CopertinaAnnamaria

Components
	1	2	3	4	5
Lozano et al. (2013a, 2013b)	0.805
Verhulst and Lambrechts (2015)	0.795
Barth and Rieckmann (2012)	0.794
...
Haigh (2005)		0.831
Ryan et al (2010)		0.743
...
Trencher et al. (2013)			0.880
Stephens and Graham (2010)			0.816
...
Rittel and Webber (1973)				0.794
Komiyama and Takeuchi (2006)				0.734
…
Lidgren et al.(2006)					0.883
Alshuwaikhat and Abubakar (2008)					0.691
Cronbach’s alpha	0.920	0.884	0.870	0.602	0.633
Accumulated variance (%)	22.045	39.130	51.750	58.638	64.648

Tabella 3.10 - Alcune righe dei risultati dell’analisi fattoriale in una ricerca di ambito bibliometrico (de Lima et al., 2020, p. 450).

3.6 - L’uso dell’analisi delle corrispondenze nella ricerca educativa

Anna Parola e Lucia Donsì (2018) utilizzano l’analisi delle corrispondenze per indagare le dinamiche legate ai NEET (Not in Education Employment or Training), giovani di età compresa fra i 15 e 34 anni che non sono impegnati in attività di formazione né in attività lavorative. Rientrano in tale categoria gruppi con caratteristiche diverse: disoccupati a breve o lungo termine, soggetti inattivi per questioni familiari o di salute, lavoratori scoraggiati o che dif1cilmente riescono a rientrare nel mondo del lavoro e così via. Il fenomeno che interessa paesi europei ed extra-europei (Giappone, Nuova Zelanda, Cina ecc.) è strettamente legato alle politiche di occupazione giovanile e porta l’attenzione sulle pratiche sociali ed educative dei contesti nei quali i soggetti coinvolti vivono. Le ricadute sullo sviluppo dell’identità, sulla gestione del tempo, sull’acquisizione di comportamenti scorretti (come fumo, abuso di alcol ecc.) o sulla comparsa di sintomi somatici o psicologici sono alcuni degli effetti collegati alle abitudini di vita dei soggetti identi1cati nella categoria NEET sui quali si concentrano le ricerche attuali. Lo studio qui presentato e realizzato nel contesto italiano utilizza dati ISTAT nell’indagine multiscopo “Aspetti della vita quotidiana” (2016); le autrici selezionano quelli relativi al territorio campano. I dati fanno riferimento a 501 soggetti di età compresa fra i 20 e i 34 anni e raccolgono opinioni e preferenze su tre macro aree: “modi di vivere il tempo libero, 1ducia e partecipazione politica e sociale, salute e benessere percepito” (Parola & Donsì, 2018, p. 35). L’obiettivo della ricerca è quello di confrontare le abitudini e le caratteristiche dei soggetti che rientrano nella de1nizione NEET con quelle dei soggetti studenti o lavoratori di pari età e provenienza geogra1ca. A tale scopo, nell’articolo viene illustrata la visualizzazione gra1ca dell’analisi delle corrispondenze multiple realizzata (Figura 3.16). Le 26 variabili con le 82 modalità ad esse collegate vengono rappresentate in un biplot nel quale le due dimensioni spiegano l’80% della varianza (inerzia totale). Alla prima dimensione (inerzia = 62%) contribuiscono maggiormente le modalità legate all’uso del tempo: si passa dall’inattività (semiasse positivo) all’attività (semiasse negativo). Sul secondo asse (inerzia = 18%) rileviamo le modalità legate alla soddisfazione negativa e positiva sui semiassi corrispondenti. Le tre categorie (NEET, studenti, lavoratori) si collocano in tre quadranti diversi.
Questo permette abbastanza intuitivamente di associare abitudini e comportamenti a un gruppo piuttosto che a un altro. I NEET si trovano nel quadrante caratterizzato da inattività e insoddisfazione: non sono coinvolti in attività sportive, culturali e sociali, de1niscono media/scarsa la loro salute, sono s1duciati nei rapporti con gli altri e nella percezione del futuro; gli studenti sono nel quadrante attività e soddisfazione: sono coinvolti in attività culturali e politiche, de1niscono buona la loro salute e credono che la loro situazione futura migliorerà; gli occupati sono nel quadrante attività e insoddisfazione: sono attivi nella vita sociale, 1duciosi negli altri, poco soddisfatti però del loro tempo libero. Dallo studio deriva una de1nizione dei giovani adulti NEET che, proprio dal titolo dello stesso contributo, appaiono come “sospesi nel tempo”, persi cioè nell’eccessivo tempo a loro disposizione e incapaci di progettare un futuro possibile.

