Learning Stream Plot: Vedere l’Apprendimento Come Mai Prima d’Ora Grazie ai Dati!

Ciao a tutti! Oggi voglio parlarvi di qualcosa che mi sta davvero appassionando: un modo nuovo e super interessante per capire cosa succede davvero nelle nostre classi. Sapete, come insegnanti o formatori, cerchiamo sempre di migliorare le nostre lezioni, di renderle più efficaci e coinvolgenti. Ma ammettiamolo, a volte è come navigare a vista, specialmente quando le attività diventano complesse, gli studenti lavorano in autonomia o usiamo tanti strumenti digitali diversi. Come facciamo a sapere davvero cosa funziona e cosa no?

La Sfida: Capire Davvero Cosa Succede in Classe

Riflettere sul proprio operato è fondamentale per noi docenti. Ma quando una lezione non è la classica spiegazione frontale, ma un mix di attività individuali, di gruppo, con l’uso di tablet, PC, piattaforme diverse… beh, tenere le fila diventa un’impresa! Capire chi sta seguendo, chi si perde, quali strumenti vengono usati e come, è difficilissimo.

Certo, la tecnologia ci viene in aiuto. Studi precedenti hanno esplorato l’uso di sensori multimodali (telecamere, microfoni, sensori di movimento) per catturare un quadro completo dell’attività in classe. Immaginate di avere una sorta di “regia” automatica che registra tutto! Fantastico, vero? Peccato che installare e gestire questi sistemi sia costoso e complesso. Non è proprio una soluzione praticabile per la scuola di tutti i giorni.

E i dati che già raccogliamo? Le piattaforme e-learning, i registri elettronici, le app didattiche… tutti generano dei “log”, delle tracce digitali delle attività. Il problema è che spesso questi dati rimangono chiusi dentro ogni singolo strumento. È come avere tanti pezzi di un puzzle, ma senza riuscire a vedere l’immagine intera. Come possiamo usare questi dati, che già esistono e vengono accumulati quotidianamente, per avere una visione d’insieme?

Una Soluzione dal Giappone: Standardizzazione e xAPI

Qui entra in gioco un’idea brillante, che sta prendendo piede soprattutto grazie a un’iniziativa lungimirante in Giappone. Lì, il Ministero dell’Istruzione ha promosso la distribuzione di un dispositivo per ogni studente e, cosa ancora più importante, ha spinto per un modello standard per gli strumenti didattici. Questo modello si basa su due tecnologie chiave: LTI (Learning Tool Interoperability) e xAPI (eXperience API).

Cosa significa in parole povere? Significa che strumenti diversi (un e-book, una piattaforma di quiz, un sistema di gestione dell’apprendimento – LMS) possono “parlarsi” tra loro e, soprattutto, possono registrare le attività degli studenti e degli insegnanti in un formato standardizzato (xAPI, appunto) e inviarle a un unico “magazzino” centrale, chiamato LRS (Learning Record Store).

Immaginate: ogni click, ogni pagina letta, ogni quiz completato, ogni nota presa su strumenti diversi, viene registrato con un linguaggio comune e raccolto in un unico posto. Questo apre scenari incredibili per l’analisi!

Ecco il “Learning Stream Plot”: Il Fiume dell’Apprendimento Visualizzato

Ed è proprio sfruttando questi dati integrati e standardizzati che nasce il concetto di Learning Stream Plot. È un metodo di visualizzazione che ho trovato affascinante e che permette di “vedere” il flusso delle attività in classe basandosi proprio sui log xAPI raccolti quotidianamente da più piattaforme. Niente sensori costosi, solo i dati che già produciamo!

Come funziona? Immaginate una linea del tempo che rappresenta la durata della lezione. Su questa linea, compaiono dei punti colorati.

• L’asse orizzontale (X) è il tempo.
• L’asse verticale (Y) rappresenta le diverse attività o gli strumenti usati (es. leggere l’e-book, fare un quiz, usare un’app specifica).
• Il colore dei punti può indicare la piattaforma usata (es. rosso per l’LMS, blu per l’e-book, verde per uno strumento di analisi).
• La dimensione dei punti indica quante volte un’azione è stata compiuta in un certo minuto (tanti click = punto grande).
• L’opacità (trasparenza) dei punti, quando si guarda la media della classe, indica quanti studenti hanno svolto quell’attività in quel momento (tanti studenti = colore pieno, pochi studenti = colore sbiadito).

