Una grande quantità di dati invade i nostri sistemi tecnologici, tanto che gli abituali strumenti utilizzati per la loro gestione si rivelano spesso insufficienti. Molte aziende usano sofisticate tecniche di analisi per estrarre valore aggiunto da questa enorme mole di dati, perseguendo soprattutto finalità di marketing. Anche il campo della formazione e, più in generale, il settore educativo, con i dati raccolti attraverso i sistemi di gestione dell’apprendimento online, può trarre benefici dalla ricerca in questo ambito. Questa la sfida: analizzare i dati correlati all’apprendimento per ottimizzare sia i percorsi formativi che gli ambienti in cui la formazione si attua.
Introduzione
L’apprendimento a distanza non offre soltanto vantaggi, lo sappiamo. Tra i problemi che può generare rivestono un ruolo importante quelli legati alla motivazione. I partecipanti possono sentirsi isolati a causa della mancanza di contatto con i docenti/tutor o con gli altri partecipanti, disorientati nello spazio on line o semplicemente avere problemi tecnici: tutto questo chiaramente impatta in maniera negativa sulla motivazione. Per non parlare poi dei docenti e dei tutor, i quali non hanno quei riferimenti visivi che possano segnalare quando i partecipanti non sono sufficientemente motivati, quando sono annoiati, confusi, sovraccarichi o semplicemente assenti. Gli stessi insegnanti, inoltre, possono avere difficoltà a interpretare e valutare l’apprendimento e la qualità della partecipazione della classe, soprattutto quando il contributo degli studenti è distribuito in discussioni di gruppo che durano per diverse settimane.
D’altra parte, vi è una richiesta sempre maggiore, da parte delle istituzioni formative, di misurare, dimostrare e migliorare i risultati raggiunti nell’apprendimento a distanza. La logica della reportistica tradizionale presente all’interno delle piattaforme di Learning Management System (LMS) non soddisfa che in parte questa crescente esigenza.
Il problema che si pone è quindi quello di ottimizzare l’apprendimento e i risultati educativi, una sfida che è tanto più ineludibile quanto più si considera il paradigma della formazione digitale illustrato nel nostro precedente articolo.
Il campo di studi che nasce in risposta all’esigenza di ottimizzazione dell’apprendimento è l’analisi dei dati o, per meglio dire, quello delle tecniche di analisi dei dati dell’apprendimento, in inglese Learning Analytics.
Cosa si intende per Learning Analytics?
Learning analytics is an educational application of web analytics aimed at learner profiling, a process of gathering and analyzing details of individual student interactions in online learning activities (Horizon Report – 2016 Higher Education Edition). “L’analisi dei dati dell’apprendimento è un’applicazione educativa dell’analisi dei dati web volti a delineare il profilo degli studente, un processo di raccolta e analisi dei dettagli delle interazioni individuali degli studenti nelle attività di apprendimento online”.
Sempre secondo il Rapporto Horizon, curato dal New Media Consortium, l’obiettivo del Learning Analytics è quello di costruire pedagogie migliori, potenziare l’apprendimento attivo, raggiungere gli studenti a rischio e valutare i fattori che influenzano il completamento e il successo degli studenti.
Già da qualche anno la tecnologia educativa si avvale dei risultati della ricerca nel campo delle tecniche di analisi dei dati dell’apprendimento. Le applicazioni maggiori si annoverano tra le cosiddette tecnologie adattive, le quali, grazie all’analisi dei dati e attraverso il software di piattaforme online, regolano i percorsi formativi legandoli alle esigenze individuali degli studenti. L’apprendimento adattivo (adaptive learning) è reso possibile dal fatto che le tecnologie didattiche sono attualmente in grado di imparare ad imparare e sono proprio le tecnologie per l’apprendimento automatico (Learning machine) quelle che traggono il maggior profitto dalla ricerca educativa applicata ai Big Data.
Big Data
Cominciamo con i Big Data, cioè quell’insiemi di dati la cui dimensione supera la capacità dei tipici strumenti software di database finora utilizzati per l’acquisizione, la memorizzazione, la gestione e l’analisi.
I settori in cui oggi ci troviamo ad affrontare la crescente sfida posta dai Big Data sono tantissimi e anche nel campo della formazione digitale la mole dei dati trattati dai sistemi di gestione dell’apprendimento (LMS) è cresciuta notevolmente. Ogni giorno, questi sistemi accumulano una quantità crescente di dati sulle interazioni degli utenti, dati personali, informazioni di sistema e informazioni didattiche. Anche se le capacità di tracciare le attività on line degli studenti sono in genere incluse tra le funzionalità generiche di questi software, le funzionalità di estrazione e aggregazione, di reporting e di visualizzazione sono spesso molto di base o inesistenti.
Va poi considerato che, nella formazione digitale, gli studenti svolgono numerose attività all’esterno delle tradizionali piattaforme LMS e quindi le informazioni relative a queste attività sono distribuite in vari siti, con diversi standard, diversi proprietari e diversi livelli di accesso. Il primo fattore, allora, è una sfida tecnica: come possiamo estrarre valore da questi grandi insiemi di dati correlati all’apprendimento?
L’analisi dei dati per l’apprendimento
L’interesse nei confronti dell’analisi dei dati in campo educativo non nasce certo con l’apprendimento on line né con i Big Data. Già alla fine degli anni ’70 si era parlato di una “esplosione dei dati” (McIntosh, 1979), ma è con l’affermarsi della seconda generazione del web, il web 2.0, che si aprono nuove possibilità per l’aggregazione di contenuti provenienti da diverse fonti, per la loro elaborazione e lo scambio dei risultati con altri software. Nello stesso periodo ci fu anche una rapida diffusione degli LMS e, con l’aumento della disponibilità di ampi insiemi di dati da analizzare, il campo del data mining nel settore educativo emerse gradualmente.
