26 Il rovescio della medaglia della SLA: Alcuni paradigmi da tenere in considerazione

[Questo capitolo è stato tradotto con strumenti di traduzione automatica]

Nonostante il potenziale promesso dai sistemi di apprendimento adattivi, molte domande rimangono senza risposta. Non ci sono ancora sufficienti ricerche o documentazioni di pratiche in classe che aiutino a risolvere questi problemi:

• I sistemi di raccomandazione sono utilizzati per suggerire film agli utenti di Netflix. Aiutano i consumatori a trovare la scelta giusta, ad esempio, di altoparlanti audio su Amazon. Ma possono effettivamente migliorare i risultati di apprendimento di ogni studente in classe¹?
• Concentrarsi sempre sul rendimento e sull’individualizzazione influisce sul benessere psicologico dello studente²?
• L’individualizzazione richiede molta disciplina e autoregolazione da parte degli studenti. Gli studenti devono iniziare a lavorare da soli e continuare a farlo fino a completare tutte le attività assegnate. Tutti gli studenti sono in grado di farlo senza aiuto²?
• Come bilanciare l’individualizzazione con le opportunità di apprendimento sociale³?
• Come passare dall’utilizzo degli ALS come supporto per un singolo argomento, all’utilizzo sistematico di questi sistemi, attraverso argomenti e materie²? E il cambiamento del curriculum che sarà necessario per incorporare l’adattabilità³?
• E le infrastrutture necessarie? Cosa bisogna fare per quanto riguarda i dati e la privacy, i pregiudizi e gli stereotipi rafforzati³?

Nello sviluppo degli SLA, alcuni principi vengono utilizzati direttamente o implicitamente. Questi non sono sempre privi di conseguenze.

Un paradigma di SLA: Il vecchio è oro

Cosa fanno i sistemi di apprendimento automatico quando prevedono o raccomandano qualcosa? Utilizzano le esperienze passate, le preferenze e le prestazioni dello studente per scegliere cosa consigliargli: Guardano al passato per prevedere il futuro. Pertanto, questi sistemi sono sempre orientati verso il passato⁴. L’apprendimento automatico funziona meglio in un mondo statico e stabile, dove il passato assomiglia al futuro⁵. L’ALS basato su modelli di apprendimento automatico fa più o meno la stessa cosa, ma ora con l’aggiunta di considerazioni pedagogiche.

Di conseguenza, questi sistemi non sono in grado di tenere conto delle fluttuazioni della normalità, come la pandemia COVID, i problemi di salute e altri problemi. Tanto meno possono tenere conto dell’età, della crescita, della padronanza di nuove competenze e dell’evoluzione personale dei giovani esseri umani.

Il comportamento degli studenti è prevedibile? Quante volte possiamo ripetere una formula che ha funzionato bene in passato prima che diventi noiosa e ripetitiva e impedisca il progresso⁶? Anche se si potesse fare una tale previsione, è prudente esporre gli studenti solo a cose che gli piacciono e con cui si sentono a proprio agio? D’altra parte, quante novità sono eccessive e controproducenti⁶?

In sintesi, è difficile stabilire quanto ogni attività consigliata debba essere simile all’altra, quanti nuovi tipi di attività introdurre in una sessione e quando sia produttivo spingere uno studente ad affrontare le sfide ed esplorare nuovi interessi. E le risposte non si trovano solo nel passato degli studenti.

Un paradigma di SLA: L’esplicito riflette l’implicito

Anche quando il passato può essere usato in modo affidabile per prevedere il futuro, il passato stesso potrebbe essere difficile da catturare con precisione. Come fa Youtube a sapere che un utente ha apprezzato un video? È più facile se ha cliccato sul pulsante Mi piace o si è iscritto al canale principale dopo averlo visto. Ma questi comportamenti espliciti sono spesso rari. I sistemi di raccomandazione devono ricorrere regolarmente a segnali impliciti che possono riflettere o meno la verità⁴. Ad esempio, Youtube utilizza il tempo trascorso dall’utente a guardare il video come segnale implicito che il video gli è piaciuto e che vorrebbe guardare contenuti simili. Ma il fatto che un video sia stato riprodotto sul computer di qualcuno fino alla fine non significa che gli sia piaciuto o che lo abbia guardato⁷.

E come viene registrato il feedback in un sistema di apprendimento adattivo? Per valutare, ad esempio, se uno studente è stato attento durante un’attività, il sistema potrebbe registrare il numero di risorse digitali su cui ha fatto clic, quando e per quanto tempo vi ha fatto accesso. Ma questi dati non possono riflettere accuratamente il livello di attenzione dello studente1.

Ad esempio, se lo studente ha le idee chiare su cosa fare per un’attività, potrebbe consultare poche risorse e individuare rapidamente i punti critici. Chi non ha le idee chiare potrebbe aprire e dedicare tempo a tutte le risorse elencate senza imparare molto1. È possibile che il primo studente venga erroneamente segnalato per mancanza di motivazione e costretto a fare del lavoro supplementare.

