polito.it
Politecnico di Torino (logo)

Caratterizzazione e analisi di dati in un’ottica di genere: caso di studio nel contesto delle discipline STEM = Data analysis and characterization from a gender perspective: a case study in the context of the STEM disciplines

Maura Podda

Caratterizzazione e analisi di dati in un’ottica di genere: caso di studio nel contesto delle discipline STEM = Data analysis and characterization from a gender perspective: a case study in the context of the STEM disciplines.

Rel. Tania Cerquitelli, Arianna Montorsi. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Matematica, 2021

[img]
Preview
PDF (Tesi_di_laurea) - Tesi
Licenza: Creative Commons Attribution Non-commercial No Derivatives.

Download (5MB) | Preview
Abstract:

Nonostante studi, risorse e impegni presi per incoraggiare le donne ad entrare nel mondo scientifico, ancora persistono numerose problematiche sia salariali sia di carriera. Concentrandosi sulla carriera universitaria, questo studio si propone di analizzare quali variabili influenzano maggiormente il voto finale delle persone laureate, e se l’identità di genere ha delle influenze o meno. Nell’attività descritta in questa tesi di laurea magistrale si analizzando un set di dati relativi ai risultati di diploma, test di ammissione e alcune informazioni relative alla carriera di un gruppo di persone laureate nel periodo 2015-2019 in una università nelle discipline STEM. Il processo di analisi comprende la pulizia dei dati, una prima fase di esplorazione e caratterizzazione delle distribuzioni in termini di metriche statistiche (e.g., medie, varianze) nonchè l’utilizzo di vari algoritmi di data mining (e.g., alberi di decisione, random forest, SVM e regressione lineare) per la modellazione della relazioni principali tra le variabili di input (quali ad esempio il percorso di formazione, i risultati di performance, e alcune caratteristiche della popolazione sotto osservazione) e il voto conseguito alla laurea triennale. Le performance dei modelli predittivi, stimati valutando un indice statistico (e.g. R2), non sono ottimali tuttavia evidenziano che la variabile genere è tra quelle che influenzano la predizione. Per migliorare le performance degli algoritmi testati si suggerisce di estendere lo studio con un set di variabili aggiuntivi in grado di rappresentare correttamente le relazioni principali che esistono tra percorsi di studi e performance in un’ottica di genere.

Relatori: Tania Cerquitelli, Arianna Montorsi
Anno accademico: 2021/22
Tipo di pubblicazione: Elettronica
Numero di pagine: 77
Soggetti:
Corso di laurea: Corso di laurea magistrale in Ingegneria Matematica
Classe di laurea: Nuovo ordinamento > Laurea magistrale > LM-44 - MODELLISTICA MATEMATICO-FISICA PER L'INGEGNERIA
Aziende collaboratrici: NON SPECIFICATO
URI: http://webthesis.biblio.polito.it/id/eprint/20790
Modifica (riservato agli operatori) Modifica (riservato agli operatori)