Bocciare uno studente significa, almeno in teoria, concedergli più tempo. Se alla fine dell’anno non ha imparato abbastanza per affrontare quello successivo, promuoverlo rischia di trasformare una difficoltà temporanea in uno svantaggio permanente: nuovi argomenti si aggiungeranno a quelli che non ha ancora capito e la distanza dai compagni potrebbe aumentare. Fargli ripetere l’anno segue quindi una logica piuttosto intuitiva. Prima consolidiamo ciò che manca, poi ripartiamo. Ma funziona?
Rispondere confrontando gli studenti bocciati con quelli promossi servirebbe a poco. Chi viene bocciato ha generalmente risultati scolastici peggiori già in partenza e può differire dagli altri per condizioni familiari, difficoltà comportamentali, motivazione e molte altre caratteristiche che siamo incapaci di osservare completamente. Se dieci anni dopo scopriamo che ha abbandonato più frequentemente la scuola, non sappiamo quanto attribuire alla bocciatura e quanto alle ragioni che avevano reso più probabile bocciarlo. È il classico problema che rende così difficile stabilire relazioni causali nelle scienze sociali.
Un nuovo studio di Jiee Zhong, appena pubblicato sull’American Economic Journal: Applied Economics, trova un modo particolarmente convincente per aggirarlo. Per alcuni anni, in Texas, la promozione degli studenti di terza elementare dipendeva anche dal superamento di una determinata soglia in un test standardizzato di lettura. Consideriamo allora due bambini che ottengono risultati quasi identici: uno appena sopra la soglia e l’altro appena sotto. È difficile sostenere che una differenza così piccola nel punteggio riveli due tipi radicalmente diversi di studenti. Eppure trovarsi da una parte o dall’altra della soglia modificava sensibilmente la probabilità di dover ripetere l’anno.
Questa discontinuità permette a Zhong di avvicinarsi a qualcosa che nella scuola reale sarebbe quasi impossibile organizzare sperimentalmente. Invece di confrontare genericamente promossi e bocciati, confronta studenti molto simili che, a causa di una regola amministrativa, hanno probabilità differenti di ripetere la terza elementare. È una strategia nota agli economisti come regression discontinuity design e, con le dovute condizioni, permette di attribuire causalmente alla bocciatura le differenze che emergono proprio intorno alla soglia.
I primi risultati sembrano dare ragione alla logica della bocciatura. Gli studenti trattenuti migliorano nei test successivi. Non è difficile capire perché: hanno avuto un anno in più per consolidare competenze che non avevano acquisito e affrontano nuovamente contenuti almeno in parte familiari. Se la valutazione della politica terminasse qui, avremmo quindi una conclusione piuttosto rassicurante. Uno studente era rimasto indietro, gli abbiamo dato più tempo e il suo rendimento è migliorato.
Il punto interessante del lavoro di Zhong è che non termina qui. Gli stessi studenti possono essere seguiti per molti anni e, allargando progressivamente l’orizzonte, la storia cambia. Gli studenti che hanno ripetuto l’anno accumulano più assenze e mostrano alcuni peggioramenti negli indicatori comportamentali. Soprattutto, diminuisce la probabilità che conseguano il diploma di scuola superiore. Quando infine i dati scolastici vengono collegati a quelli sul mercato del lavoro, emerge una conseguenza ancora più sorprendente: a 26 anni, gli studenti trattenuti guadagnano circa 3.500 dollari in meno all’anno, una differenza corrispondente a circa il 19 per cento dei guadagni medi del gruppo utilizzato per il confronto.
Non c’è necessariamente una contraddizione tra il miglioramento iniziale nei test e questi risultati successivi. Una bocciatura modifica contemporaneamente molte cose. Offre più tempo per imparare, ma rende anche lo studente più anziano rispetto ai compagni, cambia il gruppo dei pari, posticipa il diploma e altera il momento in cui vengono raggiunte alcune soglie legali importanti. Nel contesto studiato da Zhong, un meccanismo sembra avere particolare rilievo: chi ha ripetuto un anno raggiunge l’età alla quale può legalmente lasciare la scuola avendo completato meno istruzione. Il miglioramento iniziale delle competenze può quindi convivere con una maggiore probabilità di interrompere successivamente gli studi; e quest’ultima, a sua volta, può contribuire a spiegare i minori guadagni osservati nell’età adulta.
