Innovating Pedagogy (Italiano)

Basato sull’analisi dei dati delle attività e degli ambienti di apprendimento
Impatto: medio/alto
Tempo di completamento: medio (2-5 anni)

Learning Analytics è emerso nell’ultimo decennio nel campo molto più ampio della data analytics. Man mano che le imprese hanno impostato le loro operazioni su Internet, hanno visto il potenziale dei “big data”: gli ampi set di dati prodotti dall’interazione online. Per aumentare le entrate e la quota di mercato, hanno sviluppato la business analytics. Amazon, per esempio, ha usato i modelli di acquisto dei clienti e del personale junior per sviluppare il suo potente motore di raccomandazione, i supermercati hanno introdotto le carte fedeltà per tracciare il comportamento degli acquirenti e, cosa più controversa, le compagnie di assicurazione hanno iniziato a raccogliere dati sullo stile di vita per stimare l’aspettativa di vita.

L’introduzione di ambienti di apprendimento virtuale (VLE) ha portato grandi volumi di dati nell’istruzione. Questo ha portato all’emergere del data mining educativo (EDM) nel più ampio campo dell’analisi dei dati, quando gli scienziati informatici e gli statistici hanno iniziato a cercare di estrarre valore da questi nuovi set di dati. Sono stati in grado di applicare tecniche di data mining ben consolidate per raccogliere e preparare i dati, e per studiare le caratteristiche che potrebbero essere identificate automaticamente. Il clustering e l’analisi di classificazione distinguevano tra novizi ed esperti nelle situazioni di apprendimento, il metodo di associazione del rule mining identificava le caratteristiche comuni degli studenti che andavano bene o che abbandonavano, e il sequential pattern mining veniva usato per identificare i percorsi intrapresi dagli studenti mentre lavoravano attraverso i materiali del corso.

Questi primi approcci alla pedagogia basati sui dati erano neutrali – non erano basati su teorie su metodi efficaci di insegnamento e apprendimento. Questo è cambiato quando l’apprendimento online e misto è diventato più pervasivo e i ricercatori hanno iniziato ad applicare intuizioni dalle scienze dell’apprendimento al loro lavoro. L’introduzione della social network analysis nel toolkit del data mining ha segnato uno spostamento verso un approccio più guidato dalla teoria. Gli analisti delle reti sociali sono stati informati dal punto di vista di Vygotsky, che sosteneva che l’apprendimento avviene attraverso la negoziazione sociale, e dal lavoro di Wenger sulle comunità di pratica.

Negli ultimi cinque anni, le preoccupazioni politiche hanno reso questo campo più prominente e hanno portato alla preoccupazione che sia stato gonfiato troppo. I partiti politici statunitensi sono stati sempre più preoccupati che il benchmarking internazionale mostrava che gli standard educativi degli Stati Uniti stavano scivolando, riducendo così la loro capacità futura di competere con altri paesi. Una serie di rapporti e articoli della fondazione basata su EDUCAUSE ha suggerito che l’analisi potrebbe offrire una soluzione che aiuterebbe ad aumentare i tassi di ritenzione e successo scolastico. Questi attirarono l’interesse politico e i finanziamenti dalla zona cominciarono ad aumentare. EDUCAUSE ha lavorato duramente per stabilire l’importanza degli analytics e anche per chiarire i termini usati per descriverli.

Nel 2008, il data mining educativo era un campo affermato con una società internazionale, una rivista e una conferenza annuale. Era ancora guidato dai dati, con un’enfasi sullo sviluppo di strumenti e algoritmi. Gli analitici, d’altra parte, erano ora chiaramente concentrati sull’apprendimento e l’insegnamento. Una distinzione più ovvia è ora fatta tra “academic analytics” e “learning analytics”. Le analisi accademiche si concentrano sui bisogni dell’istituzione, come l’aumento del reclutamento, del mantenimento e del tasso di passaggio. L’analitica dell’apprendimento si riferisce alle esigenze degli studenti e dei docenti e quindi si concentra sulla comprensione e sull’apprendimento e sull’ottimizzazione degli ambienti in cui esso avviene.

L’attuale esempio di punta dell’analitica dell’apprendimento è il progetto condotto da Signals alla Purdue University, situata a sud di Chicago. I segnali sono valutazioni formative presentate agli studenti in tempo reale – nessuna attesa fino alla fine della settimana o alla fine del semestre per il feedback. Il progetto ha attirato finanziamenti dalla Gates Foundation e, attraverso partnership commerciali, Signals viene impiegato in altre università statunitensi.

