Autore: Paola Tettamanti

  • Interattività e e-learning: 5 fattori da tenere a mente

    Interattività e e-learning: 5 fattori da tenere a mente

    Quando progettiamo formazione in e-learning ci poniamo subito qualche domanda sull’interattività: quanto deve essere interattivo il corso? È vero che il massimo dell’interattività è sempre la scelta migliore? Quali interazioni dobbiamo usare? Ci sono tipologie di interazioni sbagliate?

    Proviamo a rispondere a queste domande e a individuare alcuni fattori di base da tenere a mente per progettare il giusto livello di interattività.

    A cosa serve l’interattività in un corso e-learning

    L’interattività serve per coinvolgere maggiormente gli utenti, per trattenere le informazioni, per migliorare l’efficacia complessiva della formazione.

    Come ogni altro aspetto dell’e-learning le interazioni devono essere studiate, collocate nel punto giusto per uno scopo specifico. Dipende dagli obiettivi di apprendimento, dal tipo di pubblico, dai contenuti.

    Le interazioni poi sono di grado diverso: dal semplice clic per andare alla slide successiva o per aprire un box di testo a scenari complessi in cui lo studente deve prendere decisioni.

    I livelli di interattività

    Possiamo distinguere 4 livelli di interattività dello studente, che muovono da passivo a molto attivo. Vediamone le caratteristiche:

    Livello 1: passivo

    • l’apprendimento è passivo: leggere o ascoltare un testo, guardare un video
    • lo studente ha un controllo minimo dell’ambiente
    • il corso ha una struttura lineare e rigida
    • non ci sono esercitazioni pratiche
    • le valutazioni sono minime e senza feedback istruttivo.

    Livello 2: moderato

    • l’apprendimento è attivo: lo studente deve compiere delle azioni
    • lo studente ha un controllo di base dell’ambiente
    • il corso ha una struttura non lineare a navigazione flessibile
    • ci sono attività pratiche con scenari semplici
    • ci sono semplici quiz con feedback.

    Livello 3: complesso

    • l’apprendimento è molto attivo: allo studente è richiesta una partecipazione elevata
    • lo studente ha un controllo alto dell’ambiente
    • il corso ha una struttura non lineare e ramificata
    • ci sono attività pratiche avanzate con feedback istruttivo
    • ci sono scenari complessi in cui prendere decisioni.

    Livello 4: immersivo

    • l’apprendimento è attivo al massimo grado: allo studente è richiesta una partecipazione molto elevata
    • lo studente ha il massimo controllo dell’ambiente
    • il corso presenta percorsi multipli e ramificati
    • ci sono simulazioni e scenari complessi in ambienti di lavoro realistici
    • si fa ricorso alla realtà virtuale o aumentata
    • c’è feedback correttivo e istruttivo.

    I fattori che determinano il livello di interattività

    Vediamo allora alcuni fattori di base che possono aiutare nella scelta del giusto livello di interattività:

    1. Livello di rischio

    Un primo fattore di cui tener conto è il livello di rischio del compito che il lavoratore in formazione dovrà svolgere nella realtà. Un pilota o un ingegnere di esplosivi dovrà esercitarsi per molte ore con simulatori prima di volare o maneggiare bombe. In questi casi, dunque, dove il rischio dell’attività è massimo, sceglieremo un livello di interattività immersivo (4).

    Quindi: quanto maggiore è il livello di rischio dell’attività da esercitare, tanto maggiore dovrà essere il coinvolgimento dello studente e di conseguenza il livello di interattività richiesto.

    2. Complessità dei contenuti

    Un discorso analogo possiamo farlo con i contenuti. Più i contenuti sono complessi, maggiore dovrà essere l’impegno dello studente e dunque il livello di interattività richiesto.

    Se dobbiamo istruire su problemi di calcolo complessi, dobbiamo proporre esempi, problemi guidati, feedback istruttivo e personalizzato. L’interattività, allora, dovrà essere almeno di livello moderato (2) o complesso (3).

    3. Tipo di pubblico

    Il profilo dello studente (età, competenze e conoscenze già acquisite, abilità tecnica) condiziona tipologia e livello di interattività.

    Con studenti senior (sopra i 40 anni) sarà meglio moderare il livello di interattività, proprio perché abituati a una modalità di apprendimento trasmissiva e passiva.

    Con studenti più giovani occorre invece aumentare il livello di interattività per poterli attivare e trattenere.

    4. Padronanza del contenuto richiesta

    Gli obiettivi di apprendimento sono un altro fattore che condiziona il livello di interattività. Se devo solo introdurre all’argomento gli studenti, allora sono richieste interazioni minime (1 o 2).

    Se invece gli studenti devono prendere decisioni di valore in base al contenuto o analizzare ipotesi contrastanti, allora il livello di interazione deve essere alto. La padronanza di un argomento richiede infatti una pratica significativa in scenari articolati con feedback istruttivo e livello di interattività complesso (3) o immersivo (4).

    5. Vincoli di progetto

    Limiti di budget, tempi di sviluppo e disponibilità di esperti condizionano la scelta del livello di interazione. A volte infatti la migliore scelta di interattività non è sostenibile per i vincoli di progetto.