Questo non significa che il nuovo studio abbia dimostrato che bocciare sia sempre dannoso. L’effetto viene identificato per studenti texani di terza elementare che si trovavano vicino a una specifica soglia di rendimento, all’interno di un particolare sistema scolastico. Non sappiamo se la stessa cosa accadrebbe a uno studente italiano di sedici anni, né se gli effetti sarebbero identici in un sistema in cui alla ripetizione dell’anno si accompagnassero interventi educativi differenti. Anche la letteratura precedente invita alla cautela: altri studi quasi sperimentali hanno trovato effetti che variano a seconda dell’età degli studenti, delle istituzioni scolastiche e soprattutto dell’orizzonte temporale considerato.
Ed è proprio qui che il paper diventa interessante anche per chi non si occupa di scuola. La domanda apparentemente semplice — “bocciare funziona?” — nasconde una decisione che il ricercatore deve prendere prima ancora di analizzare i dati: che cosa significa “funzionare”? Se scegliamo come risultato il punteggio in un test sostenuto poco dopo la bocciatura, possiamo ottenere una risposta positiva. Se osserviamo il completamento della scuola superiore, la risposta può cambiare. Se aspettiamo ancora e misuriamo il reddito da adulti, può cambiare nuovamente.
Non è un dettaglio metodologico. Lo stesso problema compare continuamente quando cerchiamo di valutare una politica pubblica. Un incentivo economico può aumentare immediatamente il comportamento che vogliamo incoraggiare e perdere efficacia quando l’incentivo scompare. Un programma di formazione può sembrare inutile dopo sei mesi e produrre effetti sull’occupazione diversi dopo cinque anni. Un intervento educativo può aumentare i risultati nei test senza produrre necessariamente gli stessi miglioramenti negli esiti che ci interessano da adulti. Una politica non possiede quindi un unico “effetto”: produce una sequenza di conseguenze, su dimensioni diverse e in momenti diversi.
Il lavoro di Zhong non chiude perciò il dibattito sulla bocciatura. Fa qualcosa di più utile: mostra perché il modo in cui formuliamo la domanda può determinare la risposta che troviamo. Se avessimo osservato soltanto i risultati scolastici immediatamente successivi, avremmo raccontato una storia di successo. Seguendo gli stessi bambini fino all’età adulta, quella storia diventa molto più complessa.
Forse è questa la conclusione più generale. Quando sentiamo dire che uno studio ha dimostrato che una politica “funziona”, la domanda successiva non dovrebbe essere soltanto quanto sia grande l’effetto. Dovremmo chiedere: su che cosa è stato misurato, per chi e dopo quanto tempo?
A volte basta cambiare l’orizzonte per cambiare la risposta.
LE FONTI
Jiee Zhong (2026), “Early Grade Retention Harms Adult Earnings”, American Economic Journal: Applied Economics.
È il lavoro al centro dell’articolo. Utilizza una discontinuità nella regola di promozione degli studenti texani per stimare gli effetti causali della retention e segue gli esiti fino all’età adulta.
Brian Jacob e Lars Lefgren (2009), “The Effect of Grade Retention on High School Completion”, American Economic Journal: Applied Economics.
Un importante studio precedente che utilizza anch’esso soglie nei test per studiare gli effetti della retention, mostrando in particolare come i risultati possano differire a seconda dell’età in cui lo studente viene trattenuto.
Guido Schwerdt, Martin West e Marcus Winters (2017), “The Effects of Test-Based Retention on Student Outcomes over Time: Regression Discontinuity Evidence from Florida”, Journal of Public Economics.
Studia una politica analoga in Florida e permette di confrontare gli effetti della retention in contesti e orizzonti temporali differenti.
Questo articolo è stato realizzato con l’assistenza dell’intelligenza artificiale nella ricerca della letteratura, nell’analisi delle fonti e nella preparazione del testo. Le fonti e il contenuto finale sono sottoposti alla verifica e all’approvazione della direzione scientifica prima della pubblicazione.
