Il supporto automatizzato e personalizzato - basato su tecniche AI - agli studenti maggiormente a rischio di abbandono scolastico, sembra avere un impatto significativo sulla pratica dell'apprendimento a distanza.
TAKEAWAY
- Nella didattica a distanza, la mancanza di coinvolgimento all’interno di una classe reale e l’assenza di interazione diretta con i docenti sono spesso correlate al fenomeno dell’abbandono scolastico.
- L’Università telematica della Catalunya ha realizzato una ricerca in materia, testando il software AI – sviluppato in passato per identificare gli studenti in difficoltà – in quelle situazioni in cui, di fronte al rischio elevato di abbandono degli studi, è necessario un sostegno personalizzato al processo di apprendimento degli studenti.
- I risultati della sperimentazione sono lusinghieri, anche se il sistema di nudging automatizzato, basato sul machine learning, è ancora in fase di sviluppo e di test. L’obiettivo è renderlo scalabile, in modo da essere integrato in tutte le aule universitarie virtuali.
Trattare – a due anni dalla prima grave ondata di Covid – di intelligenza artificiale applicata all’e-learning, significa fare riferimento a una delle sfere maggiormente colpite dalla forza trasformatrice che, inevitabilmente, un evento come l’emergenza pandemica porta con sé, ovvero il mondo dell’istruzione, a partire dalla scuola primaria fino ad arrivare all’Università.
E significa anche fare riferimento alla didattica a distanza (DAD) che – al di là dei cambiamenti pratici imposti e all’accelerazione inferta al processo di trasformazione digitale nelle scuole di ogni ordine e grado, compresi gli Atenei – ha avuto ripercussioni sull’interazione docenti-alunni, sulle modalità di insegnamento e sui processi di apprendimento, andando a incidere sugli aspetti psico-emotivi correlati all’esperienza formativa.
Proprio in seguito alla pandemia – spiegano gli autori di uno studio pubblicato sull’International Review of Research in Open and Distributed Learning, dal titolo “An intelligent nudging system to guide online learners” – sono andati diffondendosi, specie nell’ambito dell’istruzione superiore, sistemi software deputati all’assistenza degli studenti e al supporto del lavoro degli insegnanti. E sono, in particolare, le Università telematiche ad avere condiviso la loro esperienza sull’utilizzo di tali sistemi in un’ampia gamma di set educativi.
Più nel dettaglio, sottolinea il team di ricercatori della Facoltà di Informatica, Multimedialità e Telecomunicazioni presso l’Universitat Oberta de Catalunya (Ateneo telematico) – che ha realizzato lo studio citato in collaborazione con l’eLearning Innovation Center, in seno allo stesso Ateneo – «i software più evoluti basati sull’intelligenza artificiale, che fungono da sostegno al successo e alla fidelizzazione degli studenti, consentono altresì di individuare coloro che – tra questi ultimi – sono a rischio di abbandono scolastico. Rischio che, nell’ambito della didattica a distanza, rappresenta una delle maggiori preoccupazioni dei docenti, nonché una sfida quotidiana».
Dello stesso rischio parla un’indagine condotta da Ipsoa per Save The Children – “I giovani ai tempi del Coronavirus” – che ha visto la partecipazione di studenti tra i 14 e i 18 anni. I dati raccolti evidenziano come la DAD abbia contribuito ad alimentare il fenomeno della dispersione scolastica, con il 28% degli intervistati che ha indicato come la chiusura prolungata delle scuole – nel 2020 e, in parte, nel 2021 – abbia coinciso con l’interruzione della frequenza delle lezioni almeno da parte di un compagno di classe.
Ebbene, in risposta a tale fenomeno, nel 2021, il team citato ha lavorato alla messa a punto di un software che frutta tecniche di machine learning, capace di fare previsioni identificando in maniera automatica e tempestiva quegli studenti – iscritti all’Universitat Oberta de Catalunya (che, ricordiamo, offre esclusivamente insegnamenti a distanza) – in difficoltà con i corsi online.