Signals raccoglie dati sulle caratteristiche degli studenti come il background accademico, lo sforzo indicato dall’impegno con gli elementi online del corso, e le prestazioni che si riflettono nei loro voti. Le informazioni sulla preparazione, le prestazioni e lo sforzo sono combinate per generare i Segnali. Questi sono presentati come semafori: il verde indica un segno che tutto va bene, l’ambra suggerisce alcune aree di preoccupazione, e il rosso segnala problemi significativi. Questi colori non sono presentati agli studenti e ai tutor in modo isolato, ma innescano anche messaggi e interventi.

Purdue riporta una forte relazione tra l’uso dei segnali e i tassi di ritenzione. Quando gli studenti sono iscritti a corsi senza spunti il tasso di ritenzione è del 70%, quando sono iscritti a uno o due corsi con spunti il tasso di ritenzione è significativamente più alto, e quando sono iscritti a tre o più corsi con spunti il tasso di ritenzione sale al 93%. Il feedback degli studenti suggerisce che la maggior parte sente di aver ottenuto un voto più alto come risultato del progetto Signals.

p27%20snapp.bmp

Un altro esempio di analisi di apprendimento è SNAPP. L’Università della British Columbia sta usando questo strumento per fornire visualizzazioni in tempo reale dell’attività del forum, mostrando chi sta comunicando con chi e a quale livello. SNAPP integra i comuni VLE commerciali e open source, compresa la versione standard di Moodle. Può essere usato per identificare gli studenti che sono disimpegnati e quindi a rischio, per selezionare i mediatori di informazioni chiave all’interno di una classe, per trovare gli studenti potenzialmente ad alto e basso rendimento in modo che gli insegnanti possano pianificare meglio gli interventi, e per mostrare quanto una comunità di apprendimento si sviluppa in un corso. Può anche supportare la riflessione sulla pratica – mostrando, per esempio, quando lo staff ha focalizzato l’attenzione su certi gruppi o individui quando hanno padroneggiato l’interazione del corso.

Le organizzazioni di apprendimento a distanza sono ben posizionate per sfruttare l’analitica per l’apprendimento, attingendo a set di dati dettagliati di apprendimento e insegnamento che sono stati accumulati in molti anni. I ricercatori della Open University sono all’avanguardia nelle aree relative alla social learning analytics, visual analytics, learning analytics per l’accessibilità e la condivisione di dati aperti e collegati. Ora, la sfida è quella di riunire serie di dati e conoscenze dall’interno e dall’esterno dell’istituzione per applicare potenti strumenti di analisi che abbiano un impatto positivo e misurabile sull’apprendimento e l’insegnamento.

Risorse

Segnali dal sistema della Purdue University:
Strumento SNAPP che presenta i dati online agli studenti della rete in un’interfaccia utente facilmente interpretabile:http://research.uow.edu.au/learningnetworks/seeing/snapp/index.html

La crescente consapevolezza degli insegnanti di Coco-Analyst del processo di apprendimento che avviene nelle loro classi: http://jelenajovanovic.net/LOCO-Analyst/
Sistema di monitoraggio e tracciamento degli studenti GISM: http://gismo.sourceforge.net/index.html

Moodog che mostra agli insegnanti come gli studenti interagiscono con i materiali dei corsi online: Zhang, H. e Almeroth, K. (2010). Moodog: Tracking Student Activity in Online Course Management Systems, Journal of Interactive Learning Research, 21(3), 407-429.

Check My Activity (CMA), che permette agli studenti di confrontare la propria attività su Blackboard con un riassunto anonimo dei loro compagni di corso: Fritz, J. (2011). Classroom walls that talk: Using online course activity data of successful students to raise self-awareness of underperforming peers, The Internet and Higher Education, 14 (2), 89-97.

Blackboard Learn Analytics per il modulo, progettato per aiutare gli utenti a ottenere informazioni sull’attività degli utenti, la progettazione del corso e i dati sulle prestazioni degli studenti:

Social Learning Analytics:
Buckingham Shum, S. and Ferguson, R. (2011). Analitica di apprendimento sociale. Relazione tecnica KMI-11-01, Knowledge Media Institute, The Open University, Regno Unito. http://kmi.open.ac.uk/publications/pdf/kmi-11-01.pdf

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *