{"id":92,"date":"2023-11-30T17:18:09","date_gmt":"2023-11-30T17:18:09","guid":{"rendered":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/chapter\/235\/"},"modified":"2024-01-31T11:38:27","modified_gmt":"2024-01-31T11:38:27","slug":"235","status":"publish","type":"chapter","link":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/chapter\/235\/","title":{"raw":"Learning Analytics ed Educational Data Mining","rendered":"Learning Analytics ed Educational Data Mining"},"content":{"raw":"di Azim Roussanaly, Anne Boyer, Jiajun Pan, LORIA\/Universit\u00e9 de Lorraine<\/em><\/span><\/strong>\n

Cosa sono i\u00a0Learning Analytics?<\/h3>\n

Sempre pi\u00f9 organizzazioni utilizzano l'analisi dei dati per risolvere i problemi e migliorare le decisioni relative alle loro attivit\u00e0. Il mondo dell'istruzione non fa eccezione perch\u00e9, con la generalizzazione degli ambienti di apprendimento virtuali (VLE) e dei sistemi di gestione dell'apprendimento (LMS), sono ora disponibili enormi dati sull'apprendimento, generati dall'interazione degli studenti con questi strumenti.<\/p>\nSi parla quindi di Learning Analytics (LA): quello dei LA \u00e8 un campo disciplinare definito come \"la misurazione, la raccolta, l'analisi e il reporting dei dati sugli studenti e sui loro contesti, ai fini della comprensione e dell'ottimizzazione dell'apprendimento e degli ambienti in cui tale apprendimento avviene\" [Long-2011].\n

In genere si distinguono quattro tipi di analytics in base al problema da risolvere:<\/p>\n\n

    \n \t
  • \n

    Analytics descrittivi: Cosa \u00e8 successo in passato?<\/p>\n<\/li>\n \t

  • \n

    Analytics diagnostici: Perch\u00e9 \u00e8 successo qualcosa in passato?<\/p>\n<\/li>\n \t

  • \n

    Analytics predittivi: Cosa \u00e8 pi\u00f9 probabile che accada in futuro?<\/p>\n<\/li>\n \t

  • \n

    Analytics prescrittivi: Quali azioni intraprendere per influenzare questi risultati?<\/p>\n<\/li>\n<\/ul>\n

    Che cos'\u00e8?<\/h3>\n

    Gli strumenti didattici basati sui LA sono molto diversi, dalle dashbord per la visualizzazione dei dati ai sistemi di raccomandazione. La ricerca in quest'area \u00e8 attualmente molto attiva. Ci limiteremo a riassumere i problemi pi\u00f9 frequenti incontrati in letteratura. Ognuno di questi problemi porta a famiglie di strumenti rivolti principalmente agli studenti o agli insegnanti, che rappresentano la maggior parte degli utenti finali delle applicazioni basate sul LA.<\/p>\n\n

    Prevedere e migliorare i risultati di apprendimento degli studenti<\/h3>\n[caption id=\"attachment_234\" align=\"alignright\" width=\"200\"]\"\" Figure 1: Purdue University dashboard for students[\/caption]\n

    Una delle applicazioni emblematiche dei LA \u00e8 la previsione degli errori.<\/p>\n

    Gli indicatori di apprendimento vengono calcolati automaticamente dalle tracce digitali e possono essere consultati direttamente dagli studenti, che possono cos\u00ec adattare le proprie strategie di apprendimento.<\/p>\n

    Uno dei primi esperimenti \u00e8 stato condotto alla Purdue University (USA) con un'applicazione mobile progettata come un cruscotto a semaforo (Arnold-2012).<\/p>\n

    Ogni studente pu\u00f2 monitorare i propri indicatori di progresso.<\/p>\n

    Una schermata della dashboard \u00e8 mostrata in fig#1.<\/p>\n

    Gli indicatori possono anche essere indirizzati agli insegnanti, come in un sistema di allarme rapido (early warning system - EWS).<\/p>\n

    Questa \u00e8 la scelta fatta dal Centro nazionale francese di formazione a distanza (CNED) in uno studio in corso (BenSoussia-2022).<\/p>\n

    L'obiettivo di un EWS \u00e8 quello di allertare il prima possibile i tutor che sono responsabili del monitoraggio degli studenti, in modo che possano attuare al pi\u00f9 presto le azioni correttive appropriate.<\/p>\n\n

    Analizzare il processo di apprendimento degli studenti<\/h3>\n[caption id=\"attachment_233\" align=\"alignleft\" width=\"404\"]\"\" Figure 2: METAL project dashboard[\/caption]\n

