Modeling well-being and psychological risk in doctoral education: an integrated latent trait approach

Doctoral education is increasingly recognized as a high-risk context for psychological distress, where academic pressure, institutional climate and asymmetric power relations shape PhD students’ well-being. Within this framework, this study presents an integrated quantitative analysis of psychophysical well-being, academic stress and perceived discrimination among PhD candidates at Politecnico di Milano. Data from anonymous, voluntary questionnaires are analyzed using Item Response Theory (IRT), comparing several polytomous models and identifying the Four-Parameter Nested Logistic Model (4PLnRM), a relatively underexplored yet highly flexible framework within the family of Nested Logit Models for Multiple Choice Item Response Data, as the most suitable for estimating multiple latent dimensions of well-being while accounting for heterogeneous item functioning and response behavior. These latent traits are then incorporated into tree-based machine learning models (Random Forest and XGBoost), which show strong discriminative performance in identifying PhD candidates at higher psychological risk, highlighting the practical relevance of the proposed measurement strategy. A Generalized Additive Model (GAM) is subsequently employed to investigate non-linear relationships between overall well-being and the distinct latent constructs underlying its multifactorial nature, contributing to a more refined understanding of the interdependence between environmental conditions, individual capacities and psychological outcomes in highly demanding academic contexts. The second part of the study focuses on perceived discrimination during the doctoral path, with particular attention to responsibility attribution. A Latent Class Analysis identifies heterogeneous groups of PhD candidates based on discrimination experiences and intention to discontinue the PhD, while ANOVA results indicate that supervisor-related (hierarchical) discrimination, unlike peer-to-peer (horizontal) discrimination, is significantly associated with increased stress. Finally, a generalized linear mixed model (GLMM) identifies female gender and intention to abandon the doctoral program as the strongest predictors of supervisor-related discrimination, accounting for random effects across doctoral programs and suggesting non-negligible disciplinary variation. Overall, the findings contribute to a deeper understanding of PhD candidates’ psychological health and support the development of targeted policy interventions tailored to the specific institutional context in which the study was conducted.

La formazione dottorale è sempre più riconosciuta come un contesto ad alto rischio di disagio psicologico, in cui la pressione accademica, il clima istituzionale e i rapporti di subordinazione contribuiscono congiuntamente a modellare il benessere dei dottorandi. In questo quadro, la presente tesi propone un’analisi quantitativa integrata del benessere psicofisico, dello stress accademico e della discriminazione percepita tra i dottorandi del Politecnico di Milano. I dati, raccolti attraverso questionari anonimi e volontari, sono analizzati mediante la Teoria della Risposta agli Item (IRT), con il confronto di diversi modelli per dati politomici e l’identificazione del Four-Parameter Nested Logistic Model (4PLnRM), un approccio modellistico relativamente poco esplorato ma caratterizzato da un’elevata flessibilità, appartenente alla famiglia dei modelli logit annidati per dati derivanti da risposte ad item a scelta multipla, come il più efficiente per la stima di molteplici dimensioni latenti del benessere personale, tenendo conto dell’eterogeneità nel funzionamento degli item e nei comportamenti di risposta. I tratti latenti così stimati vengono successivamente integrati in modelli di machine learning di tipo tree-based, in particolare Random Forest e XGBoost, che mostrano elevate capacità discriminative nell’identificare i dottorandi a maggior rischio psicologico, evidenziando la rilevanza applicativa della strategia di misurazione proposta. Un modello additivo generalizzato (GAM) è quindi impiegato per indagare le potenziali relazioni non lineari tra il benessere complessivo ed i distinti costrutti latenti stimati che ne caratterizzano la natura multifattoriale, fornendo un quadro concettuale più raffinato nel comprendere la complessa interdipendenza tra condizioni ambientali, capacità individuali ed esiti psicologici in contesti accademici ad alta pressione. La seconda parte del lavoro è dedicata all’analisi della discriminazione percepita nel percorso dottorale, con particolare attenzione all’attribuzione di responsabilità degli episodi subiti e alle sue conseguenze. Mediante una Analisi a Classi Latenti (LCA) vengono identificati tra i dottorandi gruppi latenti eterogenei sulla base delle esperienze di discriminazione subite ed in parallelo sull’intenzione di abbandonare il dottorato, mentre i risultati di un’ANOVA mostrano che la discriminazione di tipo strutturale, manifestata nella relazione supervisore–dottorando, a differenza di quella tra pari, è significativamente associata a livelli più elevati di stress percepito. Infine, un modello lineare generalizzato a effetti misti (GLMM) individua nel genere femminile e nell’intenzione di abbandono del proprio percorso di ricerca i principali predittori del rischio di discriminazione da parte del supervisore, tenendo conto degli effetti casuali a livello dei diversi corsi di dottorato e suggerendo la presenza di una non trascurabile variabilità interdisciplinare. Nel complesso, i risultati contribuiscono così da una parte ad una comprensione più approfondita generale dello stato di salute psicologica dei dottorandi e dall’altra supportano lo sviluppo di interventi di policy mirati e specifici per il contesto istituzionale in cui lo studio è condotto.