24 Parlare di IA : Come i sistemi adattivi “studiano” lo studente Parte 1

Quando si guarda un sistema di apprendimento adattivo, è molto difficile dire dove si adatta¹. Anche la tecnologia utilizzata e il suo utilizzo cambiano da un sistema all’altro.
Tuttavia, tutti i sistemi di apprendimento adattivo sanno a chi insegnano (conoscenza dell’allievo), cosa insegnano (conoscenza del dominio) e come insegnare (conoscenza della pedagogia)².

Un ALS ideale si adatta in più modi. Nel ciclo esterno, la sequenza delle attività di apprendimento viene adattata, in modo simile a Youtube che adatta l’elenco dei video consigliati. Il ciclo esterno potrebbe anche personalizzare gli approcci di apprendimento e i livelli di difficoltà.

Nel ciclo interno, all’interno di ogni attività, l’ALS monitora i progressi passo dopo passo. Adatta il feedback e i suggerimenti per correggere le eventuali idee sbagliate. Può anche indicare contenuti aggiuntivi se lo studente ha problemi a ricordare un concetto precedentemente appreso. Alcuni esperti sostengono che il ciclo interno è meglio lasciarlo all’istruttore: non solo è costoso e richiede tempo programmare tutte le regole per la materia e il compito specifico, ma le conoscenze e l’esperienza dell’insegnante avranno sempre la meglio su quelle della macchina³.

Come i sistemi adattivi studiano e imparano a conoscere lo studente

Come tutti i problemi di raccomandazione (vedi Come Youtube vi studia Parte 1), l’ALS suddivide il compito in una o più domande surrogate a cui la macchina può rispondere. Anche in questo caso, la scelta di cosa chiedere – e quindi di cosa prevedere – ha un grande impatto sulla raccomandazione che viene mostrata.

Il materiale di marketing spesso menziona obiettivi multipli: miglioramento dei punteggi, occupabilità, coinvolgimento. Data la natura proprietaria dei sistemi, di solito non è chiaro quali domande siano codificate nei sistemi, per quali obiettivi siano ottimizzati e come gli obiettivi a breve termine siano differenziati da quelli a lungo termine (ad esempio, la padronanza di un determinato contenuto per passare al livello successivo)⁴.

Quando si utilizza l’apprendimento automatico, qualunque sia l’obiettivo scelto, la previsione stessa si basa su altri discenti con livelli di abilità e preferenze simili. Ovvero, discenti i cui modelli sono simili.

Il modello di studente

Per creare un modello di studente, gli sviluppatori si chiedono quali caratteristiche dello studente siano rilevanti per il processo di apprendimento. A differenza degli insegnanti, che possono osservare direttamente gli studenti e modificare il loro approccio, le macchine sono limitate ai dati che possono raccogliere ed elaborare.

Caratteristiche tipiche considerate in un modello di studente:

• Cosa sa lo studente – il suo livello di conoscenza, le sue abilità e le sue concezioni errate^5,2,6. Queste conoscenze vengono solitamente dedotte attraverso le valutazioni, ad esempio la risposta che uno studente dà a un problema di matematica¹. Queste conoscenze pregresse vengono poi confrontate con quelle che lo studente dovrà conoscere alla fine del periodo di apprendimento.
• Come uno studente preferisce imparare: il processo di apprendimento e le preferenze^5,6. Ad esempio, il numero di volte in cui uno studente tenta di rispondere a un quesito prima di risolverlo, i tipi di risorse consultate, le valutazioni date a un’attività¹, o il materiale che lo ha maggiormente coinvolto (immagini, audio o testo)². Gli ALS possono anche registrare quando e come sono state apprese le competenze e quali pedagogie hanno funzionato meglio⁶.
• Lo studente si sente motivato:  i sentimenti e le emozioni possono essere registrati direttamente dallo studente o estratti indirettamente dal parlato, dalle espressioni facciali, dal tracciamento degli occhi, dal linguaggio del corpo, dai segnali fisiologici o da combinazioni di questi elementi. Queste informazioni possono essere utilizzate per far uscire lo studente da stati negativi come la noia o la frustrazione, che inibiscono l’apprendimento, verso stati positivi come l’impegno o il divertimento⁷.
• E gli aspetti cognitivi come la memoria, l’attenzione, la capacità di risolvere i problemi, la capacità decisionale, l’analisi delle situazioni e il pensiero critico⁵.
• Come comunicano e collaborano⁵. Per esempio, se pubblicano commenti sui feed degli altri studenti e come discutono con gli altri per risolvere i problemi¹.
• E le abilità metacognitive come l’autoregolazione, l’autoesplicitazione, l’autovalutazione e l’autogestione⁵, ricerca di aiuto, consapevolezza e capacità di controllo del proprio pensiero. Ad esempio, il modo in cui selezionano gli obiettivi di apprendimento, utilizzano le conoscenze pregresse o scelgono intenzionalmente le strategie di risoluzione dei problemi⁵.

