Predittori della solitudine a scuola: Un approccio di Explainable Artificial Intelligence a un’analisi cross-culturale su larga scala [Oral Presentation]

Introduzione: Numerosi studi hanno evidenziato un forte legame tra solitudine ed esiti negativi per la salute mentale negli adolescenti. In questa fase evolutiva è possibile sentirsi soli anche in presenza di coetanei, specialmente quando la qualità o la quantità delle relazioni sociali percepite non corrisponde a quelle desiderate. Questo accade soprattutto nel contesto scolastico, dove gli adolescenti trascorrono una parte significativa del proprio tempo. Nonostante l'importanza dell'ambiente scolastico nel modellare le esperienze sociali, la ricerca sui fattori predittivi della solitudine a scuola risulta ancora limitata. Le indagini esistenti, infatti, spesso si basano su campioni ridotti e modelli teorici che considerano un numero ristretto di variabili. Questo lavoro mira a colmare questo gap analizzando un ampio dataset con un approccio data-driven. Metodo: Nel presente studio vengono utilizzati dati provenienti da 60.498 studenti (30.909 di 10 anni e 29.589 di 15 anni), provenienti dall’indagine SSES, condotta in 10 grandi città in 4 continenti. Adottando un approccio data-driven, impieghiamo tre algoritmi di machine learning (Elastic Net, Random Forests e XGBoost), integrati da tecniche di eXplainable Artificial Intelligence (XAI), per analizzare le relazioni (lineari e non) tra un ampio insieme di variabili psicosociali e la solitudine. Risultati: I risultati sul test-set indicano che l’essere vittime di bullismo rappresenta il predittore più forte della solitudine tra gli studenti di 10 anni, con un’influenza che si mantiene, seppur attenuata, anche tra i quindicenni. Al contrario, tra gli studenti di 15 anni, i principali predittori sono i tratti di personalità, in particolare l’estroversione e la stabilità emotiva: punteggi più bassi in queste dimensioni aumentano il rischio di solitudine. Questi tratti si confermano rilevanti anche tra i bambini di 10 anni, sebbene con un peso predittivo minore. Ulteriori fattori associati alla solitudine includono la bassa qualità delle relazioni con genitori o amici, nonché un uso intensivo dei dispositivi digitali. Discussione: Integrando tecniche di machine learning classiche e interpretabili, questo studio offre una comprensione approfondita dell’importanza relativa di un ampio numero di predittori della solitudine in ambito scolastico, considerando anche le relazioni non lineari presenti nei dati.