Analisi dei dati e intelligenza artificiale: ecco l’insegnamento personalizzato in real time

“Quando ho iniziato a insegnare data science e intelligenza artificiale alla Pratt School of Engineering della Duke University, ero frustrato da quanti pochi feedback avessi sull’efficacia del mio insegnamento, almeno fin quando non arrivavano i voti dell’esame di fine semestre e le valutazioni degli studenti”. A raccontarlo è Jon Reifschneider, direttore del Master of Engineering in AI for Product Innovation program della Duke University, negli Stati Uniti.

Essendo nuovo nell’insegnamento, cominciò a leggere diversi libri di pedagogia sulle migliori pratiche in uso e soprattutto sull’orientamento personalizzato per migliorare i risultati degli studenti. Eppure, anche con classi relativamente piccole, non riusciva ad avere abbastanza informazioni sull’apprendimento di ogni singolo studente per riuscire a fornire loro un percorso personalizzato.

Poi, con l’insegnamento spostatosi in gran parte online a causa dell’emergenza sanitaria, si è accorto in realtà di avere accesso a quantità sempre maggiori di dati, dai video delle lezioni ai compiti inviati elettronicamente, dai forum di discussione a quiz e valutazioni online, che potevano fornire informazioni costanti sull’apprendimento dei singoli studenti.

Nell’estate del 2020, così, è stato avviato un progetto di ricerca alla Duke University per capire come questi dati potessero essere usati per aiutare gli insegnanti a svolgere meglio il loro lavoro. La domanda specifica a cui si voleva rispondere era: “In qualità di insegnante, come posso utilizzare i dati a mia disposizione per supportare la mia capacità di fornire una guida personalizzata ed efficace ai miei studenti?”. L’obiettivo era sapere per ogni studente in qualsiasi momento durante il semestre, e non solo alla fine, quale fosse il livello di apprendimento e quali le difficoltà che stava riscontrando.

Il metodo più comune per monitorare lo stato di conoscenza di uno studente di solito è attraverso la valutazione, tramite compiti a casa o quiz e test. “Per le mie lezioni”, spiega Reifschneider, “ogni settimana utilizzo valutazioni formative con quiz di circa 10 domande, la metà delle quali valutano la conoscenza degli studenti degli argomenti trattati la settimana precedente e l’altra metà gli argomenti trattati all’inizio del corso. In questo modo, continuo a valutare ogni settimana la padronanza degli argomenti dell’intero corso”.

Ma correggere dozzine o centinaia di quiz o compiti a casa per decine o centinaia di studenti in una classe non è sempre agile per insegnanti che devono anche preparare e tenere le lezioni.

E qui arriva in aiuto la tecnologia: l’intelligenza artificiale e il machine learning vengono usati per riconoscere determinati pattern nei dati in modo da identificare gli stati di conoscenza degli studenti partendo dai risultati di quiz e compiti a casa. L’università ha così deciso di sviluppare un sistema che, tramite un algoritmo in evoluzione, potesse identificare lo stato di apprendimento dello studente in qualsiasi momento e presentare queste informazioni sia all’insegnante che allo studente.

Un approccio di questo tipo faciliterebbe un percorso personalizzato più efficace e una migliore consapevolezza da parte dello studente su cosa concentrarsi ulteriormente nello studio. Inoltre, aggregando queste informazioni, un insegnante potrebbe ottenere informazioni su cosa la classe sta imparando con successo e cosa ha bisogno invece di rafforzare.

Il progetto è culminato nella creazione di un prototipo chiamato Intelligent Classroom Assistant. Questo assistente virtuale legge i quiz e i risultati dei compiti a casa, analizza i dati utilizzando un algoritmo basato sul machine learning (apprendimento automatico) e fornisce all’insegnante tre tipi di analisi automatizzate: quali sono gli argomenti più difficili per la classe; quali sono i temi che sono stati appresi e quali invece no; le prestazioni per ogni studente.

“È troppo presto per valutare se lo strumento ha cambiato i risultati degli studenti”, spiega Reifschneider. “Ma quest’anno stiamo estendendo l’uso e stiamo lavorando per valutare gli effetti che ha sul coinvolgimento e sulle prestazioni degli studenti”. E “poiché gli studenti possono trarre vantaggio dalla visualizzazione dei risultati dell’analisi dello strumento tanto quanto gli insegnanti, per la primavera speriamo di includere l’aggiunta di un portale indirizzato a loro che consenta di vedere i propri risultati e di fornire consigli di studio personalizzati in base allo stato di conoscenza identificato”.

La quantità di dati elettronici ormai disponibili per gli insegnanti può aiutare a supportare quindi il loro insegnamento. Ma gli insegnanti non sono (di solito) gli stessi data scientist e hanno bisogno di strumenti di analisi che li aiutino a estrarre valore e previsioni dai dati. Strumenti di machine learning come The Intelligent Classroom Assistant non solo possono aiutare gli insegnanti a migliorare la qualità delle loro classi, ma anche offrire la possibilità di un insegnamento personalizzato diffuso. Quando gli insegnanti possono insegnare in modo più efficace, anche gli studenti possono imparare di più.