Studiare a distanza senza mollare: cosa suggeriscono le scienze comportamentali

Iscriversi a un corso online è facilissimo: un clic, una mail di benvenuto, l’entusiasmo della prima lezione. Arrivare in fondo è un’altra storia. Che tu segua un MOOC, un master ibrido, la formazione aziendale o un percorso con un tutor AI, il nemico raramente è la difficoltà dei contenuti: è il martedì sera in cui rimandi a domani. Le scienze comportamentali non hanno bacchette magiche, ma offrono alcune leve con buone prove alle spalle e qualche preziosa lezione di umiltà su ciò che smette di funzionare su larga scala.

Perché chi studia a distanza si perde per strada

I numeri sono impietosi. Analizzando i MOOC di MIT e Harvard su edX, Justin Reich e José Ruipérez-Valiente hanno rilevato su Science che nel 2017-18 solo il 3,13% degli iscritti ha completato il corso; tra chi aveva pagato il certificato, il 46%. E quando il corso è obbligatorio, come in azienda, il problema non sparisce: diventa video lasciati scorrere in sottofondo.

Dietro ci sono meccanismi ben noti:

• Il divario tra intenzione e azione. Tra il proposito e il gesto concreto si infilano stanchezza, imprevisti e alternative più attraenti. In aula decide l’orario; a casa devi decidere tu, ogni volta.
• Il bias per il presente. La fatica dello studio si paga oggi, il beneficio arriva tra mesi. Tendiamo a sovrastimare ciò che è vicino nel tempo, e il rinvio vince.
• La fallacia della pianificazione. Descritta da Kahneman e Tversky e studiata da Roger Buehler e colleghi, è la tendenza a sottostimare il tempo necessario per un compito, anche quando l’esperienza dice il contrario. Risultato: calendari irrealistici e senso di fallimento.
• L’isolamento. Mancano i compagni, lo sguardo del docente, il confronto che rende visibile il progresso. Senza segnali sociali, sembra che nessuno noterà se ti fermi.

Le leve che hanno prove alle spalle

Routine che nascono nei momenti di cambiamento

Le abitudini sono il modo in cui il cervello risparmia decisioni: un comportamento ripetuto nello stesso contesto dipende sempre meno dalla motivazione del momento. Secondo l’ipotesi della discontinuità delle abitudini di Bas Verplanken e colleghi, le fasi di transizione (un nuovo lavoro, un trasloco, l’inizio di un percorso) allentano le vecchie routine e aprono una finestra per costruirne di nuove. Tradotto: la prima settimana di corso è il momento migliore per fissare giorno, ora e luogo dello studio.

Obiettivi raggiungibili e impegni dichiarati

Gli obiettivi specifici e vicini motivano più di quelli vaghi, a patto che siano realistici: mancare ripetutamente un traguardo demotiva in fretta. L’acronimo SMART (specifico, misurabile, raggiungibile, rilevante, definito nel tempo) è una buona lista di controllo, ma resta un’euristica nata nel management, non una teoria validata. Più solido è il monitoraggio dei progressi: una meta-analisi di Benjamin Harkin e colleghi su 138 studi e quasi 20.000 partecipanti ha trovato che chi monitora i propri progressi raggiunge più spesso l’obiettivo, e che l’effetto è più forte quando i progressi vengono registrati o comunicati ad altri.

I piani «se…, allora…»

Peter Gollwitzer le ha chiamate intenzioni di implementazione: invece di “studierò di più”, stabilisci quando, dove e come agirai, e cosa farai davanti a un ostacolo prevedibile. “Se è martedì alle 20:30, allora apro la piattaforma al tavolo della cucina.” “Se il giovedì sera salta, allora studio venerdì prima delle 8.” La meta-analisi di Gollwitzer e Paschal Sheeran del 2006, su 94 test indipendenti, ha stimato un effetto medio di d = 0,65 sul raggiungimento degli obiettivi, un valore medio-grande per gli standard della psicologia. Il motivo è elegante: il piano lega l’azione a un segnale del contesto, così nel momento critico non devi decidere, solo riconoscere la situazione.

Promemoria e messaggi che incoraggiano

Qui entrano in gioco i trial del Behavioural Insights Team (BIT), la “nudge unit” nata nel governo britannico, condotti nei college di istruzione per adulti in Inghilterra. Con 1.780 adulti iscritti a corsi di matematica e inglese, SMS settimanali di incoraggiamento e promemoria su date e verifiche hanno portato la quota di chi ha conseguito il titolo dal 54,5% al 63,2%: un aumento relativo del 16%. Niente di sofisticato, eppure efficace.

