Dal dato alla simulazione

3 settembre 2026 — documento d'archivio

Didaflow è una piattaforma per trasformare dati educativi grezzi in conoscenza operativa sui corsi di studio (programmi), con un approccio "programma-centrico": spostiamo il focus dall'individuo (lo studente) al contesto (il programma). Invece di chiedere "perché lo studente abbandona?", chiediamo "quali caratteristiche del programma favoriscono o ostacolano regolarità, qualità e continuità?".

1. Input: dati grezzi (multi-sorgente)

Didaflow importa e integra dati che le istituzioni devono monitorare (anche per direttive ESG) e dati aggiuntivi utili per ricerca e governance.

• Risultati e carriera: esiti esami, progressione CFU, tentativi, tempi, status (attivo, abbandono, laurea).
• Opinioni sugli insegnamenti (OPIS / satisfaction): qualità percepita, carico, organizzazione, ecc.
• Questionari motivazionali (quando disponibili): autoefficacia, motivazione, ansia, gestione del tempo, ecc.
• Interventi e cambiamenti: azioni su insegnamenti e programmi (materiali, metodi, tutorato, cambi regolamento/ordinamento, ecc.).

2. Layer di Facts: archivio per anno accademico

I dati grezzi vengono normalizzati e sintetizzati in "facts" (fotografie aggregate per anno accademico) a diversi livelli:

• Student-level facts (aggregati/derivati): indicatori di carriera e profili (non per "valutare lo studente", ma per descrivere la popolazione del programma).
• Teaching-year facts: metriche per insegnamento (performance, satisfaction, tentativi, segnali di criticità) e storia di interventi sul teaching.
• Program-year facts: metriche e segnali a livello di programma (es. questionari motivazionali aggregati, cambi ordinamento/regole, interventi strutturali).

3. KPI: indicatori di qualità e mediatori

Dai facts si calcolano KPI:

• KPI "compliance" (es. ANVUR / nazionali / europei) quando i dati minimi sono disponibili.
• KPI interni e "mediatori" che spiegano/meccanizzano l'impatto: performance, soddisfazione, motivazione, ecc.

Non tutti i mediatori sono sempre misurabili: se manca una sorgente (es. motivazionale), quel mediatore non è calcolabile e la piattaforma deve esplicitare la mancanza.

4. Flow e Views: prima–durante–dopo il programma

Didaflow rappresenta il "flow" del programma come sistema logico per anno accademico:

• Attrattività (prima): funnel pre-enrollment (candidati → ammessi → pre-iscritti → immatricolati).
• Regolarità (durante): teaching flow e progressione (colli di bottiglia, tempi, tentativi, soddisfazione).
• Occupabilità (dopo): outcome post-graduation (occupati 6/12 mesi, ulteriore formazione, altri esiti).

Le views sono diverse "letture" dello stesso sistema, non prodotti separati.

5. Simulazione interventi: evidence-based, mediator-driven

La simulazione applica interventi (su insegnamento o programma) come variazioni sui mediatori misurabili (es. pass_rate, satisfaction, motivazione) e produce uno scenario che modifica i KPI e la lettura del flow (attrattività/regolarità/occupabilità).

• Se un mediatore non è misurabile, l'impatto su quel canale non può essere stimato: la piattaforma deve segnalarlo chiaramente (warnings / confidence).
• Obiettivo: supportare decisioni sicure e "evidence-based" (interventi sperimentati altrove e adattati al contesto), senza spostare l'attenzione sul singolo individuo.

Output finale: una "lente" sul programma

Didaflow produce: (a) facts aggregati per anno, (b) KPI e mediatori con tracciabilità della sorgente, (c) flow multi-view, (d) simulazioni di interventi con trasparenza su cosa è stimabile e cosa no.