Nel 2012 la Georgia State University aveva un problema serio: un tasso di laurea del 44%, tra i più bassi delle grandi università americane. Migliaia di studenti abbandonavano ogni anno per motivi che a guardarli da fuori sembravano piccoli, ma che per loro erano insormontabili: una bolletta non pagata, un corso prerequisito mancato.
Il provost Timothy Renick scelse una strada diversa. Niente più counseling generico o tutoraggio costoso, ma un sistema predittivo che individuasse prima chi rischiava di abbandonare, mandando alert proattivi ai tutor nel momento giusto.
Il sistema GPS Advising analizzava 800 variabili per studente, dai voti alle presenze fino alle interazioni con i servizi di supporto. Così l’università riusciva a intervenire settimane prima che lo studente smettesse di frequentare.
Sei anni dopo il tasso di laurea era salito al 55%, con 56.000 studenti laureati in più e senza un aumento significativo del budget per il supporto.
Nel 2026, in Italia, il problema resta aperto: il 15-20% degli studenti abbandona dopo il primo anno, con un divario regionale pesante tra Nord (12%) e Sud (25%). Ogni abbandono è un costo per la famiglia, per l’ateneo e per il sistema-paese.
La domanda vera è questa: possiamo prevedere l’abbandono prima che accada e intervenire in modo efficace? La risposta è sì, e non serve un’intelligenza artificiale da fantascienza. Bastano dati essenziali, modelli statistici ragionevoli e la volontà organizzativa di usarli.
Problema reale
I dati ISTAT e Anvur mostrano che il tasso di abbandono cambia molto in base all’area geografica e al tipo di ateneo, con costi stimati in centinaia di milioni di euro l’anno. Il divario Nord-Sud è marcato: uno studente del Sud ha il doppio delle probabilità di abbandonare rispetto a uno del Nord-Ovest.
Modello concettuale
Gli studi europei e italiani individuano predittori forti e a volte controintuitivi. Il numero di CFU acquisiti nel primo semestre è il segnale più potente, più ancora del voto di maturità. L’abbandono non è un evento improvviso: è la fine di un processo lungo, fatto di disimpegno progressivo, leggibile nei dati accademici e nell’engagement digitale.
Lo studente a rischio alto ha di solito una media bassa nel primo semestre, pochi CFU, una frequenza scarsa dell’LMS, un corso scelto come seconda opzione e un voto di maturità basso.
Formalizzazione rigorosa
Raccolta e integrazione dati
I dati sono spesso sparsi in silos diversi: segreteria, LMS, orientamento, presenze. Il primo passo è costruire una pipeline che integri queste fonti in un unico dataset per studente.
Feature engineering
Tra le variabili più predittive ci sono i CFU del primo semestre, il tasso di superamento esami, la media voti, i giorni di inattività sull’LMS, il voto di maturità, la scelta del corso, lo status di pendolare e l’eventuale lavoro.
Modello predittivo
Random Forest e Gradient Boosting raggiungono un AUC tra 0.82 e 0.88, distinguendo bene gli studenti a rischio da quelli che non lo sono. La soglia di rischio per far scattare l’alert dipende dalle risorse a disposizione: soglie più alte riducono i falsi positivi ma intercettano meno studenti, soglie più basse allargano la copertura al prezzo di più falsi allarmi.
Interpretabilità
I CFU del primo semestre dominano l’importanza delle feature, a conferma che è il comportamento accademico dei primi mesi a contare davvero.
Esempio o caso studio
La Georgia State University, insieme ad altri atenei come il Politecnico di Milano, l’Università di Trento e la Purdue University, ha mostrato che i sistemi di early warning abbinati a interventi proattivi riducono in modo netto l’abbandono, con tassi di successo degli interventi fino al 72%.
Lab / esercizio
A livello base puoi estrarre i dati grezzi dal gestionale e individuare gli studenti con zero CFU a febbraio.
A livello intermedio puoi costruire un modello semplice di regressione logistica con le feature principali e valutarne l’AUC.
A livello research-grade puoi implementare un Random Forest o un Gradient Boosting con cross-validation e ottimizzazione della soglia di rischio.
Come materiali ti servono dataset anonimi di studenti italiani, qualche esempio di query SQL per l’integrazione e script Python per feature engineering e modeling.
Errore tipico da evitare
Non fermarti al modello: il valore sta nell’intervento, tempestivo e proattivo. Evita anche di appiccicare agli studenti l’etichetta di “rischio” senza un framing positivo, perché rischi di innescare profezie autoavveranti e demoralizzazione.
Quiz o checkpoint
- Qual è il predittore più utile dell’abbandono universitario?
- Perché è importante scegliere la soglia di rischio in base alle risorse?
- Quali sono i rischi etici nell’uso di modelli predittivi per l’abbandono?
- Come si può monitorare l’equità del modello?
Il punto
Prevedere l’abbandono universitario è una disciplina di decisione sotto incertezza, dove dati, modelli e azione organizzativa devono andare insieme. I dati ci sono e la tecnologia è accessibile, ma serve una cultura che premi l’intervento proattivo e ne misuri l’impatto. La sfida non è tanto tecnica quanto culturale ed etica: usare i dati per aiutare davvero lo studente, non per sorvegliarlo.
Un sistema predittivo fatto bene può ridurre l’abbandono di 2-4 punti percentuali in 18 mesi, con un ritorno sull’investimento già nel primo anno. È un approccio che ogni ateneo italiano dovrebbe prendere in considerazione per valorizzare il capitale umano e rendere più efficiente il sistema universitario.