Il supporto sociale, anche a distanza

Molti studenti hanno amici o familiari disposti ad aiutarli, che però non sanno come. Da qui l’idea del BIT dello “study supporter”: lo studente nomina una o due persone di fiducia, che ricevono via SMS suggerimenti su come sostenerlo. Nel trial riportato dal BIT, il tasso di successo agli esami è passato dal 22,2% al 28,1%, un aumento relativo del 27%; nel successivo Project SUCCESS, guidato da Bibi Groot e Michael Sanders, la combinazione di messaggi a studenti e supporter ha portato il conseguimento dal 21,1% al 26,2%. Attenzione: erano corsi in presenza, spesso di recupero dell’esame GCSE, non corsi online; il meccanismo è trasferibile, l’effetto va verificato. A distanza, l’equivalente può essere un compagno con cui fare il punto ogni settimana o sessioni di studio in videochiamata.

Progettare l’ambiente invece di stringere i denti

Chi sembra avere molta forza di volontà spesso si è semplicemente organizzato per incontrare meno tentazioni. Un angolo dedicato, notifiche silenziate, siti distraenti bloccati: piccole modifiche che spostano la battaglia dal momento critico a una scelta fatta una volta sola. Sul telefono serve onestà: lo studio “Brain drain” di Adrian Ward e colleghi (2017) suggeriva che la sola presenza dello smartphone riducesse le risorse cognitive, ma una replica parziale di Matthias Hartmann e colleghi su 302 partecipanti e le repliche di Ruiz Pardo e Minda non hanno trovato l’effetto. Il telefono in un’altra stanza resta un buon consiglio perché elimina le interruzioni, non perché “prosciughi” il cervello. Altre idee nei 6 nudge per diminuire le distrazioni sulla postazione di lavoro.

Il bagno di realtà dei MOOC: quando i nudge non scalano

Fin qui, buone notizie. Ma la ricerca più istruttiva è forse quella che ha ridimensionato le aspettative. Nel 2020 René Kizilcec, Justin Reich, Michael Yeomans e colleghi hanno pubblicato su PNAS uno studio su circa 250.000 studenti in 250 MOOC di Harvard, MIT e Stanford. Quattro interventi brevi a inizio corso: pianificare quando, dove e come studiare; riflettere su benefici e ostacoli; scegliere una persona a cui rendere conto; scrivere del legame tra corso e propri valori.

Gli interventi di pianificazione hanno aumentato il coinvolgimento nelle prime settimane, ma l’effetto si è esaurito con l’avanzare del corso. L’esercizio sui valori ha aiutato gli studenti dei paesi in via di sviluppo solo nei corsi con un divario di risultati globale, e altrove ha avuto un effetto negativo; prevedere quali corsi avessero quel divario si è rivelato molto difficile. Nemmeno un modello di machine learning per assegnare a ciascuno l’intervento giusto ha fatto meglio che dare a tutti lo stesso. Secondo Kizilcec, su larga scala gli effetti sono risultati di un ordine di grandezza inferiori rispetto ai piccoli studi precedenti, e la sua sintesi è netta: gli interventi comportamentali «non sono una pallottola d’argento». La lezione non è che i nudge siano inutili, ma che una spinta al primo giorno non regge mesi di corso: serve supporto lungo tutto il percorso.

Tutor AI nel 2026: cosa cambia davvero

La novità degli ultimi anni sono i tutor basati su modelli linguistici: disponibili a ogni ora, pazienti, pronti a rispondere alla domanda che in aula non avresti fatto. Le prove sono interessanti, ma vanno lette con attenzione.

A Harvard, Greg Kestin e colleghi (Scientific Reports, 2025) hanno confrontato un tutor AI progettato secondo principi didattici con una lezione di apprendimento attivo in aula, in un corso introduttivo di fisica con 194 studenti analizzati. Con il tutor i guadagni di apprendimento mediani sono stati più che doppi, in 49 minuti mediani contro una lezione di 60, con più coinvolgimento e motivazione. Il dettaglio decisivo è il design: il tutor procedeva un passo alla volta, chiedeva di provarci prima e non consegnava la soluzione. I limiti sono dichiarati: un corso, due argomenti, effetti nel breve periodo.

