25 Parlare di IA : Come i sistemi adattivi “studiano” lo studente Parte 2

Il processo

Negli ultimi anni, l’apprendimento automatico è sempre più utilizzato nei sistemi adattivi, come unica tecnologia o in combinazione con altri approcci². Quando viene utilizzato, il ruolo principale del ML è quello di creare e aggiornare i modelli degli studenti sulla base di un insieme di caratteristiche, compresi i risultati delle valutazioni e i nuovi dati generati durante il processo¹.

Per il ciclo esterno, i modelli vengono creati con l’aiuto dei dati di addestramento, assegnando pesi adeguati alle caratteristiche per aiutare a raccomandare contenuti di apprendimento efficaci². (fai riferimento anche a Parlare di IA : Apprendimento automatico). Questi modelli vengono utilizzati per raccomandare regolarmente nuovi percorsi di apprendimento che riflettono i progressi e i cambiamenti di interesse degli studenti, come le nuove raccomandazioni di Youtube. Negli ALS basati su ML, il numero di percorsi può arrivare a trilioni³.Nel ciclo interno, l’apprendimento automatico viene utilizzato per fornire un feedback adeguato, individuare gli errori, dedurre le lacune nelle conoscenze e valutare la padronanza delle unità di conoscenza (KU). Mentre lavora su un’attività, uno studente potrebbe commettere degli errori. Il ML può essere utilizzato per prevedere quali errori derivano da quali lacune di conoscenza. Se un passaggio della soluzione è corretto, il ML può essere usato per prevedere quali unità di conoscenza sono state padroneggiate con successo².

Altre tecniche utilizzate nei sistemi adattivi comportano una minore automazione e regole più esplicitamente scritte per fare inferenze². Richiedono molto tempo di programmazione e uno sforzo supplementare per catturare accuratamente tutti i criteri che entrano nel processo decisionale. Inoltre, spesso i risultati non possono essere generalizzati da un dominio all’altro o da un problema all’altro.

Gli strumenti che utilizzano il ML utilizzano grandi serie di dati sulle prestazioni effettive degli studenti e sono in grado di creare i percorsi di apprendimento più dinamici per gli studenti nel tempo¹. Come per tutte le applicazioni di ML, è necessario effettuare formazione e test prima di poterle utilizzare in classe.

Modello pedagogico

Nel caso di Youtube, abbiamo visto che ci sono molti giudizi di valore su ciò che rende una raccomandazione buona, come ad esempio quanti interessi dell’utente coprire in un set di raccomandazioni, quanti video dovrebbero essere simili a quelli già visti, quanti nuovi contenuti aggiungere per la diversità. (vedi AI Speak : Come Youtube ti studia Parte 2). L’ALS comporta giudizi simili su cosa significhi padroneggiare una KU e su come raggiungere tale padronanza: la pedagogia e l’esperienza quotidiana del discente⁴.

Nel caso dell’ALS, questi giudizi e indicazioni sul modo in cui uno studente deve progredire dovrebbero essere basati su teorie pedagogiche comprovate. Queste vengono inserite nel modello pedagogico e, insieme ai modelli del dominio e dell’allievo, aiutano la macchina a scegliere un insieme appropriato di attività.

Alcune delle domande che trovano risposta in questo modello sono: Allo studente deve essere presentato un concetto, un’attività o un test? A quale livello di difficoltà? Come valutare l’apprendimento e fornire un feedback? Dove è necessario un maggiore scaffolding⁵?  (Con il termine “scaffolding” si fa riferimento a meccanismi di supporto che forniscono indicazioni su concetti e procedure, sulla strategia utilizzata e su come riflettere, pianificare e monitorare l’apprendimento.) Il modello pedagogico determina l’ampiezza e la profondità delle attività e persino la scelta di proseguire all’interno dell’ALS o di farsi aiutare dall’insegnante³.

Interfaccia

Le raccomandazioni sono presentate insieme ad altri dati come i progressi, le prestazioni e gli obiettivi degli studenti. Le domande chiave sono:

• Come fornire i contenuti?
• Quanti contenuti raccomandare in una sola volta?
• Cosa viene assegnato direttamente e cosa viene raccomandato?
• Quali sono le risorse di supporto?
• È possibile prevedere attività di gruppo?
• Quanta autonomia concedere?
• Lo studente può cambiare le proprie preferenze?
• L’insegnante può modificare i percorsi di apprendimento?
• Quali dati vengono mostrati all’insegnante?
• L’insegnante è coinvolto?

Valutazione

Quando l’ALS viene utilizzato, la maggior parte dei sistemi monitora le proprie prestazioni rispetto ai criteri stabiliti dal programmatore. Come in ogni strumento di intelligenza artificiale, i dati possono essere distorti. Le inferenze tratte dal sistema possono essere imprecise. I dati passati dello studente diventeranno sempre meno rilevanti con il passare del tempo⁶. Pertanto, l’insegnante deve anche monitorare le prestazioni del sistema e fornire all’allievo indicazioni e misure correttive, se necessario.

Sono anche gli insegnanti e i compagni che devono fornire ispirazione e rivelare risorse alternative:  Per oltre un decennio, la ricerca sui sistemi di raccomandazione è stata orientata dai fornitori di contenuti commerciali e dalle aziende di vendita al dettaglio online. Pertanto, l’attenzione si è concentrata sulla fornitura di raccomandazioni affidabili che producono risultati che possono essere promossi. “Il piacere sorprendente di una gemma inaspettata⁷” e le strade meno battute, quelle che possono ispirare fortemente un apprendimento duraturo, non sono un punto di forza dell’apprendimento personalizzato basato sulle macchine.

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

² Chrysafiadi, K., Virvou, M., Student modeling approaches: A literature review for the last decade, Expert Systems with Applications, Elsevier, 2013.

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

⁴ Groff, J., Personalized Learning: The state of the field and future directions, Center for curriculum redesign, 2017.

⁵ 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.

⁶ 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.

⁷ Konstan, J., Terveen, L., Human-centered recommender systems: Origins, advances, challenges, and opportunities, AI Magazine, 42(3), 31-42, 2021.