18 Febbraio 2020

I dati sono ovunque e sono diventati una questione cruciale per diversi settori aziendali, in particolare per l’istruzione e la formazione. Michel B. ha descritto perfettamente la situazione quando ha dichiarato:
“In molti settori, tra cui quello dell’istruzione, la quantità di dati è notevolmente aumentata negli ultimi 15 anni. È necessario dare un senso a questi dati per migliorare le capacità decisionali delle scuole e delle università. “(Baldassarre Michele, 2016) Infatti, con l’uso delle Nuove Tecnologie nella pedagogia, gli studenti lasciano un’importante quantità di tracce delle loro attività di apprendimento e di conseguenza il tracciamento di questi dati diventa strategico. I responsabili delle librerie usano i dati di apprendimento per seguire e misurare le abitudini di apprendimento. (Sherriff, Benson, & Atwood, 2019). Anche le organizzazioni di formazione e i fornitori di formazione si sono fatti carico dell’elaborazione dei dati di apprendimento e stanno cercando di scoprire come utilizzarli correttamente: “A causa della crescente crescita dei dati disponibili negli ultimi anni, tutti i settori della ricerca e la gestione delle istituzioni e delle organizzazioni, in particolare le scuole e le università, sentono la necessità di dare un senso a questa disponibilità di dati” (Baldassarre Michele, 2016). Nei loro tentativi di utilizzare i dati di apprendimento per migliorare l’apprendimento, gli aderenti all’apprendimento online utilizzano il tracking e l’intelligenza artificiale per personalizzare i percorsi di apprendimento.
In questo lavoro faremo riferimento ad alcuni studi nel campo del tracking e dell’apprendimento adattivo in relazione ai dati di apprendimento e all’intelligenza artificiale. Poi, suggeriremo alcuni punti di vigilanza da studi sull’argomento.

Dal tracciamento dei dati all’apprendimento adattivo:
Le applicazioni del tracciamento e dell’apprendimento adattivo sono altamente interconnesse, in particolare negli ambienti di apprendimento digitale. Di conseguenza, realizzare uno studio nell’uno implica lo studio dell’altro. Infatti, “Fin dall’inizio dell’informatica educativa, negli anni ’70 e ’80, è nato un mito che portava grandi speranze, quello di adattare l’insegnamento agli studenti. “(Amédieu & Tricot, 2015, p. 53). Questo principio si basa su tre leve.

  • Tracciare i dati in entrata e in uscita
  • Elaborare questi dati con intelligenza artificiale
  • Proporre un percorso di apprendimento adattato

Amadieu e Tricot equiparano questo ragionamento all’approccio di Skinner, che raccomanda di dare un feedback al discente in base alle loro risposte. Oggi, questa convinzione vive ancora all’interno dell’ambiente accademico. È quindi importante indagare il risultato dell’implementazione dell’apprendimento adattivo nei programmi di formazione.
Alcuni studi hanno dato risultati sul tracciamento:
Quasi tutti gli studi hanno rivelato un impatto benefico del tracciamento dei dati di apprendimento sui progressi degli studenti. Questo è il caso di uno studio che ha analizzato il contributo dei dati di apprendimento attraverso lo strumento TrAVis (May, George, & Prévot, 2011). I risultati dello studio hanno suggerito che il tracciamento dei dati di apprendimento e la loro disponibilità per gli studenti permette loro di mettere meglio in pratica le loro competenze nel loro apprendimento.
Un altro studio dell’Università di Pavia ha analizzato i dati di apprendimento sulla piattaforma di e-learning dell’istituzione -operamultimedia- che utilizza i principi dell’apprendimento profondo. Il focus principale dello studio è stato l’importanza delle valutazioni nell’anticipare le prestazioni dei discenti al fine di offrire agli studenti percorsi individualizzati. (Figini & Giudici, 2009).
Per prevedere / anticipare le prestazioni dei discenti al fine di offrire loro percorsi di apprendimento adeguati, il team identifica i seguenti passi:

  • raccogliere i dati di apprendimento dai percorsi classici
  • modulando i dati
  • integrare i dati in una banca dati per addestrare l’algoritmo
  • Configurare l’algoritmo con il modello additivo generalizzato.