    Le tecniche di LA possono aiutare a modellare il comportamento di apprendimento di un allievo o di un gruppo di allievi (ad esempio una classe). Il modello pu\u00f2 essere utilizzato per visualizzare i processi di apprendimento nelle applicazioni di LA, fornendo informazioni aggiuntive che consentiranno agli insegnanti di individuare le carenze e di migliorare i materiali e i metodi di formazione. Inoltre, l'analisi del processo di apprendimento \u00e8 un modo per osservare l'impegno dei discenti. Ad esempio, nel progetto e-FRAN METAL, gli indicatori sono stati riuniti in un cruscotto co-progettato con un team di insegnanti di scuola secondaria, come mostrato nella\u00a0fig#2 (Brun-2019).<\/p>\n\n

    Personalizzare i percorsi di apprendimento<\/h3>\n

    La personalizzazione dei percorsi di apprendimento pu\u00f2 avvenire in sistemi di raccomandazione o di apprendimento adattivo. I sistemi di raccomandazione mirano a suggerire a ciascun allievo le risorse migliori o i comportamenti pi\u00f9 appropriati che possono aiutare a raggiungere efficacemente gli obiettivi didattici.<\/p>\n

    Alcuni sistemi si concentrano sul coinvolgimento dell'insegnante, presentando prima le raccomandazioni proposte per la loro convalida. I sistemi di apprendimento adattivo consentono all'allievo di sviluppare competenze e conoscenze in modo pi\u00f9 personalizzato e autonomo, adattando costantemente il percorso di apprendimento all'esperienza dell'allievo.<\/p>\n\n

    Funziona?<\/h3>\n

    Nelle pubblicazioni, il feedback si concentra principalmente sugli studenti (e nell'istruzione superiore). Le osservazioni mostrano generalmente un miglioramento delle prestazioni degli studenti (ad esempio, +10% di voti A e B alla Purdue University). Per gli insegnanti, l'impatto dei LA \u00e8 pi\u00f9 complesso da valutare. Gli studi basati sul modello di accettazione della tecnologia (TAM) suggeriscono che gli insegnanti hanno una percezione positiva dell'uso degli strumenti di LA. \u00c8 interessante notare in uno di questi studi l'analisi finale dei punti di forza, debolezza, opportunit\u00e0 e minacce (SWOT) che riproduciamo qui (Mavroudi-21)(vedi fig#3).<\/p>\n\n\n[caption id=\"attachment_232\" align=\"aligncenter\" width=\"1024\"]\"\" Figure 3: SWOT analysis of LA acceptance5<\/sup>[\/caption]\n

    Alcuni dei punti di attenzione, inclusi nelle parti \"Minacce\" e \"Debolezza\", costituiscono la base della riflessione della comunit\u00e0 della Society for Learning Analytics Research (SoLAR) per raccomandare un approccio di tipo etico per la progettazione delle applicazioni di LA (Drashler-16). Le raccomandazioni sono riassunte in una checklist di 8 parole chiave: Determinare, Spiegare, Legittimare, Coinvolgere, Consentire, Anonimizzare, Tecnico, Esterno (Determine, Explain, Legitimate, Involve, Consent, Anonymize, Technical, External - DELICATE).<\/p>\n\n

    Riferimenti bibliografici<\/h3>\nP.Long and G. Siemens: 1st International Conference on Learning Analytics and Knowledge, Banff, Alberta, February 27\u2013March 1, 2011\nK. Arnold, M. Pistilli: Course signals at Purdue: Using learning analytics to increase student success, LAK2012, ACM International Conference Proceeding Series. (2012).\nA. Ben Soussia, A. Roussanaly, A. Boyer: Toward An Early Risk Alert In A Distance Learning Context. ICALT (2022)\nA. Brun, G. Bonnin, S. Castagnos, A. Roussanaly, A. Boyer: Learning Analytics Made in France: The METALproject. IJILT (2019)\nA. Mavroudi, Teachers\u2019 Views Regarding Learning Analytics Usage Based on the Technology Acceptance Model, TechTrends. 65 (2021)","rendered":"

    di Azim Roussanaly, Anne Boyer, Jiajun Pan, LORIA\/Universit\u00e9 de Lorraine<\/em><\/span><\/strong><\/p>\n

