CopertinaAnnamaria

Figura 6.6 – Valori medi delle frequenze relative all’uso delle varie risorse da parte degli studenti suddivisi per cluster. Accanto ai nomi dei cluster, sono riportati la loro dimensione e il numero dei soggetti estratti per l’intervista (Stites et al., 2019, p. 1745).
Po-Yao Chao (2016) conduce una ricerca fra gli studenti universitari in un corso in Informatica nel tentativo di comprendere quali pattern di comportamento gli studenti adoperano per la programmazione visuale in ambienti gra/ci e se essi sono il risultato di performance diverse nella risoluzione di problemi computazionali. 158 studenti di un’università di Taiwan hanno utilizzato un ambiente di programmazione gra/ca creato ad hoc in un corso /nalizzato ad acquisire i principi del linguaggio di programmazione C++. Nelle otto settimane del corso sono stati previsti quattro incontri della durata di un’ora; ai partecipanti è stato chiesto di usare l’ambiente per risolvere problemi nelle fasi di introduzione, formazione e pratica, al /ne di completare gli assignment. Sono stati collezionati i log /le e da essi sono stati calcolati 10 indicatori su computational practice, computational design e computational performance. La cluster analysis è stata realizzata prendendo in considerazione come variabili i 5 indicatori della computational practice. Per l’analisi è stato usato prima il metodo di Ward che ha condotto alla de/nizione del numero dei cluster; si è fatto poi ricorso al metodo k-means per ottimizzare i risultati con la ridistribuzione delle unità statistiche. Sono stati così individuati 4 cluster corrispondenti a differenti approcci alla pratica computazionale. A ciascun approccio sono stati associati anche gli indicatori relativi al computational design e alla computational performance. I risultati ottenuti hanno ricadute nell’ambito della didattica per ride/nire le caratteristiche degli ambienti di apprendimento di programmazione per i giovani programmatori e dei percorsi formativi più ef/caci per far acquisire competenze di problem solving e programmazione nel settore informatico.
Fino a questo punto abbiamo mostrato come attraverso la cluster analysis sia possibile usare informazioni di varia natura sugli studenti per raggruppare pro/li e adeguare le pratiche didattiche in base ad essi. I tre studi presentati, inoltre, hanno in comune il contesto di svolgimento della ricerca, ossia un ambiente di formazione online. Uno studio svolto su attività in presenza in una scuola superiore è quello di Jennifer A. Schmidt, Joshua M. Rosenberg, e Patrick N. Beymer (2018). Lo studio differisce dai precedenti non solo per la differenza di ambiente (online e in presenza) ma anche perché in questa ricerca le unità statistiche non sono gli studenti ma quelli che gli autori de/niscono momentary engagement proles (MEP) ossia i pro/li rilevati in un dato momento rispetto a tre tipi di engagement – behavioral, cognitive e affective – durante le lezioni di scienze. L’obiettivo dell’articolo è quello di raggruppare i MEP in pro/li simili e allo stesso tempo stabilire se esiste una relazione fra l’engagement, il tipo di attività svolte in quel determinato momento e la presenza di attività di scelta da parte degli studenti rispetto ai compagni con cui lavorare, le attività da svolgere, i materiali da usare e così via.
Seguendo le procedure dell’Experience Sampling Method (Csikszentmihalyi, 2014), in due periodi dell’anno scolastico per 5 giorni, 244 studenti sono stati dotati di un cercapersone che si attivava per due volte in varie fasi di una lezione. Al segnale, gli studenti dovevano rispondere ad alcuni item relativi ai livelli di engagement e alle attività di scelta. Le lezioni sono state registrate e ciascun momento è stato contrassegnato in base a 10 tipi di attività: lezione, laboratorio, test, discussione, lavoro in gruppi e individuale, video, presentazione, attività informali e altro. Sono state così collezionate 4136 risposte che hanno fotografato i livelli di engagement e di scelta nelle lezioni di scienze in un dato istante corrispondente a una particolare attività didattica.