Guardando questo grafico, possiamo capire: Cosa è stato fatto, Quando, Per quanto tempo, Quante volte, Su quale piattaforma e Da quanti studenti. È come avere una mappa dinamica della lezione!

Un Caso Concreto: Dentro una Classe Giapponese

Per capire se questa idea funzionasse davvero, è stato condotto uno studio in una scuola media giapponese, durante una lezione di inglese basata su una tecnica chiamata “lettura attiva potenziata dai dati”. In pratica, gli studenti (circa 36 ragazzi di 13-14 anni) dovevano usare diversi strumenti su piattaforme diverse (Moodle come LMS, un e-book chiamato BookRoll, e strumenti di Learning Analytics chiamati Log Palette) per leggere un testo, fare previsioni, sottolineare, prendere appunti, misurare la velocità di lettura. Una lezione complessa, insomma, dove gli studenti procedevano abbastanza autonomamente.

Sono stati raccolti tutti i log xAPI generati da studenti e insegnante durante la lezione e conservati nell’LRS. Questi dati, chiamati “learning stream data”, sono stati poi usati per creare i Learning Stream Plot.

Prima di Visualizzare: Pulire e Ordinare i Dati

Ovviamente, non è stato tutto rose e fiori. Prima di poter creare i grafici, è stato necessario un lavoro di “pulizia” e preparazione dei dati (preprocessing). Sono emersi alcuni intoppi tipici di quando si mettono insieme dati da fonti diverse, anche se standardizzate come xAPI:

• Alcuni log non specificavano a quale corso si riferissero.
• Il formato dell’identificativo dell’utente (actor) era leggermente diverso tra uno strumento e l’altro.
• Piccole differenze nel formato dell’orario (timestamp), a volte influenzate dall’ora legale!
• Non sempre era chiaro quale azione specifica avesse generato un certo log (es. un generico “viewed”).
• A volte, un’unica attività (come usare il timer dell’e-book) generava log con “verbi” diversi (start, pause, stop).

È stato necessario un lavoro certosino per filtrare i dati giusti, correggere le incongruenze e raggruppare i log in categorie di attività significative per la visualizzazione (es. “Lettura E-book”, “Uso Pennarello”, “Quiz”). Questo ci insegna che anche con gli standard, un po’ di lavoro di preparazione è spesso necessario quando si integrano dati reali.

Cosa Ci Mostra il Learning Stream Plot? (RQ1)

Una volta preparati i dati, ecco la magia! Confrontando il Learning Stream Plot della classe con il piano della lezione originale (rappresentato da linee nere sul grafico), sono emerse cose interessantissime:

• Tempistiche diverse: Gli studenti avevano iniziato il quiz 5 minuti prima del previsto, ma ci avevano messo il tempo pianificato. L’attività di lettura era iniziata prima ma era durata 5 minuti in più del previsto.
• Attività saltate: Un’attività di coppia prevista con uno strumento specifico (dashboard) era stata saltata, passando direttamente all’uso del timer per misurare la velocità di lettura.
• Intensità variabile: L’uso del pennarello digitale era stato molto intenso in un certo momento. Un’altra attività con la dashboard, prevista più tardi, era stata svolta solo da pochi studenti (punti grandi ma molto trasparenti).
• Fine lezione: Negli ultimi 10 minuti, quasi nessun log, probabilmente perché l’insegnante stava concludendo e dando istruzioni per casa.

Visualizzando anche il grafico dell’insegnante, si è visto che non aveva usato alcuni strumenti (pennarello, memo) previsti per gli studenti, probabilmente perché la lezione era centrata sull’attività autonoma dei ragazzi. Si è potuto anche ipotizzare lo scopo delle azioni dell’insegnante: alcune (quiz, timer) sembravano dimostrazioni all’inizio dell’attività degli studenti, altre (uso della dashboard alla fine) sembravano un controllo dei dati da parte sua.

Infine, visualizzando i grafici individuali di tutti i 36 studenti, si sono notate le differenze: studenti con pochissime interazioni, altri con moltissime, alcuni che non avevano usato lo strumento per le note (memo), altri che non avevano usato il pennarello, altri ancora che non avevano acceduto alla dashboard. Questo tipo di visualizzazione permette di identificare rapidamente chi potrebbe aver bisogno di supporto o chi ha seguito percorsi diversi.

Quindi, alla domanda “Possiamo visualizzare le attività di classe dai log giornalieri?”, la risposta è un sonoro sì! Si può vedere cosa hanno fatto studenti e insegnante, come è progredita la lezione, e confrontare il tutto con il piano originale. Si possono anche individuare le attività che sono risultate più “difficili” da svolgere per molti.

