata rete delle scelte educative.

Questa ricerca evidenzia anche la necessità di metodi statistici che tengano conto delle varie interconnessioni tra diversi fattori come lo status socio-economico, il genere e l'abilità accademica.

I risultati hanno importanti implicazioni per la politica educativa, sottolineando la necessità di interventi mirati nelle scuole per affrontare le disparità di genere e creare percorsi che considerino i punti di forza e gli interessi degli studenti.

In conclusione, mentre questo studio fornisce intuizioni preziose, esistono limitazioni, come l'incapacità di tenere conto degli studenti che possono essersi iscritti a università all'estero. Ulteriori ricerche potrebbero migliorare la comprensione in questo campo e aiutare a plasmare strategie educative efficaci.