CopertinaAnnamaria

Livello di fusione	Elemento 1	Elemento 2
Distanza
...	...	...	...
10	-19	7	25
11	-6	-15	26
12	-16	6	28
13	-3	8	31
14	-2	9	43
15	10	13	47
16	-1	14	68
17	11	12	72
18	15	16	99
19	17	18	188

Tabella 6.2 - Livelli di fusione per il processo di clustering della Figura 6.3.
Un ultimo aspetto da tenere in conto è il fatto che l’attribuzione di una unità statistica a un gruppo ovvero a un altro non sempre è de/nita (crispy/hard attribution) ma, trovandosi in prossimità dei bordi, un’unità potrebbe appartenere a un gruppo oppure a uno vicino (fuzzy attribution) senza che questo alteri signi/cativamente la struttura dei cluster. È compito del ricercatore de/nire queste situazioni limite anche basandosi sulla profonda conoscenza del fenomeno.

6.2 - L’uso della cluster analysis nella ricerca educativa

Presentiamo alcuni studi che hanno utilizzato la cluster analysis come tecnica di analisi, nella consapevolezza di non poter essere esaustivi né nella descrizione delle ricerche, né nella varietà dei casi.
È frequente che questa tecnica venga utilizzata in concomitanza con altre, a volte per classi/care, altre per individuare l’organizzazione latente in gruppi che caratterizza dataset di vario genere. Le ricerche, non senza eccezioni e casi particolari, prendono in considerazione come unità statistiche nell’analisi sia individui che, meno frequentemente, organizzazioni. Questo comporta che il metodo venga utilizzato ad esempio in ricerche che restituiscono informazioni sulle strategie di apprendimento e sull’acquisizione di abilità cognitive e non cognitive e, parimenti, in studi che analizzano le modalità di funzionamento di organizzazioni che a vari livelli si occupano di formazione.
Vitomir Kovanović e colleghi (2019) utilizzano la cluster analysis per identi/care le principali strategie di studio degli iscritti a un MOOC sulla programmazione erogato su edX. La ricerca intende veri/care l’esistenza di differenze signi/cative nei gruppi di utenti costituiti in base alla tipologia di engagement nel corso e quali/cati, in secondo luogo, dal voto /nale conseguito e dai livelli percepiti delle tre dimensioni chiave dell’apprendimento in una community of inquire (cognitive presence, social presence, teaching presence). Le modalità di fruizione dell’ambiente didattico, le strategie di apprendimento degli studenti e il loro livello di engagement nel corso sono state identi/cate a partire dai log e in particolare da 29 variabili calcolate come misure ottenute dal tracciamento in piattaforma di oltre 20mila studenti. Fra le altre: i numeri di accessi al corso e di navigazione nelle pagine, i numeri di valutazioni completate e delle videolezioni visualizzate, i numeri di partecipazione alle discussioni. Agli studenti è stato somministrato un questionario in ingresso centrato su dati anagra/ci, motivazioni e aspettative e uno in uscita che, oltre a domande sulla soddisfazione, conteneva item sulle percezioni dello sviluppo di un modello di community of inquire nell’esperienza di apprendimento online.
Nella cluster analysis gli autori hanno utilizzato il metodo agglomerativo di Ward calcolando la distanza euclidea. Le differenze fra i gruppi sono state validate usando la tecnica di analisi MANOVA. Sono state prese in considerazione le distanze fra i livelli di fusione sul dendrogramma per distinguere tre gruppi corrispondenti a tre pro/li di studente-tipo, descritti poi a partire dai valori del centroide di ciascun cluster (Figura 6.5). Gli autori hanno attribuito a ciascun pro/lo un aggettivo identi/cativo, parlano infatti di limited, selective e broad users. Il gruppo più numeroso è quello indicato con l’aggettivo limited che raccoglie studenti poco motivati, che non partecipano alle attività e che scelgono i video fra gli oggetti didattici presenti sulla piattaforma. Il termine selective identi/ca gli studenti che hanno un coinvolgimento medio e non partecipano alle discussioni; sono quelli focalizzati sull’ottenimento del certi/cato e che centrano le loro attività sulla visualizzazione dei video e sugli assessment. Ultimo gruppo è quello dei broad users contraddistinti da un alto coinvolgimento, l’uso di tutte le risorse nel corso, un’attenzione speciale a risorse e tool, motivati da fattori professionali e curiosità.
Nelle conclusioni, a partire dalle caratteristiche identi/cate nei cluster, i ricercatori abbinano a ciascun gruppo un intervento didattico più utile: gli utenti limited, che non mirano a concludere il corso, avrebbero probabilmente bisogno di interventi per essere coinvolti nei processi piuttosto che per lavorare sui contenuti; i selected user, oltre a un coinvolgimento più ampio nelle discussioni, avrebbero bisogno di interventi focalizzati sull’acquisizione di conoscenze e competenze, poiché interessati a questo. I broad users, già molto coinvolti nel corso, potrebbero essere resi moderatori nelle attività per supportare i partecipanti meno impegnati. Individuare l’appartenenza di uno studente a uno di questi gruppi permette dunque di attivare proposte di individualizzazione dei percorsi formativi nei confronti dei singoli utenti anche in una piattaforma con numeri così alti di iscritti.