    Spesso possiamo raggiungere un compromesso soddisfacente e creare materiali di apprendimento che permettano agli studenti di raggiungere gli obiettivi formativi nel rispetto dei vincoli progettuali.

    Altre volte sarebbe meglio aspettare una maggiore disponibilità di risorse piuttosto che mettere in piedi un progetto inefficace.

    Interattività senza esagerare

    Siamo tutti d’accordo che un maggior coinvolgimento degli studenti porta a fissare meglio i contenuti formativi.

    Dobbiamo però fare attenzione a non scegliere l’interattività per il suo appeal ma sempre e soltanto se funzionale agli obiettivi di apprendimento. Il rischio, altrimenti, è quello di trasformare uno strumento di rinforzo, l’interazione, in un distrattore.

  • Learning Analytics: a Roma si incontrano pedagogia e ricerca

    Learning Analytics: a Roma si incontrano pedagogia e ricerca

    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!

  • Learning Analytics: cosa sono e a cosa servono

    Learning Analytics: cosa sono e a cosa servono

    La diffusione degli ambienti di apprendimento digitali e di protocolli specifici per il tracciamento delle attività ci mettono a disposizione oggi un volume di dati notevole.

    Questi dati possono essere utilizzati per monitorare i risultati raggiunti nell’apprendimento a distanza e migliorarli. A patto di adottare approcci e strumenti di analisi innovativi.

    Da qui lo sviluppo di un nuovo ambito di ricerca nel campo delle scienze educative, l’analisi dei dati o, meglio, le tecniche di analisi dei dati dell’apprendimento, i Learning Analytics.

    Cosa sono i Learning Analytics

    L’Horizon Report del 2016 (Higher Education Edition) ci dà questa definizione:

    L’analisi dei dati dell’apprendimento è un’applicazione educativa dell’analisi dei dati web volta a delineare il profilo degli studenti; un processo di raccolta e analisi dei dettagli delle interazioni individuali degli studenti nelle attività di apprendimento online.

    L’obiettivo dei Learning Analytics è dunque quello di

    • costruire pedagogie migliori
    • potenziare l’apprendimento attivo
    • raggiungere gli studenti a rischio
    • valutare i fattori che influenzano il completamento e il successo degli studenti.

    Storia dei Learning Analytics

    L’interesse nei confronti dell’analisi dei dati in campo educativo non nasce certo con l’e-learning.

    Già alla fine degli anni ’70 si era parlato di una “esplosione dei dati”. Ma è con l’affermarsi del web 2.0 che si aprono nuove possibilità per l’aggregazione di contenuti provenienti da fonti diverse, per la loro elaborazione e per lo scambio dei risultati con altri software.

    Nello stesso periodo si diffondono i LMS e, con la disponibilità di insiemi di dati sempre più ampi da analizzare, emerge il campo del data mining .

    L’Educational Data Mining

    Il data mining è un settore dell’informatica che applica una varietà di tecniche ai database per estrarre dati nascosti e potenzialmente utili. Il valore c’è ed è sommerso nel mare di dati. Bisogna trovare il modo di estrarlo.

    L’Educational Data Mining è una sotto area del settore che si occupa di

    • sviluppare metodi per esplorare i tipi di dati specifici che provengono da ambienti educativi
    • utilizzare questi metodi per capire meglio gli studenti e i contesti in cui imparano.

    Grazie all’apporto delle scienze sociali, l’attenzione si sposta gradualmente verso un approccio alle tecniche di analisi focalizzato sulla comprensione e sull’ottimizzazione dell’apprendimento. Nel 2010 questo campo di studi riceve un ulteriore stimolo con George Siemens:

    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 

    La comunità del Learning Analytics nasce con la prima Conferenza Internazionale sui Learning Analytics (Banff , 2011) subito seguita dalla fondazione della Society for Learning Analytics Research. All’interno di questo nuovo campo di ricerca si sviluppano due filoni di studi:

    • l’Educational Data Mining che analizza dal punto di vista tecnico il modo in cui possiamo far emergere andamenti significativi da grandi insiemi di dati correlati all’apprendimento
    • il Learning Analytics che si focalizza sugli aspetti educativi per ottimizzare le opportunità di apprendimento online.

    Learning Analytics in prospettiva

    Il volume di dati da analizzare diventa sempre più grande. Per questo motivo è necessario che vengano definite le dimensioni pedagogiche dei Learning Analytics. In particolare occorrono:

    • una buona comprensione di come si apprende, di come si può facilitare l’apprendimento e dell’importanza dei fattori emotivi
    • il supporto al di fuori degli LMS: uno spostamento verso insiemi di dati provenienti da ambienti aperti, informali o blended
    • nuovi metodi di reportistica e visualizzazione personalizzati: facili da capire per gli studenti e chiaramente collegati a meccanismi di miglioramento del loro apprendimento.

    Dai Learning Analytics ci aspettiamo dunque modelli e strumenti per capire e migliorare sia l’apprendimento sia gli ambienti in cui avviene.