CopertinaAnnamaria

Figura 1.2 - Un esempio della rapidità e complessità con cui lavorano i programmi di analisi e rielaborazione dati. L’immagine è stata generata in R con l’uso della funzione pairs.panels (libreria: psych) per un dataset composto da 7 variabili e 111 osservazioni. Gli istogrammi sulla diagonale descrivono l’andamento delle singole variabili, sopra la diagonale visualizziamo i valori di correlazione di Pearson fra coppie di variabili, sotto la diagonale sono presenti i diagrammi di dispersione bivariata con media e deviazione standard.
L’esempio in Figura 1.2 ci offre l’occasione per aggiungere un altro tassello al quadro generale di sviluppo nel settore dell’analisi dei dati attraverso le tecnologie digitali. Riguarda il processo di costruzione di graci e mappe che, pur avendo radici molto remote, è reso possibile oggi da strumenti operativi che permettono, come abbiamo visto, con pochi click di creare rappresentazioni grache di grandi quantità di dati.
Nell’ambito della statistica computazionale, che mette insieme informatica e statistica, ha preso piede negli ultimi 30 anni l’area multidisciplinare di studio e interesse dedicata alla data visualization che ripropone in forma graca (grandi quantità di) dati con due scopi: quello di presentarli in maniera chiara e dettagliata rendendoli più rapidamente comprensibili a un vasto pubblico (graphics for presentation) e quello per gli esperti di esplorare i dati per cercare risultati e trarre conclusioni (graphics for exploration) (Unwin, Chen & Härdle, 2008). Scaling images e interactive ltering sono alcune delle tecniche per lavorare sull’interattività delle visualizzazioni, nelle quali riuscire rispettivamente a visualizzare in maniera dettagliata solo una parte dell’immagine oppure selezionare solo un sottocampione rispetto al quale visualizzare i risultati (Olshannikova et al., 2016).
Continueremo a parlare di data visualization più approfonditamente nel capitolo 2.

1.3 – Learning Analytics

Nello scenario internazionale, l’ambito di ricerca che ha messo insieme dati e apprendimento è riconosciuto nel termine Learning Analytics (LA). Siamo dinnanzi allo sviluppo di un campo di studio che accosta alla ricerca educativa sui temi dell’apprendimento, della didattica, della valutazione, dell’uso delle tecnologie, gli analytics con procedure di analisi nalizzate alla denizione di modelli predittivi e lo human-centered design attento alle istanze dell’usabilità e della partecipazione (www.solaresearch.org/about/what-is-learning-analytics). Ma anche la conoscenza del web, la statistica avanzata, la data visualization, la psicologia, la linguistica, la losoa e molto altro ancora.
Da circa un decennio è stato costituito un network interdisciplinare, una community dal nome Society for Learning Analytics Research (SoLAR, www.solaresearch.org) che raccoglie studiosi, professionisti ed enti nell’analisi dei dati su insegnamento, apprendimento e ambienti educativi. Il network organizza la conferenza internazionale LAK, Learning Analytics and Knowledge, e la summer school LASI, Learning Analytics Summer Institute, e gestisce la rivista “Journal of Learning Analytics” (learning-analytics.info).
La denizione più frequentemente usata per parlare di Learning Analytics, adottata da SoLAR nella call per LAK11 (Learning Analytics and Knowledge Conference 2011), la prima conferenza internazionale sul tema, recita:
“Con Learning Analytics ci si riferisce alla misurazione, alla raccolta, all’analisi e alla presentazione dei dati sugli studenti e sui loro contesti, ai ni della comprensione e dell’ottimizzazione dell’apprendimento e degli ambienti in cui ha luogo.” (Ferguson, 2014, p. 139).
In essa troviamo le quattro azioni distintive dei LA (misurare, raccogliere, analizzare, presentare), la tipologia di dati (sugli studenti e sugli ambienti), gli scopi (comprendere e ottimizzare).
Esistono molte altre denizioni, fra le quali una più recente propone i LA come il campo in cui “big data in education meets conventional quantitative approaches” (Srinivasa & Kurni, 2021, p. V). I LA rispondono alla sda educativa legata ai big data: “come possiamo ottimizzare le opportunità di apprendimento?” (Ferguson, 2014, p. 144). Nonostante le inevitabili sovrapposizioni, settori di studio afni come l’Educational Data Management e l’Academic Analytics si riferiscono piuttosto rispettivamente alla sda tecnica e alla sda politica: “Come possiamo estrarre valore da questi grandi insiemi di dati correlati all’apprendimento? [...] Come possiamo migliorare sensibilmente le opportunità di apprendimento e i risultati scolastici a livello nazionale o internazionale?” (ibid.).
Nel capitolo introduttivo della seconda edizione dell’”Handbook of Learning Analytics” realizzato nell’ambito delle iniziative di SoLAR, per rispondere alla domanda “What is Learning Analytics?”, Charles Lang e colleghi (2022) invece di usare una denizione, scelgono di spiegare attraverso quattro dimensioni il binomio LA poiché esso è aperto a innumerevoli interpretazioni come lo sono i due termini che lo compongono. I LA sono:

