Sintesi strategica
3 settembre 2026 — documento d'archivio, esempio illustrativo, dati anonimizzati
Sistema AI per il monitoraggio e l'ottimizzazione della regolarità didattica
1. Contesto & problema
Le istituzioni universitarie affrontano tre sfide interconnesse.
┌─────────────────────────────────────────────────────────────┐ │ SFIDA 1: Pressione ministeriale (ANVUR) │ ├─────────────────────────────────────────────────────────────┤ │ • Riesame Annuale obbligatorio (SMA) │ │ • 30+ indicatori da monitorare (iC01-iC28) │ │ • Confronto con benchmark (Area/Italia/Ateneo) │ │ • Impatto su FFO (Fondo Finanziamento Ordinario) │ │ │ │ Problema: processo manuale, time-consuming, reattivo │ └─────────────────────────────────────────────────────────────┘ ┌─────────────────────────────────────────────────────────────┐ │ SFIDA 2: Calo iscrizioni & dispersione │ ├─────────────────────────────────────────────────────────────┤ │ • Trend nazionale: -15% immatricolazioni 2019-2024 │ │ • Dropout I→II anno: 30% media nazionale │ │ • Laureati fuori corso: 55% (vs 45% target ministeriale) │ │ │ │ Problema: mancano strumenti predittivi evidence-based │ └─────────────────────────────────────────────────────────────┘ ┌─────────────────────────────────────────────────────────────┐ │ SFIDA 3: Decision-making intuitivo │ ├─────────────────────────────────────────────────────────────┤ │ • Interventi basati su "percezione" non su dati │ │ • Nessuna simulazione impatto "what-if" │ │ • Difficoltà a identificare cause reali vs correlazioni │ │ │ │ Problema: sprechi di risorse su azioni inefficaci │ └─────────────────────────────────────────────────────────────┘
Insight chiave: gli atenei hanno dati (ANVUR, ANS, AlmaLaurea) ma non intelligence predittiva.
2. La soluzione Didaflow
"Da reporting descrittivo a decision support predittivo"
Didaflow trasforma gli atenei da chi si chiede "cosa è successo?" (dashboard storiche) a chi si chiede "cosa succederà se...?" (simulazione causale + AI).
Architettura in 3 layer
┌──────────────────────────────────────────────────────────────┐ │ LAYER 1: DATA INTEGRATION │ │ ──────────────────────────────────────────────────────────── │ │ Input sources: │ │ • Indicatori ANVUR (30+ metriche regolarità) │ │ • Anagrafe Studenti (performance, motivazioni, dropout) │ │ • OPIS (opinione studenti su insegnamenti) │ │ • AlmaLaurea (occupazione post-laurea) │ │ • Customer satisfaction (survey CdS) │ │ │ │ Output: Unified Knowledge Graph │ └──────────────────────────────────────────────────────────────┘ ┌──────────────────────────────────────────────────────────────┐ │ LAYER 2: AI ANALYTICS ENGINE │ │ ──────────────────────────────────────────────────────────── │ │ 1. Causal Model (grafo di regolarità) │ │ • Nodi: insegnamenti, caratteristiche studente, outcomes │ │ • Archi: relazioni causali mediate (non solo correlazioni) │ │ • Esempio: Matematica I → [Self-efficacy] → Algoritmi II │ │ │ │ 2. AI Simulation (what-if scenarios) │ │ • "Se anticipo appello Programmazione da feb→gen, │ │ iC16 passa da 48%→56% (±4pp, CI 95%)" │ │ • Basato su evidence da corsi con interventi simili │ │ │ │ 3. Alert System (anomaly detection) │ │ • Trigger: iC24_CdS > iC24_Area (dispersione anomala) │ │ • Diagnosi: "Abbandoni concentrati su studenti >150 CFU" │ │ • Root cause: "Tirocinio tardivo + sovrapposizioni tesi" │ └──────────────────────────────────────────────────────────────┘ ┌──────────────────────────────────────────────────────────────┐ │ LAYER 3: DECISION SUPPORT INTERFACE │ │ ──────────────────────────────────────────────────────────── │ │ A. Dashboard interattiva │ │ • Grafo regolarità (nodi colorati: verde/giallo/rosso) │ │ • Drill-down su singolo insegnamento/coorte │ │ • Confronti real-time con benchmark ANVUR │ │ │ │ B. Catalogo interventi evidence-based │ │ • 20+ azioni documentate (costo, tempo, impatto previsto) │ │ • Filtri: scope (CdS/insegnamento), costo, urgenza │ │ • Casi studio: "atenei con tutorato → +8-14% iC15" │ │ │ │ C. SMA auto-generato │ │ • Documento PDF secondo template ANVUR │ │ • Sezioni narrative AI-assisted (con placeholder docente) │ │ • Export per Consiglio CdS / upload piattaforma MUR │ └──────────────────────────────────────────────────────────────┘
3. Innovation core: il grafo di regolarità
Dashboard classiche (Tableau, PowerBI): mostrano correlazioni ("iC16 è 48%, Italia è 32%"), ma non spiegano perché né cosa fare.
Il knowledge graph di Didaflow: modella relazioni causali mediate, identifica colli di bottiglia (insegnamenti/mediatori critici), simula impatti di interventi.
Esempio illustrativo
Uno scenario composito, costruito su pattern osservati in più corsi di studio, per mostrare come funziona il ragionamento della piattaforma — non i dati di un ateneo reale.
SITUAZIONE (da un Riesame Annuale tipo): • iC16 (% con ≥40 CFU I anno): 48.3% (da 22.8% tre anni prima) • Trend: +25.5pp in 3 anni ↑ INTERVENTI APPLICATI (evidence-based): 1. Anticipo appello di un insegnamento (feb→gen) → Impatto osservato: +8pp su iC16 2. Altro insegnamento: da progetto finale a laboratorio semestrale → Impatto osservato: +6pp su iC13 (CFU conseguiti I anno) 3. Tutorato +10h/sett su materie quantitative → Impatto osservato: +12pp su iC15 (≥20 CFU) MODELLO CAUSALE DIDAFLOW (ricostruito): ┌─────────────────────────────────────────────────────────────┐ │ Insegnamento A Insegnamento B Insegnamento C │ │ (I sem) (II sem) (I sem) │ │ │ │ │ │ │ └────────┬─────────┴───────────────────┘ │ │ ▼ │ │ [Performance_CFU] ←──── [Tutorato] │ │ │ (+) │ │ ▼ │ │ [Self-efficacy] │ │ │ │ │ ▼ │ │ Success_II_anno │ │ (iC16 ↑) │ └─────────────────────────────────────────────────────────────┘ SIMULAZIONE Didaflow (what-if): "Se un CdS con iC16=30% applica i 3 interventi: → iC16 previsto: 45-52% (intervallo confidenza 95%) → Costo: ~€10k (tutorato) + ~€2k (riprogettazione) + 0€ (anticipo) → ROI: ogni punto iC16 = meno abbandoni = risparmio stimato"
Insight: il sistema non solo descrive il miglioramento, ma lo predice e lo prescrive per altri corsi di studio.
4. Integrazione ANVUR: da compliance a vantaggio
| Categoria ANVUR | Indicatori chiave | Nodo/arco grafo |
|---|---|---|
| Attrattività | iC00a/b (avvii, immatricolati) | Attributo globale CdS |
| iC03 (% extra-regionali) | "Attrattività_nazionale" | |
| Regolarità I→II anno | iC14 (% prosecuzione) | Arco "Persistence_I→II" |
| iC16 (% con ≥40 CFU) ★ | "Performance_CFU_I_anno" | |
| iC01 (% regolari ≥40 CFU/as) | Aggregato annuale su iC16 | |
| Completamento | iC02 (% laureati regolari) ★ | Nodo finale "Laurea_in_corso" |
| iC17 (% laureati entro N+1) | "Completion_rate" | |
| Dispersione | iC24 (% abbandoni post-N+1) | Arco "→ Dropout" (peso) |
| iC21 (% prosegue in sistema) | Differenza iC21-iC14 = switch CdS | |
| Internazionalizzazione | iC10 (% CFU estero) | Nodo "Mobilità_internazionale" |
| Occupabilità | iC06 (% occupati 1y) | Outcome post-laurea |
★ = indicatori critici per FFO e valutazione AVA3
Funzionalità automatiche
- Import ANVUR (annual refresh) — scraping Cruscotto ANVUR pubblico, parsing file Excel ministeriali, validazione coerenza dati.
- Alert automatici (soglie ministeriali) — es. "iC16_CdS < iC16_Italia" genera un alert "Regolarità sotto media nazionale" con suggerimenti (tutorato, anticipo scadenze, ...); un trend negativo di iC02 per due anni genera una diagnosi (analisi tirocinio, calendario esami, ...).
- SMA Generator (Scheda Monitoraggio Annuale) — template conforme ANVUR, sezioni auto-compilate (attrattività, regolarità, conclusione) con narrative AI e azioni proposte dal catalogo, export PDF per il Consiglio CdS.
Valore: da compliance reattiva (riesame a posteriori) a gestione proattiva (interventi preventivi).
5. Differenziatori competitivi
vs Business Intelligence tradizionale
| Dimensione | Tableau/PowerBI | Didaflow |
|---|---|---|
| Analytics | Descrittiva (cosa è successo) | Predittiva (cosa succederà) |
| Causalità | Correlazioni | Modello causale con mediatori |
| Azioni | Nessuna | Catalogo interventi evidence-based |
| Simulazione | No | What-if con intervalli di confidenza |
| Dominio | Generico | Verticale education (ANVUR-native) |
| Compliance | Custom reporting | SMA auto-generato |
vs concorrenti education-tech
| Player | Focus | Gap vs Didaflow |
|---|---|---|
| U-Multirank | Ranking atenei | Nessuna analytics predittiva interna |
| AlmaLaurea | Occupazione post-laurea | Zero supporto decision-making |
| Schede SUA-CdS | Raccolta dati manuale | Nessuna intelligence, solo storage |
| Cruscotto ANVUR | Dashboard descrittiva | Zero what-if, zero azioni proposte |
Il punto di Didaflow: è l'unico sistema che chiude il ciclo dato → diagnosi → simulazione → azione → monitoraggio.
Appendice: glossario ANVUR
| Termine | Significato |
|---|---|
| SMA | Scheda Monitoraggio Annuale — documento obbligatorio di riesame CdS |
| iCXX | Indicatori ANVUR numerati (es. iC16 = % con ≥40 CFU I anno) |
| CdS | Corso di Studi (L=triennale, LM=magistrale, LMCU=magistrale ciclo unico) |
| FFO | Fondo Finanziamento Ordinario — budget ministeriale agli atenei |
| AVA3 | Sistema Accreditamento e Valutazione ANVUR (ultima versione) |
| ANS | Anagrafe Nazionale Studenti — database ministeriale iscritti/carriere |
| Area | Raggruppamento atenei per disciplina (es. "Area Scienze" = tutti CdS STEM) |
| N+1 | Durata normale corso +1 anno (es. laurea triennale = 4 anni invece di 3) |