Sui MEP è stata condotta una cluster analysis in 2 step: nel primo una cluster gerarchica agglomerativa del tipo complete-linkage con il calcolo della distanza euclidea al quadrato; in seguito, a partire dai risultati ottenuti nel primo step, è stato organizzato il secondo con il metodo k-means che, come già detto, ha il vantaggio di ottimizzare i risultati. La ricerca ha restituito 6 cluster identi/cando pro/li istantanei distinti in base ai livelli di behavioral, cognitive e affective engagement. I pro/li sono stati de/niti come universally low, reluctant, pleasurable, rational, moderately full, full engagement.
Lo studio raccoglie informazioni sul complesso rapporto (multidimensionale e legato al contesto) di coinvolgimento degli studenti nello studio delle scienze (il cluster più ampio è quello dell’universally low) e fornisce indicazioni ai docenti per determinare quelle attività didattiche che nella pratica possono maggiormente coinvolgere gli studenti.
Cosa succede quando le unità statistiche sono programmi o enti di formazione?
Laura Perna e Elaine Leigh (2017) studiano 289 promise programs dei college statunitensi (programmi equiparabili a premi e borse di studio che mirano a incentivare l’iscrizione ai college e migliorare il contesto culturale) per comprenderne le caratteristiche, il design, l’impatto sociale e de/nire un framework di riferimento per organizzarli e categorizzarli.
Dopo aver selezionato i programmi in base ad alcune caratteristiche prestabilite, aver creato un manuale per uniformare i risultati nella selezione da parte di ogni membro del team di ricerca e de/nito un processo di assicurazione della qualità, gli autori hanno realizzato una cluster analysis su un dataset composto da variabili qualitative usando il metodo gerarchico agglomerativo con algoritmo average-linkage. Hanno costruito tre modelli di clustering modi/cando il numero e il tipo di variabili coinvolte in base a precedenti studi e a considerazioni sulle caratteristiche dei programmi (come tipologia di sostegno /nanziario e richiesta di residenza in un determinato stato/città). Hanno ottenuto per ognuno dei tre modelli soluzioni diverse a 6 gruppi. L’analisi ha permesso di identi/care fattori che differenziano i programmi (la sponsorizzazione statale, il tipo di sostegno /nanziario e di istituzioni in cui la borsa di studio può essere utilizzata, criteri di merito o di necessità) e ha aperto la strada a ricerche future che a partire da queste informazioni possano individuare modalità di progettazione dei programmi promise (e di conseguenza variabili speci/che) che promuovano la partecipazione all’higher education di gruppi di studenti distinti.
Altro esempio è una ricerca condotta da Rosa Puertas e Luisa Marti (2019) che si occupa del tema della sostenibilità negli atenei. Lo scopo dell’indagine è quello di costruire un indicatore che, a partire dal precedente UI GreenMetrics, possa classi/care in maniera più completa gli atenei misurando anche l’ef/cacia delle misure intraprese. Nello studio la cluster analysis è utilizzata per distinguere gruppi fra 719 università a partire dai 6 indicatori descritti nell’UI GreenMetric World University Ranking: la struttura, l’uso dell’acqua e dell’energia, i programmi di riciclo dei ri/uti, l’organizzazione dei trasporti, la formazione e la ricerca sulla sostenibilità. I 4 gruppi omogenei identi/cati in base ai livelli di sostenibilità degli atenei (low, medium low, medium high, high) hanno rappresentato il punto di partenza sui quali i ricercatori, usando altre metodologie di analisi, hanno potuto formulare un nuovo indicatore (DEA-GreenMetric) e una classi/cazione che tenga conto degli sforzi compiuti dagli atenei per gestire lo sviluppo sostenibile e controllare le questioni ambientali.
Gli esempi presentati di ricerche condotte in ambito educativo con l’uso della cluster analysis mostrano le /nalità esplorative e descrittive del metodo che permette di identi/care tendenze latenti nelle modalità di raggruppamento delle unità statistiche, siano soggetti in formazione oppure programmi/enti educativi, che contribuiscono a ripensare le policy e le pratiche didattiche.