Mentre questi dati cambiano e devono essere registrati e aggiornati, i modelli contengono anche caratteristiche statiche come l’età, il sesso, la lingua madre e l’indirizzo e-mail².

La maggior parte degli ALS crea modelli di apprendimento basati sulle interazioni con gli studenti. Alcuni raccolgono informazioni anche da altri siti, soprattutto dai social media. Una volta disponibile un modello per ogni studente, la macchina calcola quali studenti sono simili tra loro e stima la probabilità che un determinato studente possa trarre beneficio da un’attività, un esempio o una domanda³.

Il modello di dominio

Possiamo tracciare un parallelo tra gli oggetti di apprendimento di un ALS e i video di Youtube. Un argomento può essere suddiviso in concetti e abilità, chiamati unità di conoscenza (Knowledge Units – KU): si tratta di ciò che lo studente deve sapere³. Ogni KU ha un insieme di oggetti di apprendimento attraverso i quali i contenuti possono essere appresi e un insieme di attività per valutare l’apprendimento. Alcuni autori suddividono ulteriormente gli oggetti di apprendimento in attività di apprendimento, ma non lo facciamo qui.

Gli oggetti di apprendimento possono essere testi da leggere, video, problemi, attività interattive (dal semplice riempimento degli spazi vuoti alle attività di apprendimento basate su scenari), animazioni interattive, ecc¹. Gli oggetti di apprendimento forniscono ciò che il discente deve sapere e le attività di valutazione indicano se le conoscenze sono state acquisite³. Il modello di dominio contiene tutte le caratteristiche degli oggetti di apprendimento, compresi le KU e le valutazioni associate.

Ciò che un allievo apprende successivamente dipenderà anche dalle interrelazioni tra le KU e quindi anche queste devono essere inserite nel modello: gli oggetti di apprendimento A e B potrebbero essere entrambi pre-requisiti per l’oggetto di apprendimento D. Quindi, A e B devono essere padroneggiati prima di D. C’è un ordine tra alcune KU che ci dice come apprendiamo³. Al contrario, se lo studente risolve correttamente un problema che corrisponde a D, c’è da scommettere che abbia padroneggiato anche A e B.

Gli esperti in materia possono fornire alcune di queste relazioni. Il resto delle inferenze può essere appreso dalla macchina, che può prevedere la probabilità che una KU sia stata padroneggiata: quanto il sistema è sicuro che l’allievo abbia padroneggiato A e B, dato che ha risposto alle domande della sezione D. Può quindi utilizzare queste informazioni, insieme ad altre caratteristiche dei modelli dell’allievo e del dominio, per raccomandare percorsi di apprendimento e oggetti didattici.

  Altre caratteristiche degli oggetti di apprendimento potrebbero includere il livello di difficoltà dell’attività, la sua popolarità e le valutazioni. L’obiettivo, come nel caso della raccomandazione di Youtube, è quello di estrarre quante più informazioni possibili dai dati disponibili.

¹ EdSurge, Decoding Adaptive, Pearson, London, 2016.

² Alkhatlan, A., Kalita, J.K., Intelligent Tutoring Systems: A Comprehensive Historical Survey with Recent Developments, International Journal of Computer Applications 181(43):1-20, March 2019.

³ Essa, A., A possible future for next generation adaptive learning systems, Smart Learning Environments, 3, 16, 2016.

⁴ Bulger M., Personalised Learning: The Conversations We’re Not Having, Data & Society Working Paper, 2016.

⁵ Chrysafiadi, K., Virvou, M., Student modeling approaches: A literature review for the last decade, Expert Systems with Applications, Elsevier, 2013.

⁶ Groff, J., Personalized Learning: The state of the field and future directions, Center for curriculum redesign, 2017.

⁷ du Boulay, B., Poulovasillis, A., Holmes, W., Mavrikis, M., Artificial Intelligence And Big Data Technologies To Close The Achievement Gap, In: Luckin, Rose ed. Enhancing Learning and Teaching with Technology. London: UCL Institute of Education Press, pp. 256–28, 2018.