In generale, il data mining è un settore dell’informatica che applica una varietà di tecniche (per esempio, la costruzione di alberi di decisione, le regole di induzione, le reti neurali artificiali, l’apprendimento instance-based, l’apprendimento bayesiano, la programmazione logica e gli algoritmi statistici) ai database per scoprire e visualizzare modelli di dati precedentemente sconosciuti e potenzialmente utili.
L’Educational Data Mining (EDM) è una sotto area di questo settore che si occupa «di sviluppare metodi per esplorare i tipi di dati specifici che provengono da contesti educativi, utilizzare tali metodi per comprendere meglio gli studenti e i contesti in cui essi imparano» (www.educationaldatamining.org).
Nei primi anni duemila, accanto alle tecniche di analisi guidate dai dati, cominciarono ad emergere approcci legati ad aspetti sociali e pedagogici. Uno sviluppo significativo venne dall’integrazione della Social Network Analysis (SNA), un metodo sviluppato nelle scienze sociali, all’interno degli strumenti utilizzati per l’analisi dell’apprendimento. L’uso della SNA ha permesso di svolgere indagini approfondite su reti costituite da “attori” e sulle relazioni esistenti tra loro ed essa può essere usata, nel contesto dell’apprendimento, per studiare e incoraggiare connessioni cooperative e collaborative tra studenti, docenti e risorse didattiche.
Grazie all’apporto delle scienze sociali, l’attenzione si sposta lentamente verso un approccio alle tecniche di analisi focalizzato sulla comprensione e sulla ottimizzazione dell’apprendimento, finché nel 2010 questo campo di studi subì un’ulteriore spinta in avanti, grazie a George Siemens, che in un famoso post del suo blog, propose una prima definizione: “Il Learning Analytics è l’uso di dati intelligenti, di dati prodotti dallo studente e di modelli di analisi per scoprire informazioni e connessioni sociali, e per predire e dare consigli sull’apprendimento” (Siemens, 2010).
La comunità del Learning Analytics nasce in occasione della prima Conferenza internazionale su Learning Analytics tenutasi a Banff nel 2011, seguita in quello stesso anno dalla fondazione di SOLAR (Society for Learning Analytics Research). L’emergere del Learning Analytics come un campo a sé stante ha determinato la formazione di gruppi di studiosi concentrati, in ambiti diversi, nel settore delle tecniche di analisi in ambito educativo:
- L’Educational Data Mining che analizza dal punto di vista tecnico il modo in cui possiamo estrarre valore da questi grandi insiemi di dati correlati all’apprendimento
- Il Learning Analytics che si focalizza sugli aspetti educativi, per ottimizzare le opportunità di apprendimento online.
Gli sviluppi del Learning Analytics
La base dei dati da analizzare è sempre più grande, tanto da superare spesso la stessa capacità tecnica di gestione degli stessi e ciò implica che risulti molto delicata l’operazione di selezione dei dati utili. In primo luogo è necessario quindi costruire legami forti con le scienze dell’apprendimento.
Per una pedagogia efficace
La comprensione e l’ottimizzazione dell’apprendimento richiedono una buona comprensione di come si apprende, di come si può facilitare l’apprendimento e dell’importanza di fattori quali l’identità, la reputazione e le emozioni. Il Learning Analytics che contribuisce a costituire la base per una buona progettazione dell’apprendimento, una pedagogia efficace che aumenta l’auto-consapevolezza dello studente.
Supporto alla Formazione digitale – aperta, informale e ubiqua
Sempre più spesso gli studenti saranno alla ricerca di supporto dal Learning Analytics al di fuori degli LMS, essendo impegnati nella formazione permanente in ambienti aperti, informali o blended. Ciò richiederà uno spostamento verso insiemi di dati e loro combinazioni più stimolanti, includendo i dati da dispositivi mobili, i dati biometrici e i dati legati all’umore.
Personalizzazione dell’apprendimento
Grazie alla migliore comprensione dei meccanismi dell’apprendimento è auspicabile un processo che porti ad assumere le prospettive degli studenti. Solo in questo modo sarà possibile sviluppare analisi legate alle loro esigenze. Tale prospettiva ha il potenziale di estendere i criteri per il successo dell’apprendimento a fattori quali la motivazione, la fiducia, il divertimento, la soddisfazione e la corrispondenza con i propri obiettivi di carriera. Con ogni probabilità nel prossimo futuro saremo impegnati nella ricerca di nuovi metodi di reporting e visualizzazione personalizzati che possano essere facilmente compresi dagli studenti e che siano chiaramente collegati a meccanismi per migliorare e ottimizzare il loro apprendimento.
CONCLUSIONI
Durante l’ultimo decennio il settore del Learning Analytics è emerso come un’area di ricerca significativa nell’ambito del Technology Enhanced Learning (TEL). L’impegno di E-CO nella realizzazione di un proprio metodo per la formazione digitale passa anche dall’adozione di tecnologie in grado di abilitare la raccolta, la conservazione e il trattamento di una grande quantità di dati frutto di esperienze d’apprendimento attuate in ambienti diversi.
Il Learning Analytics sarà quindi impiegato per capire e ottimizzare sia l’apprendimento che gli ambienti in cui esso avviene.