Grazie a questo lavoro preliminare, l’algoritmo è stato in grado, in completa autonomia, di analizzare i dati del discente e di determinare il percorso migliore per consentirgli di raggiungere gli obiettivi di apprendimento. Questo concetto di apprendimento adattivo corrisponde all’idea che l’intelligenza artificiale da sola può diventare “il tutor intelligente” che, senza l’azione umana, permette al discente di progredire. Il posto del formatore si limita alla progettazione dei materiali dei corsi e alle attività di valutazione. L’algoritmo sarà responsabile di determinare a quale contenuto indirizzare il discente e il metodo di apprendimento migliore per lui.
Il seguente schema può aiutare ad avere un’idea migliore di come funziona un tale sistema di apprendimento:

by Pearson and Adsurge L’uso dell’apprendimento adattivo nella formazione degli adulti:
Alcune ricerche affermano inequivocabilmente l’utilità e l’efficacia dei principi dell’apprendimento adattivo per la formazione degli adulti in ambienti di apprendimento digitale, come si può leggere nella seguente affermazione: “L’essenza delle tecnologie di apprendimento adattivo degli adulti è definita; il valore delle tecnologie dell’informazione come strumento di apprendimento adattivo degli adulti che fornisce le condizioni per la crescita personale, lo sviluppo sociale e professionale delle competenze è dimostrato. “
(Olena I. Ohiienko, 2011). Tuttavia, questo campo non ha ancora svelato tutti i suoi segreti e un numero significativo di ricerche sono in corso nel campo dell’apprendimento adattivo perché, in questa fase, non esistono metodi unanimemente riconosciuti per studiare gli ambienti di apprendimento utilizzando i principi dell’apprendimento adattivo e molte questioni rimangono ancora aperte. (Pérez-Sánchez, Fontenla-Romero, & Guijarro-Berdiñas, 2018).
In un altro team di ricercatori ha condotto uno studio con 83 studenti universitari iscritti al programma per la formazione al pensiero critico e la conoscenza della lingua inglese in ambiente digitale. (1) Hanno organizzato un pre-test per il programma TOIC. Poi, hanno fatto dei gruppi in base ai risultati degli studenti. (2) Poi, ogni gruppo ha ricevuto i contenuti del corso in base al proprio livello. (3) Poi sono stati utilizzati feedback e dati sull’uso della piattaforma per offrire lezioni personalizzate ad alcuni studenti. I risultati hanno mostrato che il metodo “adattivo” ha migliorato il livello dei partecipanti.
Questo sistema di apprendimento adattivo assomiglia a quello dello schema di Pearson e Adsurge, ma in questo studio sono i formatori stessi e non un’intelligenza artificiale a determinare i corsi adattati e a renderli disponibili sulla piattaforma.

Attenzione! Anche se il campo del “tracciamento dei dati”, dell'”apprendimento adattivo” e dell’IA porta grandi speranze nella formazione, in generale, e quella degli adulti in particolare, ci sono punti di vigilanza che meritano la nostra attenzione. Proponiamo di discuterne uno che è stato affrontato da ricercatori riconosciuti nel settore: la protezione dei dati nei sistemi di apprendimento adattivo.

