CopertinaAnnamaria

5.2 - L’uso della regressione logistica multipla nella ricerca educativa

Quali sono le caratteristiche degli studenti che usano mobile LMS per partecipare alle attività didattiche nel contesto universitario? Quali quelle di chi non li usa?
Chi sono gli studenti che si iscrivono a corsi universitari online? Chi preferisce quelli tradizionali?
Due studi che descriviamo di seguito rispondono a queste domande rispettivamente nel contesto coreano e statunitense.
L’uso della regressione logistica in entrambi permette di distinguere gli studenti in due gruppi, quelli che usano mobile LMS e quelli che non li usano, così come quelli che si iscrivono ai corsi online e quelli che optano per i corsi tradizionali.
Ricerche di questo tipo permettono di progettare e realizzare interventi didattici più appropriati alle modalità e abitudini di studio degli studenti utilizzando gli strumenti digitali o tradizionali in base alle necessità. Allo stesso modo, procurano informazioni alle istituzioni formative sulle lacune da colmare nei servizi predisposti e sulle opportunità per potenziare i percorsi di apprendimento offerti e renderli maggiormente funzionali rispetto alle necessità degli studenti, allargando il bacino di iscritti nella formazione e scegliendo i canali e le modalità formative adeguate in maniera critica e guidata dai dati e dalla ricerca.
Il diffuso uso dei sistemi mobile e l’impegno degli atenei nel fornire contenuti anche attraverso questi canali sono il punto di partenza della ricerca di Insook Han e Won Sug Shin (2016) #nalizzata all’individuazione di una possibile relazione fra background individuale, fattori psicologici ed esterni nell’adozione di mobile LMS da parte degli universitari. A 2000 studenti che hanno frequentato una delle 10 edizioni di un corso di “Introduzione al Cyber Learning” in una università online della Corea del sud è stato somministrato un questionario suddiviso in due parti, la prima dedicata a raccogliere dati sulle caratteristiche personali (età, genere, stato occupazionale, uso del mobile LMS) e la seconda con domande di carattere psicologico (self-ef#cacy, disponibilità all’innovazione, attitudine nell’uso delle tecnologie, utilità percepita) o di contesto (pressione sociale nell’uso del mobile e livello percepito di accessibilità dei sistemi mobile) in una scala Likert a 5 livelli. Usando la regressione logistica, gli autori hanno costruito tre modelli: il primo comprende variabili che hanno a che fare solo con i dati personali, il secondo aggiunge anche variabili relative alle caratteristiche psicologiche e il terzo comprende tutte le variabili rilevate. Quest’ultimo è il modello che ha un valore di PseudoR² più alto (0,145). Nelle tabelle descrittive dei dati, gli autori riportano il valore dei coef#cienti b_i, dell’errore standard e dell’odds ratio che, come abbiamo detto, è il valore che ci permette di leggere con più semplicità i risultati e confrontare gli effetti di uno stesso regressore.
L’articolo propone anche una seconda domanda di ricerca #nalizzata a stabilire la relazione fra uso del mobile e risultati accademici sullo stesso campione per la cui risposta si procede nell’analisi con l’uso della regressione lineare.
I predittori signi#cativi dell’uso di LMS mobile tra gli studenti intervistati risultano essere da questo studio la self-ef#cacy, l’innovatività, la facilità d’uso e l’utilità percepite tra i fattori psicologici e la pressione sociale tra i fattori esterni. I risultati permettono sia di comprendere le scelte degli studenti nell’uso dei mobile LMS, sia di ipotizzare percorsi di supporto e formazione sui vantaggi di questi strumenti a determinate categorie di studenti.
Spostandoci nel contesto statunitense, lo studio “From the periphery to prominence: an examination of the changing pro#le of online students in American higher education” (Ortagus, 2016) analizza le caratteristiche e le iscrizioni a corsi online su un ampio campione formato da circa 240.000 studenti registrati dal “National Postsecondary Student Aid Study” (NPSAS) negli anni 2000, 2004, 2008, 2012. La logica utilizzata è sovrapponibile a quella dello studio precedente: quali studenti del campione appartengono al gruppo degli iscritti a corsi universitari online? Quali appartengono al gruppo degli iscritti a corsi tradizionali? Quali sono le caratteristiche degli studenti appartenenti ad entrambi gruppi? È possibile rilevare una qualche relazione fra le caratteristiche degli studenti e la loro scelta di iscriversi o meno ai corsi online?
Oltre a usare strumenti di statistica descrittiva per descrivere le distribuzioni delle variabili identi#cate, l’autore usa la regressione logistica di cui riporta come risultati gli odds ratio con gli standard error. La variabile dipendente è quindi la partecipazione ai corsi online espressa da due modalità: la prima “alcuni insegnamenti online” (1-99%) e la seconda “tutti gli insegnamenti online” (100%). Le tre ipotesi formulate intendono veri#care una correlazione positiva fra iscrizione a corsi interamente online e:

1. 
   vincoli di tempo e spazio. Tradotto in variabili: stato occupazionale e civile, genere, genitorialità, età, servizio prestato nell’esercito;
   
2. 
   caratteristiche sotto-rappresentate nel tempo nell’istruzione superiore. Tradotto in variabili: appartenere a una minoranza, bassa fascia di reddito, prima generazione di studenti in famiglia;
   
3. 
   caratteristiche delle istituzioni. Tradotto in variabili: dimensioni e tipologia (pubblica o privata) dell’istituzione, anni di durata del percorso formativo.
   