Il rovescio della medaglia arriva da Hamsa Bastani e colleghi (PNAS, 2025), con quasi mille studenti di matematica delle superiori in Turchia. Chi usava GPT-4 nella versione standard andava meglio negli esercizi (+48%), ma tolto l’accesso otteneva all’esame risultati del 17% peggiori di chi non l’aveva mai usato. Una versione “tutor” con salvaguardie didattiche migliorava ancora di più gli esercizi (+127%) e attenuava in larga parte il danno. Morale: un’AI che lavora al posto tuo è una stampella.

E l’abbandono? Un tutor sempre disponibile può ridurre attriti e solitudine, ma finora mancano grandi trial che misurino l’effetto dei tutor AI sulla persistenza in corsi lunghi. E la lezione dei MOOC vale anche qui: ciò che funziona in un esperimento ben progettato non funziona automaticamente ovunque.

Per docenti e formatori: cosa puoi fare da subito

• Usa la prima settimana per far scegliere a ognuno giorno, ora e luogo fissi di studio.
• Offri un modello «se…, allora…» con due o tre ostacoli tipici (lavoro che sfora, stanchezza serale, figli malati) da completare.
• Spezza il corso in tappe brevi, con un indicatore di avanzamento visibile.
• Prevedi check-in di gruppo settimanali o quindicinali in cui ognuno dichiara il passo successivo.
• Invia promemoria brevi e personali nei momenti critici: scadenze, metà corso, la settimana dopo un’assenza.
• Favorisci coppie o piccoli gruppi di studio.
• Se introduci un tutor AI, configuralo perché guidi con domande invece di consegnare risposte.

Per chi studia: il tuo kit minimo

• Scrivi oggi stesso due piani «se…, allora…»: uno per quando studi, uno per l’ostacolo che conosci meglio.
• Stima il tempo per un modulo e aggiungi un margine: la fallacia della pianificazione colpisce tutti.
• Dichiara a qualcuno l’obiettivo della settimana, poi racconta com’è andata.
• Prepara la postazione prima di iniziare: notifiche silenziate, telefono in un’altra stanza.
• Usa l’AI per farti interrogare, chiedere spiegazioni alternative ed esempi, non per farti scrivere le risposte.
• Se salti una sessione, non buttare via tutto: riparti alla prossima occasione fissata.

Una nota etica: spingere, non sorvegliare

Le piattaforme raccolgono moltissimi dati: accessi, tempi di visione, risposte. La tentazione di trasformarli in controllo è forte, soprattutto in azienda. Un nudge, la spinta gentile, ha senso solo se va nell’interesse di chi lo riceve, è trasparente e lascia libera la scelta. Significa spiegare quali dati si usano e perché, raccogliere solo quelli necessari nel rispetto del GDPR, permettere di disattivare i promemoria e non usare il tracciamento per sanzionare. Chi si sente osservato recita la parte dello studente diligente; chi si sente sostenuto ha una ragione in più per arrivare fino in fondo.

Fonti e approfondimenti

• Behavioural Insights Team, Improving engagement and attainment in maths and English courses (rapporto per il governo britannico, 2018)
• Groot B., Sanders M., Project SUCCESS: a field experiment on social support and academic achievement (AEA RCT Registry)
• Kizilcec R. F. et al., Scaling up behavioral science interventions in online education, PNAS, 2020: scheda dell’articolo e sintesi della Cornell University
• Reich J., Ruipérez-Valiente J. A., The MOOC pivot, Science, 2019: resoconto di Inside Higher Ed
• Gollwitzer P. M., Sheeran P., Implementation intentions and goal achievement: a meta-analysis of effects and processes, Advances in Experimental Social Psychology, 2006: sintesi
• Harkin B. et al., meta-analisi sul monitoraggio dei progressi, Psychological Bulletin, 2016: comunicato APA
• Verplanken B., Roy D., Whitmarsh L., Cracks in the wall: habit discontinuities as vehicles for behaviour change (2018)
• BPS Research Digest, Revisiting the brain drain effect, e repliche dello studio di Ward et al. nel FLoRA Replication Atlas
• Kestin G. et al., AI tutoring outperforms in-class active learning, Scientific Reports, 2025
• Bastani H. et al., Generative AI without guardrails can harm learning: evidence from high school mathematics, PNAS, 2025