Lo scorso 10 e 11 maggio a Roma abbiamo partecipato alla SIRD-SIe-L International Conference 2019 sui Learning Analytics.
In un post precedente abbiamo introdotto i metodi e le tecniche sviluppati nel campo dei Learning Analytics. Questi strumenti vengono già utilizzati per analizzare aspetti rilevanti del processo di insegnamento-apprendimento.
Le ragioni del Convegno sui Learning Analytics
Con riguardo particolare all’Italia restano ancora inesplorate le dimensioni pedagogiche dei Learning Analytics. Dimensioni che dovrebbero definire
- la concettualizzazione dei modelli di analisi
- i criteri per accompagnare i processi decisionali legati al monitoraggio e alla valutazione in-process
- i criteri per l’accesso, la visualizzazione e la valutazione dei risultati.
È dunque importante che la pedagogia dia il suo contributo sia per orientare la ricerca sia per costruire in Italia una rete di soggetti impegnati a sviluppare indagini ed esperienze significative in questo settore.
Topics e sessioni del convegno
Il convegno ha costituito la cornice ideale per discutere di alcune delle questioni emergenti nella comunità scientifica dei Learning Analytics:
- analisi di Big Data
- approcci etici
- vincoli normativi (resi ancor più attuali dall’entrata in vigore del GDPR)
- Educational Data Mining
- omogeneizzazione e visualizzazione dei dati
- modelli di analisi predittiva.
Due le sessioni tematiche previste. Una più teorica, volta a indagare i principi pedagogici per massimizzare il successo delle attività di insegnamento/apprendimento. Una più sperimentale, volta a raccogliere esperienze di LA nei sistemi online.
Il nostro contributo ai Learning Analytics
Abbiamo dato il nostro contributo presentando con l’Università per Stranieri di Siena una ricerca su Data Mining e valutazione di ambienti aperti per l’apprendimento.
Gli obiettivi
Gli obiettivi della ricerca erano:
- l’ideazione di un sistema di valutazione modellato su ambienti di apprendimento aperti e poco strutturati
- la costruzione dell’architettura del sistema
- il suo testing con una fase di sperimentazione con gli studenti.
L’idea era quella di progettare un’architettura flessibile e aperta, che tracciasse anche attività a livello “basso”. Non un semplice tracking di orari di ingresso e di uscita e un computo del numero di accessi. Volevamo progettare un sistema capace di raccogliere dati più significativi: i percorsi, i messaggi, i contenuti prodotti, le interazioni.
Il problema
Per ottenere un risultato di questo tipo era necessario:
- registrare ogni azione, il contesto dell’azione, i suoi contenuti
- esporre i dati in modo che potessero essere visualizzati e confrontati per far emergere possibili anomalie di percorso, positive o negative.
Dovevamo quindi costruire un’architettura “agnostica”, capace cioè di interagire con ambienti poco strutturati. Capace di suggerire possibili interrogazioni piuttosto che rispondere a domande predefinite.
Gli strumenti
Ogni ambiente di apprendimento aperto deve fare i conti con la diversità. Tecnologie e sistemi diversi devono poter comunicare le informazioni in modo sicuro e standardizzato. Cioè sotto forma di dati leggibili, da noi e dalle macchine.
Per questo abbiamo scelto lo standard xAPI, un protocollo capace di leggere e interpretare flussi di attività relativi all’apprendimento. xAPI lavora con un logica “dal basso”, che fa emergere il tracciamento dall’esperienza concreta dello studente, quando si realizza. Una logica, dunque, particolarmente congeniale al concept del nostro progetto.
Per raccogliere i dati tracciati con xAPI abbiamo agganciato all’ambiente di apprendimento un Learning Record Score (LRS) che immagazzinasse via via i flussi di attività degli studenti.
I risultati
La fase di sperimentazione con cui abbiamo testato l’ambiente di monitoraggio ci ha restituito risposte interessanti:
- il sistema di tracciamento funziona
- è capace di far emergere correlazioni nascoste e andamenti significativi utili per valutare le esperienze di apprendimento
- è interoperabile e trasferibile in qualsiasi contesto di e-learning.
La portata limitata della sperimentazione e d’altro canto la significatività dei risultati indicano una prima prospettiva di sviluppo nel testing, più ampio e completo.
L’interoperabilità del modello inoltre suggerisce di testarlo in altri ambiti dell’insegnamento-apprendimento, oltre a quello linguistico in cui è nato.
Un lavoro, questo, che si è fatto notare al Convegno!
[…] ricchezza con cui xAPI traccia le attività dello studente risponde all’attuale orientamento pedagogico che pone al centro della formazione lo studente, o il gruppo di studenti, e non i contenuti. xAPI […]