Le differenze nella scelta di iscriversi a corsi in modalità totalmente online possono essere spiegate secondo l’autore anche dal concetto della microeconomia di costo opportunità, mostrando la possibilità di iscriversi a corsi online come la migliore soluzione se confrontata in termini di costi per soggetti che in caso contrario non proseguirebbero gli studi perché costretti a lasciare il lavoro, per i numerosi impegni familiari o altro.
Un tema completamente diverso da quelli delle precedenti ricerche è affrontato ugualmente attraverso la tecnica della regressione logistica nell’articolo di Paul L. Morgan e colleghi (2017) che si pone nel dibattito sulla sovra- o sotto- rappresentazione degli studenti appartenenti a particolari gruppi etnici fra quelli certi#cati per una qualche disabilità nelle scuole statunitensi. Dall’analisi della letteratura che gli autori ci propongono, tanti sono gli studi sul tema di interesse anche governativo, particolarmente delicato a livello sociale e sanitario. Si tratta di un fenomeno che deve tenere in conto aspetti diversi, quali i risultati scolastici e le dif#coltà collegate al raggiungimento degli stessi, pregiudizi, disuguaglianze legate alle scuole frequentate (con alta concentrazione di particolari etnie e con scarse risorse) o alle condizioni familiari. L’articolo ci mostra come l’analisi dei dati e la regressione logistica possono essere utili strumenti per leggere problemi di questo tipo. Gli autori utilizzano i numerosissimi dati provenienti dall’indagine “National Assessment of Educational Progress” (NAEP) somministrata dal 1969 dal National Center for Education Statistics, entità federale delegata dal Congresso a raccogliere e analizzare dati relativi ai livelli di istruzione e ai risultati accademici negli Stati Uniti e in altre nazioni. L’indagine NAEP raccoglie dati sull’andamento scolastico degli studenti statunitensi di alcuni gradi (quarto, ottavo e dodicesimo) in molti ambiti fra cui quelli utilizzati nello studio qui presentato, ossia le abilità di lettura e di calcolo. I test somministrati hanno alti livelli di af#dabilità e i metodi di campionamento sono predisposti in modo da raccogliere informazioni da ogni giurisdizione.
Le dimensioni del campione analizzato sono considerevoli: 183.570 studenti di quarto grado (anno 2013), 165.540 dell’ottavo (anno 2013) e 48.560 del dodicesimo (anno 2009).
Le variabili riguardano:

• 
  lo stato di disabilità corrispondente a: la predisposizione per lo studente di un programma individualizzato di educazione (Individualized Education Program – IEP) indispensabile nella scuola per ricevere servizi di special education; la disabilità per la quale il bambino è segnalato (disturbi emotivi, autismo, dif#coltà nel linguaggio, ADHD, disabilità cognitive ecc.);
  
• 
  l’etnia di appartenenza (bianca, nera, ispanica, asiatica, indiani d’America, nativi del Paci#co, multiple races);
  
• 
  i risultati ottenuti nei test sull’abilità di lettura (e calcolo) del NAEP;
  
• 
  genere, reddito familiare (misurato come accesso gratuito ai servizi per la mensa), condizione di ELL (English Language Learning) in riferimento all’apprendimento dello studente della lingua inglese.
  

Per ogni grado scolastico, gli autori descrivono 4 modelli di regressione logistica con diversi gruppi di variabili indipendenti: nel primo solo l’etnia, nel secondo genere e risultati NAEP, nel terzo genere e variabili aggiuntive per valutare unicamente le inQuenze sociali e demogra#che; nel quarto tutte le variabili (con un intervento in più per ridurre gli effetti dell’appartenenza a una scuola piuttosto che a un’altra). Calcolano inoltre i modelli per le singole disabilità e ripropongono il secondo modello anche per anni diversi sui dati disponibili.
Ancora una volta, i risultati delle regressioni logistiche che ci vengono restituiti sono espressi nella formulazione degli odds ratio.
Solo a scopo esempli#cativo vediamo alcuni dati rilevati da una delle tabelle nello studio (Figura 5.5). Il primo modello evidenzia che i bambini che rientrano nell’etnia degli Indiani d’America hanno maggiori probabilità di rientrare fra i bambini speciali rispetto ai bambini bianchi. Il valore dell’odds ratio è infatti pari a 1,27. Usando la formula (5.7) otteniamo che 27% è il valore di incremento.
(5.7)
(e^b−1) ⋅ 100 = (1,27−1) ⋅ 100 = 27%
I risultati cambiano negli altri modelli nei quali sono inseriti fra le variabili indipendenti i risultati NAEP. Guardando ai coef#cienti signi#cativi (Tabella 5.2), notiamo ad esempio che i bambini neri o ispanici nel secondo modello hanno una probabilità rispettivamente inferiore del 57% e 63% rispetto ai bambini bianchi di essere inseriti fra i disabili.
I valori del terzo modello non si discostano dal primo quanto quelli del secondo o del quarto, cosa che può giusti#care studi precedenti, ci dicono gli autori, che non hanno considerato nel fenomeno gli aspetti prettamente scolastici e legati all’apprendimento.
Il quarto modello pare essere il più rigoroso e indica delle disparità fra le etnie ma anche fra gli studenti di sesso femminile (30%), a basso reddito (25%) e ELL (67%) che rientrano fra quelli che hanno meno probabilità di essere identi#cati come disabili.