Dati per il futuro: analisi predittiva e prevenzione della dispersione scolastica

Il capitolo evidenzia la complessità e la non univocità della definizione di dispersione scolastica (dropout), sottolineando come questa eterogeneità comprometta la misurazione e l'efficacia delle politiche. Una revisione sistematica della letteratura (2021-2024) ha messo in luce criticità quali l'uso di strumenti non specifici, la mancanza di dati longitudinali accurati (fondamentali per l'identificazione precoce), e la necessità di una definizione condivisa del costrutto. Viene esplorata la potenziale efficacia dell'Educational Data Mining (EDM) per sviluppare modelli predittivi di allerta precoce, ma si sollevano le problematiche etiche connesse, in particolare il rischio di bias algoritmico e di etichettamento degli studenti. Si raccomanda la collaborazione inter-agenzia per l'integrazione e la condivisione dei dati e la necessità di bilanciare innovazione e tutela etica e pedagogica