    Cosa sono i\u00a0Learning Analytics?<\/h3>\n

    Sempre pi\u00f9 organizzazioni utilizzano l’analisi dei dati per risolvere i problemi e migliorare le decisioni relative alle loro attivit\u00e0. Il mondo dell’istruzione non fa eccezione perch\u00e9, con la generalizzazione degli ambienti di apprendimento virtuali (VLE) e dei sistemi di gestione dell’apprendimento (LMS), sono ora disponibili enormi dati sull’apprendimento, generati dall’interazione degli studenti con questi strumenti.<\/p>\n

    Si parla quindi di Learning Analytics (LA): quello dei LA \u00e8 un campo disciplinare definito come “la misurazione, la raccolta, l’analisi e il reporting dei dati sugli studenti e sui loro contesti, ai fini della comprensione e dell’ottimizzazione dell’apprendimento e degli ambienti in cui tale apprendimento avviene” [Long-2011].<\/p>\n

    In genere si distinguono quattro tipi di analytics in base al problema da risolvere:<\/p>\n

      \n
    • \n

      Analytics descrittivi: Cosa \u00e8 successo in passato?<\/p>\n<\/li>\n

    • \n

      Analytics diagnostici: Perch\u00e9 \u00e8 successo qualcosa in passato?<\/p>\n<\/li>\n

    • \n

      Analytics predittivi: Cosa \u00e8 pi\u00f9 probabile che accada in futuro?<\/p>\n<\/li>\n

    • \n

      Analytics prescrittivi: Quali azioni intraprendere per influenzare questi risultati?<\/p>\n<\/li>\n<\/ul>\n

      Che cos’\u00e8?<\/h3>\n

      Gli strumenti didattici basati sui LA sono molto diversi, dalle dashbord per la visualizzazione dei dati ai sistemi di raccomandazione. La ricerca in quest’area \u00e8 attualmente molto attiva. Ci limiteremo a riassumere i problemi pi\u00f9 frequenti incontrati in letteratura. Ognuno di questi problemi porta a famiglie di strumenti rivolti principalmente agli studenti o agli insegnanti, che rappresentano la maggior parte degli utenti finali delle applicazioni basate sul LA.<\/p>\n

      Prevedere e migliorare i risultati di apprendimento degli studenti<\/h3>\n
      \"\"
      Figure 1: Purdue University dashboard for students<\/figcaption><\/figure>\n

      Una delle applicazioni emblematiche dei LA \u00e8 la previsione degli errori.<\/p>\n

      Gli indicatori di apprendimento vengono calcolati automaticamente dalle tracce digitali e possono essere consultati direttamente dagli studenti, che possono cos\u00ec adattare le proprie strategie di apprendimento.<\/p>\n

      Uno dei primi esperimenti \u00e8 stato condotto alla Purdue University (USA) con un’applicazione mobile progettata come un cruscotto a semaforo (Arnold-2012).<\/p>\n

      Ogni studente pu\u00f2 monitorare i propri indicatori di progresso.<\/p>\n

      Una schermata della dashboard \u00e8 mostrata in fig#1.<\/p>\n

      Gli indicatori possono anche essere indirizzati agli insegnanti, come in un sistema di allarme rapido (early warning system – EWS).<\/p>\n

      Questa \u00e8 la scelta fatta dal Centro nazionale francese di formazione a distanza (CNED) in uno studio in corso (BenSoussia-2022).<\/p>\n

      L’obiettivo di un EWS \u00e8 quello di allertare il prima possibile i tutor che sono responsabili del monitoraggio degli studenti, in modo che possano attuare al pi\u00f9 presto le azioni correttive appropriate.<\/p>\n

      Analizzare il processo di apprendimento degli studenti<\/h3>\n
      \"\"
      Figure 2: METAL project dashboard<\/figcaption><\/figure>\n

      Le tecniche di LA possono aiutare a modellare il comportamento di apprendimento di un allievo o di un gruppo di allievi (ad esempio una classe). Il modello pu\u00f2 essere utilizzato per visualizzare i processi di apprendimento nelle applicazioni di LA, fornendo informazioni aggiuntive che consentiranno agli insegnanti di individuare le carenze e di migliorare i materiali e i metodi di formazione. Inoltre, l’analisi del processo di apprendimento \u00e8 un modo per osservare l’impegno dei discenti. Ad esempio, nel progetto e-FRAN METAL, gli indicatori sono stati riuniti in un cruscotto co-progettato con un team di insegnanti di scuola secondaria, come mostrato nella\u00a0fig#2 (Brun-2019).<\/p>\n