Successivamente, lo stesso gruppo di ricerca ha utilizzato il medesimo sistema (denominato Learning Intelligent System – LIS – tuttora in fase di sviluppo e test) non più solo per compiere analisi predittive in merito agli allievi a rischio, ma – sulla base di tali analisi – per fornire loro il supporto necessario a un maggiore coinvolgimento, implementando il processo di apprendimento e le performance. Vediamo in che modo.
Intelligenza artificiale e e-learning: l’applicazione del “nudging” in base al livello di rischio
Lo studio in tema di intelligenza artificiale e e-learning ha condotto, in sostanza, allo sviluppo di un sistema di “nudging” automatizzato che integra al proprio interno un algoritmo di apprendimento automatico, il cui obiettivo è rilevare in modo tempestivo i giovani che mostrano una serie di segnali interpretabili come “disagio” nello studio e “insoddisfazione” rispetto al vissuto universitario.
Col termine “nudge” o “nudging” – che, in italiano, rimanda al concetto di “pungolo” – si intendono una serie di azioni e di interventi volti a «influenzare, senza alcuna imposizione, le decisioni delle persone, indirizzandole verso determinate scelte».
Esiste la “teoria del nudging”, alla quale si ricorre nel marketing, nella psicologia comportamentale e – come in questo specifico caso – in ambito pedagogico, agendo sulla relazione discente-docente col fine di coinvolgere gli studenti impegnati nella didattica a distanza, privati della presenza fisica degli insegnanti, e generare un impatto positivo sulla loro soddisfazione e sui risultati di apprendimento.
Come lavora il sistema LIS? Iniziamo col dire che l’attività didattica dell’Universitat Oberta de Catalunya si svolge all’interno del suo campus virtuale, frequentato da studenti e docenti.
Il modello educativo prevede una valutazione continua attraverso un feedback generale e un feedback personalizzato, il primo reso pubblico a tutti gli allievi che condividono l’aula virtuale, il secondo individuale, al termine di ogni attività e al conseguente voto.
La peculiarità del sistema – rimarca il team di ricerca – consiste nell’inviare automaticamente ai docenti notifiche su quanto accade nell’aula virtuale e, parallelamente, messaggi agli studenti (i nudge), scritti dagli stessi insegnanti, in base al verificarsi di determinate condizioni, dettate dalle diverse situazioni di ognuno.
L’algoritmo di machine learning interviene per indicare esattamente a quali studenti inviare tali messaggi e nel personalizzarne i contenuti a seconda della specifica situazione individuale, data dall’analisi del profilo personale, dei corsi ai quali ognuno è iscritto, del numero di volte che si è iscritto per (eventualmente) ripeterli e della media dei voti.
L’addestramento del modello predittivo
In tema di intelligenza artificiale e e-learning, il modello di apprendimento automatico – spiega il team – viene addestrato per mezzo di dati anonimi relativi agli studenti che hanno frequentato i corsi a distanza negli anni precedenti (profili personali, valutazioni e voti, dal più basso al più alto) ed è costituito da tanti sottomodelli quante sono le attività di valutazione continua per ciascun corso:
«Per ogni attività di valutazione, l’algoritmo viene allenato a emettere un pronostico. Utilizzando il sottomodello associato a quella specifica attività, una simulazione rileva il voto minimo che uno studente deve poter ottenere nella prossima valutazione, al fine di evitare la bocciatura».
Durante l’addestramento, il voto minimo simulato viene poi confrontato con il voto che gli studenti degli anni precedenti hanno ottenuto alla fine di ogni corso online: «tale confronto genera un livello di avviso di rischio, alto, moderato o basso».
Quando, nella realtà, allo studente viene notificato un livello di avviso di rischio (ad esempio, un livello alto), viene modificata anche la distribuzione del livello di rischio per la successiva valutazione.
Pertanto – fanno notare i ricercatori – «lo studente sa in anticipo quali voti deve poter ottenere nella valutazione successiva per superare il corso. Sia gli insegnanti che gli studenti vengono informati della “classificazione” del rischio, sebbene l’attenzione principale sia su coloro che potrebbero fallire, al fine di applicare interventi (nudge) finalizzati a prevenire il rischio stesso, in quanto è proprio questa la funzione principe del sistema messo a punto».
