N. 1209 - Il valore aggiunto di predizioni più accurate delle graduatorie tra scuole

Go to the english version Cerca nel sito

di Fritz Schiltz, Paolo Sestito, Tommaso Agasisti e Kristof De Witte febbraio 2019

Le graduatorie tra scuole basate sul concetto di valore aggiunto, il progresso negli apprendimenti a esse attribuibile, sono soggette a forti errori di stima. Il paper discute come tali errori possano essere ridotti, comparando strategie basate sull'ampliamento delle informazioni adoperate (circa le condizioni di partenza degli studenti) con l'uso di tecniche di machine learning. L'analisi propone un'applicazione concreta al caso delle scuole medie inferiori italiane.

Le tecniche di machine learning accrescono la precisione delle stime in modo parsimonioso, risultando una alternativa a basso costo e più affidabile all'ampliamento dei fattori di controllo nelle stime. La misurazione migliora specialmente per le scuole molto buone o molto scadenti, i casi su cui spesso si concentra l'interesse del policy maker (quelle cioè che, con strumenti adeguati al contesto istituzionale, si può voler additare a esempio o fare oggetto di particolare vigilanza e attenzione).

Testo della pubblicazione