      Personalizzare i percorsi di apprendimento<\/h3>\n

      La personalizzazione dei percorsi di apprendimento pu\u00f2 avvenire in sistemi di raccomandazione o di apprendimento adattivo. I sistemi di raccomandazione mirano a suggerire a ciascun allievo le risorse migliori o i comportamenti pi\u00f9 appropriati che possono aiutare a raggiungere efficacemente gli obiettivi didattici.<\/p>\n

      Alcuni sistemi si concentrano sul coinvolgimento dell’insegnante, presentando prima le raccomandazioni proposte per la loro convalida. I sistemi di apprendimento adattivo consentono all’allievo di sviluppare competenze e conoscenze in modo pi\u00f9 personalizzato e autonomo, adattando costantemente il percorso di apprendimento all’esperienza dell’allievo.<\/p>\n

      Funziona?<\/h3>\n

      Nelle pubblicazioni, il feedback si concentra principalmente sugli studenti (e nell’istruzione superiore). Le osservazioni mostrano generalmente un miglioramento delle prestazioni degli studenti (ad esempio, +10% di voti A e B alla Purdue University). Per gli insegnanti, l’impatto dei LA \u00e8 pi\u00f9 complesso da valutare. Gli studi basati sul modello di accettazione della tecnologia (TAM) suggeriscono che gli insegnanti hanno una percezione positiva dell’uso degli strumenti di LA. \u00c8 interessante notare in uno di questi studi l’analisi finale dei punti di forza, debolezza, opportunit\u00e0 e minacce (SWOT) che riproduciamo qui (Mavroudi-21)(vedi fig#3).<\/p>\n

      \"\"
      Figure 3: SWOT analysis of LA acceptance5<\/sup><\/figcaption><\/figure>\n

      Alcuni dei punti di attenzione, inclusi nelle parti “Minacce” e “Debolezza”, costituiscono la base della riflessione della comunit\u00e0 della Society for Learning Analytics Research (SoLAR) per raccomandare un approccio di tipo etico per la progettazione delle applicazioni di LA (Drashler-16). Le raccomandazioni sono riassunte in una checklist di 8 parole chiave: Determinare, Spiegare, Legittimare, Coinvolgere, Consentire, Anonimizzare, Tecnico, Esterno (Determine, Explain, Legitimate, Involve, Consent, Anonymize, Technical, External – DELICATE).<\/p>\n

      Riferimenti bibliografici<\/h3>\n

      P.Long and G. Siemens: 1st International Conference on Learning Analytics and Knowledge, Banff, Alberta, February 27\u2013March 1, 2011
      \nK. Arnold, M. Pistilli: Course signals at Purdue: Using learning analytics to increase student success, LAK2012, ACM International Conference Proceeding Series. (2012).
      \nA. Ben Soussia, A. Roussanaly, A. Boyer: Toward An Early Risk Alert In A Distance Learning Context. ICALT (2022)
      \nA. Brun, G. Bonnin, S. Castagnos, A. Roussanaly, A. Boyer: Learning Analytics Made in France: The METALproject. IJILT (2019)
      \nA. Mavroudi, Teachers\u2019 Views Regarding Learning Analytics Usage Based on the Technology Acceptance Model, TechTrends. 65 (2021)<\/p>\n","protected":false},"author":1,"menu_order":2,"template":"","meta":{"pb_show_title":"","pb_short_title":"","pb_subtitle":"","pb_authors":["azim-roussanaly","anne-boyer","jiajun-pan"],"pb_section_license":""},"chapter-type":[],"contributor":[66,65,67],"license":[],"part":86,"_links":{"self":[{"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/pressbooks\/v2\/chapters\/92"}],"collection":[{"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/pressbooks\/v2\/chapters"}],"about":[{"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/wp\/v2\/types\/chapter"}],"author":[{"embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/wp\/v2\/users\/1"}],"version-history":[{"count":1,"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/pressbooks\/v2\/chapters\/92\/revisions"}],"predecessor-version":[{"id":93,"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/pressbooks\/v2\/chapters\/92\/revisions\/93"}],"part":[{"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/pressbooks\/v2\/parts\/86"}],"metadata":[{"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/pressbooks\/v2\/chapters\/92\/metadata\/"}],"wp:attachment":[{"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/wp\/v2\/media?parent=92"}],"wp:term":[{"taxonomy":"chapter-type","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/pressbooks\/v2\/chapter-type?post=92"},{"taxonomy":"contributor","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/wp\/v2\/contributor?post=92"},{"taxonomy":"license","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/wp\/v2\/license?post=92"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}