1. 
   una preoccupazione, di dare senso nel rispetto dell’etica, della privacy, dell’equità, dell’usabilità, alla grande quantità di dati che sono generati nei contesti dell’insegnamento e dell’apprendimento;
   
2. 
   un’opportunità, di usare i dati prodotti in grandi quantità, ad esempio all’interno di Learning Management Systems, per aumentare la conoscenza sull’apprendimento, la comprensione dei docenti sui comportamenti degli studenti e la consapevolezza degli studenti stessi sui propri percorsi;
   
3. 
   un campo di indagine, che nonostante abbia ancora conni sfumati per temi e metodologie, indaga tecnologie, dati ed educazione;
   
4. 
   una comunità, o forse un insieme di comunità il cui interesse risiede nei dati e nell’apprendimento e di cui SoLAR è probabilmente la più nota.
   

I framework che sin dai primi anni di diffusione del campo di studi sono emersi (Greller & Drachsler, 2012; Chatti et al., 2012; Khalil & Ebner, 2015) si focalizzano su un pool di elementi:

• 
  il tipo di dati raccolti: tracce lasciate dagli studenti nella partecipazione ad attività formative, nelle interazioni sociali, i dati personali e le informazioni sul percorso accademico;
  
• 
  le tecnologie e gli strumenti di analisi (statistica, data visualization, social network analysis e così via);
  
• 
  gli obiettivi degli studi: ri;ettere, analizzare, monitorare, predire, intervenire, personalizzare e adattare, gestire tutorato e valutazione;
  
• 
  gli stakeholder coinvolti quali studenti, docenti e tutor, ricercatori, istituzioni, sia come produttori di dati che come coloro che possono leggerli per valutare le proprie prestazioni (nell’apprendimento da studenti attivando processi metacognitivi e nell’insegnamento da docenti), fornire/ottenere feedback in tempo reale, mettere in atto processi decisionali datadriven;
  
• 
  le competenze necessarie da parte di ricercatori e analisti all’attuazione di tali pratiche di analisi e da parte degli stakeholder alla lettura dei risultati;
  
• 
  le teorie educative che in maniera implicita ed esplicita fanno da sfondo alla realizzazione dei percorsi formativi nei quali i dati sono ottenuti e raccolti e ai processi di analisi;
  
• 
  i vincoli legati alla gestione dei dati in termini etici, di privacy e di proprietà che richiedono per la trasparenza procedure standardizzate di comunicazione (informative) con i soggetti coinvolti e afdabili sistemi di archiviazione dei dati (Drachsler & Greller, 2016; Bellini et al., 2019).
  

Strumento particolarmente usato per restituire agli stakeholders i dati raccolti e analizzati sono le learning dashboard:
“A learning dashboard is a single display that aggregates different indicators about learner (s), learning process(es) and/or learning context(s) into one or multiple visualizations.”
(Schwendimann et al., 2017, p. 37)
Tali visualizzazioni pensate innanzitutto per docenti e studenti, per il monitoraggio da parte dei primi e l’autoregolazione nei propri percorsi formativi dei secondi, possono raccogliere da una o più piattaforme dati riferibili ai log, alle attività e questionari svolti, a database istituzionali restituendo graci, mappe, icone e tabelle.
22 - Analisi Multivariata e Learning Analytics: metodi e applicazioni