Reducing dropout rates : the challenge of learning analytics in higher education institutions

The primary objective of my PhD thesis is to draw attention to two concepts: Learning Analytics and university dropout. Learning Analytics pertains to the methodological framework within which my research is conducted and the development of the thesis itself. On the other hand, the concept of dropout in universities represents the key policy issue at the core of this study. In essence, my PhD thesis aims to address the challenge of reducing dropout rates in Higher Education using tools derived from Learning Analytics that support the decision-making process. The initial portion of my thesis is dedicated to positioning my research within the existing body of literature. In the first section (Section 1), I introduce Learning Analytics as the culmination of a longstanding discussion aimed at integrating research into the administrative processes of universities. This integration serves to facilitate decision-making and capitalize on the existing expertise within educational institutions. In the second section (Section 2), I endeavor to underscore the key aspects of university dropout rates. The objective here is to explore the academic discourse surrounding dropout rates, how this discourse has evolved over the years, the various definitions of dropout, and the reasons why institutions are tasked with addressing this issue. Section 3 seeks to merge the concepts of Learning Analytics and university dropout rates, drawing from relevant examples in the literature and contextualizing them within the context of Politecnico di Milano in Italy. In pursuit of this objective, I present a framework designed to conceptualize a workflow that supports decision-making processes within Higher Education Institutions. The four papers comprising this thesis are positioned within this framework, and their main characteristics are elucidated. Finally, Section 4 is dedicated to summarizing the findings of this research and outlining potential avenues for future research.

L'obiettivo principale della mia tesi di dottorato è attirare l'attenzione su due concetti: Learning Analytics e l'abbandono universitario. Learning Analytics riguarda il quadro metodologico entro il quale viene condotta la mia ricerca e lo sviluppo della tesi stessa. Il concetto di abbandono nelle università rappresenta la principale questione di politica centrale in questo studio. In sostanza, la mia tesi di dottorato mira a affrontare la sfida di ridurre i tassi di abbandono nell'istruzione superiore utilizzando strumenti derivati da Learning Analytics che supportano il processo decisionale. La prima parte della mia tesi è dedicata a posizionare la mia ricerca all'interno del corpo esistente di letteratura. Nella prima sezione (Sezione 1), introduco Learning Analytics come la conclusione di una discussione di lunga data mirata a integrare la ricerca nei processi amministrativi delle università. Questa integrazione serve a facilitare la presa di decisioni e a capitalizzare l'esperienza esistente all'interno delle istituzioni educative. Nella seconda sezione (Sezione 2), mi sforzo di sottolineare gli aspetti chiave dei tassi di abbandono universitario. L'obiettivo qui è esplorare il discorso accademico che circonda i tassi di abbandono, come questo discorso si è evoluto nel corso degli anni, le varie definizioni di abbandono e le ragioni per cui le istituzioni sono incaricate di affrontare questo problema. La Sezione 3 cerca di fondere i concetti di Learning Analytics e i tassi di abbandono universitario, attingendo da esempi rilevanti nella letteratura e contestualizzandoli all'interno del contesto del Politecnico di Milano in Italia. Alla ricerca di questo obiettivo, presento un quadro progettato per concettualizzare un flusso di lavoro che supporta i processi decisionali all'interno delle Istituzioni di Istruzione Superiore. I quattro articoli che compongono questa tesi sono posizionati all'interno di questo quadro, e ne sono elucidate le caratteristiche principali. Infine, la Sezione 4 è dedicata a riassumere le conclusioni di questa ricerca e a delineare possibili percorsi per future ricerche.