Intelligenza artificiale e e-learning: la metodologia della ricerca
In tema di intelligenza artificiale e e-learning, l’ipotesi di partenza della ricerca condotta dal gruppo di studio dell’Ateneo telematico catalano poggiava sulla correlazione tra una maggiore e più puntuale personalizzazione delle notifiche agli studenti (nudge) – per mezzo dell’algoritmo di apprendimento automatico – e il loro impatto sulle prestazioni e sulla soddisfazione di questi ultimi.
La ricerca è stata realizzata nel secondo semestre dello scorso anno accademico, in cui è stato testato il meccanismo di intervento del nudging attraverso il Learning Intelligent System.
I partecipanti allo studio erano studenti della laurea in informatica, iscritti al corso a distanza Computer Fundamentals del primo anno, il cui modello di valutazione continua comprendeva tre attività e un progetto finale.
«Quello di Computer Fundamentals – nota il team – è un corso online complesso, particolarmente adatto alla nostra analisi poiché presenta una bassa percentuale di successo accademico (dal 40% al 50% dal momento dell’iscrizione), principalmente a causa degli studenti che abbandonano gli studi».
I partecipanti sono stati suddivisi in tre gruppi, ognuno dei quali ha ricevuto un numero diverso di messaggi motivanti (nudge), in base alle indicazioni del sistema relativamente alla classificazione del rischio di abbandono: il primo ha ricevuto pieno sostegno personalizzato durante tutte le attività del corso; il secondo un solo messaggio che spiegava la previsione di rischio eseguita dal sistema; il terzo gruppo non ha ricevuto alcun tipo di nudging.
I risultati ottenuti e i futuri sviluppi del sistema
La prima considerazione che emerge dai risultati ottenuti dalla ricerca in tema di intelligenza artificiale e e-learning, riguarda il terzo gruppo. Fin tropo prevedibile il fatto che, in assenza totale di supporto da parte dei docenti, gli studenti che ne hanno fatto parte abbiano ottenuto – fra i tre gruppi – «la peggiore prestazione in termini di apprendimento e il più alto tasso di dispersione: alla fine del semestre, più della metà degli studenti aveva abbandonato gli studi».
Il grado di precisione del sistema AI nell’individuare, in generale, gli studenti a rischio di bocciatura – e, conseguentemente, a rischio di abbandono del corso – è stato del 74% per quanto concerne la prima attività di valutazione e del 94% per quella finale, con differenze a seconda dei due tipi di supporti forniti.
I risultati più apprezzabili sotto il profilo delle performance sono stati quelli ottenuti dal gruppo che, in seguito alle indicazioni del sistema AI, ha ricevuto più messaggi da parte dei docenti, traducibili in maggiore sostegno, motivazione e coinvolgimento nel corso, con tassi di abbandono ridotti.
Gli autori dello studio pongono, poi, in relazione il supporto personalizzato ricevuto dal primo gruppo dei partecipanti e il loro stato d’animo nell’affrontare il corso, sentendosi maggiormente coinvolti e nutrendo aspettative più alte in relazione al proseguimento degli studi e al relativo successo.
«I risultati finora ottenuti sono promettenti. Tuttavia, l’adozione diffusa del nostro sistema di nudging automatizzato, basato su tecniche di machine learning, richiederà un processo più ampio. Per il momento, siamo ancora in fase di sviluppo e di test per analizzarne la fattiva utilità e i possibili adattamenti, in modo che possa essere integrato in tutte le aule virtuali»
osservano i ricercatori, i quali, in futuro, contano di perfezionare lo studio focalizzandosi su un utilizzo più performante dei dati degli studenti, rilevando, ad esempio, nuove classi di informazioni e di attributi, tra cui problematiche dell’apprendimento ed esigenze specifiche da parte dei ripetenti, andando così a migliorare l’efficacia del supporto agli studi.
Un altro aspetto di rilievo ha, poi, a che vedere con le normative in tema di privacy e protezione dei dati personali, in riferimento alle pratiche di raccolta delle informazioni storiche contenute negli archivi dell’Ateneo catalano – e utilizzate per l’addestramento dell’algoritmo AI – all’informativa fornita agli studenti e al consenso espresso da questi ultimi per l’utilizzo dei propri dati.