Utilizzo dei dati La questione della protezione dei dati personali si è rapidamente posta nella tracciabilità dei dati e nell’uso di algoritmi di intelligenza artificiale, soprattutto nelle amministrazioni pubbliche. Ciò vale per le università e i programmi pubblici. Nonostante l’obbligo di proteggere i dati, alcune persone si sono espresse a favore della trasparenza e hanno chiesto l’accesso ai dati con cui sono stati formati gli algoritmi. Infatti, “Il principio dell’apertura dei dati pubblici è stato sollevato nel 1978 in Francia con il principio dell’accessibilità agli archivi amministrativi e in opposizione alla tradizione di segretezza e di opacità che prevaleva nel settore pubblico. ” (Bourcier & De Filippi, 2018, p. 13). La questione della trasparenza nella programmazione degli algoritmi è più rivendicata nell’uso degli algoritmi nelle decisioni dei tribunali, nelle verifiche fiscali come nel programma “Taxpayer Compliance Measurement Program”, “Corrective Offender Management Profiling for Alternative Sanctions” negli Stati Uniti, “Harm Assessment Risk Tool Offender “in England and”. OpenVisa “in Francia. Questa richiesta di trasparenza si rivolgerebbe anche agli istituti di formazione pubblici che potrebbero utilizzare algoritmi nei dispositivi di apprendimento.
Uno studio è stato condotto da un team di ricercatori. Ha mostrato quanto sia importante rispettare la protezione dei dati degli studenti per stabilire un rapporto di fiducia tra tutti gli attori coinvolti in questo tipo di programma. I ricercatori hanno individuato tre criteri essenziali per l’utilizzo dei dati, anche a fini educativi. (1) I discenti devono essere informati della raccolta e dell’uso dei dati che li riguardano. (2) Il monitoraggio deve essere effettuato solo con e dopo il consenso dell’allievo. (3) Il discente deve essere in grado di interrompere il tracciamento non appena lo desidera. (4) I dati raccolti devono utilizzati solo per lo scopo per il quale il discente ha dato il proprio consenso. (Maggio & George, 2011).
Inoltre, l’articolo 5 del GDPR recita: “1. I dati personali devono essere: a) trattati in modo lecito, equo e trasparente nei confronti dell’interessato (liceità, lealtà, trasparenza). ” (Vollmer, 2018).
Raccolta:
possiamo vedere che i concetti di (1) “dati di apprendimento”, (2) “tracciamento dei dati”, (3) “apprendimento adattivo” e (4) AI, possono essere appresi correttamente solo quando sono applicati a un dato dispositivo educativo/ambiente di apprendimento e devono essere studiati in relazione a quel dispositivo o ambiente per essere efficaci. La politica europea dell’istruzione innovativa è quindi un esempio interessante in quanto permette di cogliere questi concetti attraverso il prisma dell’apprendimento informale e dell’OER che spesso si svolgono al di fuori dei corsi formali e quindi coinvolgono questioni più ampie rispetto agli aspetti puramente tecnici e teorici di questi. concetti (1), (2), (3) e (4).


Bibliografia:


Amadieu, F., & Tricot, A. (2015). Apprendre avec le numérique : Mythes et réalités. Consulté à l’adresse
http://faraway.parisnanterre.fr/login?url=https://www.numeriquepremium.com/content/books/9782725633206

Baldassarre Michele. (2016). Think big : Learning contexts, algorithms and data science. Research on Education and Media, 8(2), 69–83. https://doi.org/10.1515/rem-2016-0020


Bourcier, D., & De Filippi, P. (2018). Transparence des algorithmes face à l’open data :
Quel statut pour les données d’apprentissage ? Revue française d’administration publique, 167(3), 525–537. https://doi.org/10.3917/rfap.167.0525


Figini, S., & Giudici, P. (2009). Statistical models for e-learning data. Statistical Methods
and Applications, 18(2), 293–304. https://doi.org/10.1007/s10260-008-0098-4


Olena I. Ohiienko. (2011). INFORMATION TECHNOLOGIES AS A TOOL OF
ADAPTIVE LEARNING OF ADULTS. Ìnformacìjnì Tehnologì ì Zasobi Navčannâ,
20(6). Consulté à l’adresse
https://doaj.org/article/4a8482ea4f4b4a299f6a2421b8d47e69


Pérez-Sánchez, B., Fontenla-Romero, O., & Guijarro-Berdiñas, B. (2018). A review of adaptive online learning for artificial neural networks. Artificial Intelligence Review,
49(2), 281–299. https://doi.org/10.1007/s10462-016-9526-2


Sherriff, G., Benson, D., & Atwood, G. S. (2019). Practices, Policies, and Problems in the Management of Learning Data : A Survey of Libraries’ Use of Digital Learning
Objects and the Data They Create. The Journal of Academic Librarianship, 45(2), 102–109. https://doi.org/10.1016/j.acalib.2018.12.005


Vollmer, N. (2018, septembre 5). Article 5 EU règlement général sur la protection des données (EU-RGPD) [Text]. Consulté 27 décembre 2019, à l’adresse http://www.privacy-regulation.eu/fr/5.htm