[Contesto] La previsione precoce del dropout universitario rappresenta una priorità strategica per gli atenei, poiché consente di attivare interventi mirati di supporto agli studenti a rischio e di ridurre l’abbandono. Identificare i fattori predittivi attraverso strumenti quantitativi affidabili è cruciale per migliorare l’efficacia delle politiche di orientamento e tutoraggio.

[Obiettivo] Il presente lavoro mira a sviluppare e valutare un modello di early-warning basato su dati amministrativi e informazioni estratte dai Learning Management System (LMS), al fine di prevedere in maniera tempestiva la probabilità di abbandono.

[Metodo] L’analisi si è basata su un dataset di 9.842 studenti iscritti negli anni accademici 2021–2024. Sono state considerate variabili relative alla carriera universitaria, alla frequenza di accesso alla piattaforma LMS e agli esiti dei quiz. I modelli testati includono Gradient Boosting Machine (GBM), Random Forest (RF) e Logit, con procedura di validazione 5-fold e metriche di valutazione AUC e PR.

[Risultati] Il modello GBM ha ottenuto un’AUC di 0,87 e una Average Precision (AP) di 0,62, superando sia la Random Forest (AUC 0,84) che il Logit (AUC 0,79). Le feature più rilevanti sono risultate il ritardo nei CFU, i giorni senza accesso alla piattaforma e gli esiti dei quiz. L’analisi tramite SHAP values ha permesso di individuare soglie operative utili per l’attivazione dei servizi di tutoraggio personalizzato.

[Conclusioni] I risultati confermano l’efficacia del modello proposto per migliorare l’identificazione precoce del rischio di abbandono e offrono indicazioni interpretabili a supporto delle policy universitarie orientate alla prevenzione del dropout.

[Parole chiave] dropout; early warning; e-learning; gradient boosting; università.