Figura 3.16 – Biplot dell’analisi delle corrispondenze multiple in uno studio sui NEET (Parola & Donsì, 2018, p. 42).
Simile nella tipologia di risultati forniti è lo studio di Emilia Kmiotek-Meier e colleghi (2019) che lavorano sul tema della mobilità per motivi di studio o lavoro in sei paesi europei occupandosi in particolare degli ostacoli che si possono incontrare prima e durante l’esperienza all’estero (risorse economiche, incompatibilità dei regolamenti delle istituzioni, conoscenza della lingua, relazioni sociali e così via). La mobilità è motivo di arricchimento delle conoscenze linguistiche e non solo, dei percorsi formativi, delle esperienze anche interculturali: una ricchezza per l’individuo e le comunità. Gli autori forniscono la mappa percettiva dei risultati raccolti attraverso una survey a cui hanno risposto 1682 soggetti divisi fra lavoratori e studenti di scuola, università e percorsi professionali. Nella tradizione dei multi methods, gli autori hanno integrato tali risultati con 140 interviste attraverso le quali è stato possibile abbinare gli ostacoli a una fase della mobilità (prima o durante).
Restando però nel contesto italiano, interessante per conoscere un’altra modalità di applicazione della MCA è lo studio di Marco Centoni e Antonello Maruotti (2021) sul tema della valutazione dei corsi universitari. In questo caso, poniamo l’attenzione sul modo in cui l’analisi delle corrispondenze multiple è stata usata in combinazione con la cluster analysis gerarchica, tecnica che approfondiremo nel capitolo 6, utile per creare gruppi fra unità statistiche simili all’interno di un campione.
Gli autori si focalizzano sull’importanza che in vari contesti internazionali assume la ricerca sulla valutazione delle attività didattiche da parte degli studenti, valutazione 1nalizzata a migliorare i percorsi formativi, rilevare punti di debolezza, riorganizzare i materiali, comprendere fenomeni di dropout e così via. Nei processi di assicurazione della qualità nel contesto italiano, ben noti in ambito accademico, gli studenti sono coinvolti in piccoli numeri nelle attività di autovalutazione, valutazione periodica e accreditamento (AVA). Tutti gli immatricolati nelle università, invece, sono interessati nella rilevazione della soddisfazione e della valutazione sui corsi attraverso la compilazione obbligatoria di questionari per ciascun insegnamento con un set di domande de1nite dall’ANVUR (Agenzia nazionale di valutazione del sistema universitario e della ricerca). I questionari, uguali per l’intero territorio nazionale, differiscono da altri strumenti valutativi in altri sistemi internazionali. Proprio tali questionari sono parte del dataset utilizzato nello studio insieme a variabili relative a caratteristiche personali e di partecipazione ai corsi di laurea rilevate in maniera del tutto anonima per gli studenti coinvolti nell’analisi e iscritti presso l’ateneo LUMSA (Libera Università Maria Ss. Assunta), sede dell’indagine. Gli autori individuano più domande di ricerca che si concentrano sulle relazioni che intercorrono fra la soddisfazione generale degli studenti e la percezione della qualità dell’insegnamento, la struttura dei corsi, il genere e l’interesse ai temi delle discipline da parte degli studenti. La MCA, utile a rilevare le strutture latenti che formalizzano tali relazioni, è stata condotta prima sull’intero campione e in seguito sugli otto corsi di laurea dedicati alle scienze sociali alla LUMSA. La Tabella 3.11 de1nisce il signi1cato delle prime due dimensioni identi1cate per ciascuna MCA.
Per ogni analisi delle corrispondenze realizzata, gli autori riportano gli istogrammi che rappresentano il contributo di ciascuna modalità alle prime due dimensioni, il biplot nel quale l’intensità del contributo di ciascuna modalità (ctr) è contrassegnata da un colore e, nei casi dei singoli corsi di laurea, anche una rappresentazione dei cluster calcolati a partire dalle coordinate dei punti che rappresentano ciascun studente nella MCA condotta sulle righe. La Figura 3.17 è relativa al corso di laurea in economia. Le prime due dimensioni, nominate “organizzazione del corso” e “qualità del docente”, spiegano il 74,3% della varianza. I tre cluster identi1cati distinguono gli studenti in base alle loro valutazioni: completamente positive, parzialmente positive, negative sia per la soddisfazione riferita al corso che per quella riferita al docente.
Lo studio consente quindi di identi1care alcuni elementi particolarmente rilevanti nelle valutazioni degli studenti e, attraverso la cluster analysis, ne valorizza l’eterogeneità.