Va inoltre tenuto presente che i modelli di apprendimento automatico possono solo notare che due cose – uno studente che fa clic su una risorsa e uno studente che ottiene un punteggio elevato nell’esercizio associato – si sono verificate entrambe. Non possono dedurre che lo studente abbia ottenuto un punteggio elevato perché ha consultato la risorsa – possono dedurre la correlazione, ma non la causalità5.

L’aspettativa ingiusta di alcuni SLA è che l’insegnante intervenga per rimediare a questi errori. In altri sistemi, l’insegnante non ha nemmeno la possibilità di farlo.

Il paradigma della SLA: Tutto può essere sostituito da questa domanda

I sistemi di raccomandazione non sono in grado di gestire obiettivi multipli. L’obiettivo dell’ALS è spesso presentato sotto forma di un’unica domanda: la domanda surrogata. Che voto ha dato un utente a un film, per quanto tempo ha guardato un video, qual è il punteggio dello studente in un quiz, quanto ha soddisfatto i criteri utilizzati dalla macchina per misurare l’attenzione… I sistemi vengono quindi addestrati per raggiungere questo obiettivo e testati in base al suo raggiungimento. Le loro prestazioni sono costantemente regolate per massimizzare il loro punteggio rispetto a questo obiettivo.

Se l’obiettivo è il punteggio nel quiz, alcuni contenuti vengono consigliati in un certo modo. Il rendimento all’esame è il problema surrogato che viene risolto. Se l’obiettivo è solo quello di farli cliccare su molte risorse, la raccomandazione sarà fatta su misura per spingerli a fare proprio questo. Il problema è rendere le risorse attraenti: la domanda a cui ci si rivolge.

La scelta della domanda ha un’importanza spropositata sul funzionamento dell’ALS⁴. Inoltre, contrariamente alla promozione degli ALS come sistemi oggettivi, c’è più arte che scienza nella selezione del problema surrogato per le raccomandazioni⁴.

Tutta la tecnologia non è Hi-Tech

Come abbiamo visto finora, sono molte le decisioni che entrano in gioco nella realizzazione degli ALS: Quali dati vengono misurati, come questi dati vengono utilizzati per valutare il feedback e altre informazioni, quali obiettivi vengono ottimizzati, quali algoritmi vengono utilizzati per ottimizzare questi obiettivi… Il più delle volte, sono programmatori, scienziati dei dati, esperti di finanza e di marketing a prendere queste decisioni. Il contributo di insegnanti ed esperti di pedagogia al processo di sviluppo è raro e spesso arriva dopo il processo di progettazione². I prodotti non vengono testati sul campo prima di essere adottati nelle scuole e spesso la loro efficacia si basa su testimonianze e aneddoti, anziché sulla ricerca scientifica².

Di conseguenza, ciò di cui una scuola ha bisogno e con cui ha familiarità ha un impatto limitato su ciò che le aziende stanno costruendo. Infine, il costo, la disponibilità e l’infrastruttura hanno un peso notevole su ciò che le scuole possono acquistare. È importante tenerlo presente quando si decide se o come utilizzare un determinato prodotto: Forse è meglio non pensare a tutti i sistemi di apprendimento adattivo o AI, ma a singoli sistemi con obiettivi, design e capacità molto diversi.

Gli ALS nel loro insieme possono essere utilizzati per personalizzare il feedback, lo scaffolding e la pratica. Possono trovare lacune nell’apprendimento e porvi rimedio entro i limiti della programmazione e della progettazione. Non sono in grado di individuare i “momenti di insegnamento” o quando è giusto sfruttare l’umore della classe per introdurre una nuova idea o un nuovo esempio. Queste capacità che rendono magico l’apprendimento e che aiutano la lezione a rimanere impressa nella mente dello studente sono esclusivamente il forte dell’insegnante.

¹ Bulger M., Personalised Learning: The Conversations We’re Not Having, Data & Society Working Paper, 2016.

² Groff, J., Personalized Learning: The state of the field and future directions, Center for curriculum redesign, 2017.

³ Holmes, W., Anastopoulou S., Schaumburg, H & Mavrikis, M.,Technology-enhanced personalised learning: untangling the evidence, Stuttgart: Robert Bosch Stiftung, 2018.

⁴ Covington, P., Adams, J., Sargin, E., Deep neural networks for Youtube Recommendations, Proceedings of the 10th ACM Conference on Recommender Systems, ACM, New York, 2016.

⁵ Barocas, S.,  Hardt, M., Narayanan, A., Fairness and machine learning Limitations and Opportunities, 2022.

⁶ Konstan, J., Terveen, L., Human-centered recommender systems: Origins, advances, challenges, and opportunities, AI Magazine, 42(3), 31-42, 2021.

⁷ Davidson, J., Liebald, B., Liu, J., Nandy, P., Vleet, T., The Youtube Video Recommendation System, Proceedings of the 4th ACM Conference on Recommender Systems, Barcelona, 2010.