Andare Oltre il “Cosa”: Capire il “Perché” (RQ2)

Ok, abbiamo visto cosa è successo. Ma possiamo usare questi dati anche per capire perché alcune attività sono state difficili? Ad esempio, perché alcuni studenti non hanno usato la funzione “memo” o la “dashboard”?

Qui l’analisi si fa più profonda. I ricercatori hanno estratto degli indicatori dai dati:

• Indicatori di Comportamento: Quante volte è stata usata ogni funzione (lettura, pennarello, memo, timer, dashboard).
• Indicatori di Performance: La velocità di lettura (WPM – Words Per Minute) misurata col timer e il punteggio a un quiz sul vocabolario.

Hanno poi cercato correlazioni tra questi indicatori. Ed ecco cosa è emerso:

• L’attività di scrittura di memo mostrava una correlazione positiva sia con la velocità di lettura che con il punteggio del vocabolario. Significato? Gli studenti con competenze di base di inglese (lettura veloce, buon vocabolario) tendevano a usare di più la funzione memo. Chi aveva difficoltà con l’inglese, probabilmente faticava anche a scrivere le note.
• L’attività con il pennarello e quella con la dashboard, invece, non mostravano correlazioni significative con le competenze di base di inglese. Significato? La difficoltà nell’usare questi strumenti non sembrava legata alle capacità linguistiche degli studenti, ma forse più a fattori come la chiarezza delle istruzioni, la dimostrazione da parte dell’insegnante (che infatti non c’era stata per queste attività specifiche), o la percezione dell’utilità dell’attività stessa.

Questa analisi “diagnostica” è potentissima! Ci dice che per aiutare gli studenti con l’attività “memo”, forse non basta dire “fatelo!”, ma potrebbe essere necessario lavorare sulle loro competenze di base. Per le attività “pennarello” e “dashboard”, invece, un’istruzione più chiara, una demo, o un incoraggiamento diretto potrebbero essere più efficaci.

Quindi, alla domanda “Possiamo usare i log integrati per capire perché alcune attività sono difficili?”, la risposta è ancora sì! Combinando i dati di comportamento con quelli di performance, possiamo formulare ipotesi più fondate sulle cause delle difficoltà e pensare a interventi mirati.

Implicazioni: Un Nuovo Modo di Riflettere sulla Didattica

Cosa significa tutto questo per noi che lavoriamo nella scuola e nella formazione?

1. Riflessione Basata sui Dati (Senza Stress): Possiamo avere un quadro dettagliato di come sono andate le nostre lezioni senza dover installare sensori complicati o passare ore a osservare e prendere appunti. Basta usare strumenti che già supportano standard come xAPI.
2. Feedback Quotidiano: Potenzialmente, potremmo avere questo tipo di visualizzazione per ogni lezione, rendendo la riflessione basata sui dati una pratica quotidiana e non un evento eccezionale.
3. Interventi Mirati: Capire non solo cosa non ha funzionato, ma anche perché, ci permette di modificare le nostre lezioni o dare supporto agli studenti in modo più efficace.
4. L’Importanza degli Standard: Questo studio sottolinea quanto sia cruciale adottare standard come xAPI e LTI per permettere l’interoperabilità e l’analisi integrata dei dati. Il caso giapponese è un esempio da seguire.

Certo, ci sono dei limiti. Questa visualizzazione mostra solo le azioni registrate dai log (il cosiddetto “effetto lampione”: guardiamo solo dove c’è luce). Le attività offline o quelle non tracciate dagli strumenti rimangono invisibili. E poi c’è l’aspetto etico: dobbiamo essere trasparenti su quali dati raccogliamo e come li usiamo, sempre nel rispetto della privacy.

Il futuro? Immagino dashboard per insegnanti che mostrino questi “Learning Stream Plot” quasi in tempo reale, magari integrati con dati da sensori a basso costo (se disponibili), per avere una visione ancora più completa. E costruire cicli di progettazione didattica in cui questi dati vengano usati sistematicamente per migliorare.

In conclusione, il Learning Stream Plot, basato sull’integrazione di log xAPI da diversi strumenti, mi sembra una strada davvero promettente per rendere la riflessione sulla didattica più profonda, basata su evidenze concrete e accessibile a tutti. È un esempio fantastico di come i dati, se usati bene, possano davvero aiutarci a capire e migliorare l’incredibile processo dell’apprendimento. Non vedo l’ora di vedere come si svilupperà!

Fonte: Springer