MIEBL: La Scienza Dietro il Successo nel DTT – Scegliere il Criterio Giusto è Ora Più Facile!

Ciao a tutti! Oggi voglio parlarvi di una sfida che, se lavorate nel campo dell’analisi comportamentale applicata (ABA) o dell’educazione speciale, probabilmente conoscete bene: capire quando uno studente ha veramente imparato un’abilità insegnata tramite il Discrete Trial Training (DTT). Sembra semplice, vero? Insegni, valuti, e se lo studente risponde correttamente abbastanza volte, passi oltre. Ma… cosa significa “abbastanza volte”? Qui inizia il vero rompicapo.

Da anni ci si interroga su quale sia il “criterio di performance” (o “mastery criterion”) giusto da usare nel DTT. L’80% di risposte corrette? Il 90%? Magari il 100%? E su quante prove? 5, 10, 20? La verità è che finora c’era molta confusione e poca guida scientifica chiara, con professionisti e ricercatori che spesso sceglievano criteri diversi basandosi su esperienze passate, intuito o raccomandazioni generiche. Questo può portare a perdere tempo prezioso, a frustrare lo studente o, peggio, a credere che un’abilità sia stata acquisita quando in realtà non lo è ancora in modo solido.

Ma se vi dicessi che ora c’è uno strumento nuovo di zecca, basato su solide fondamenta matematiche (tranquilli, niente panico!) e pensato apposta per aiutarci in questa decisione cruciale? Si chiama MIEBL: Measurement of Individualized, Evidence-Based Learning Criteria, ed è qui per darci una mano concreta.

Cos’è il DTT e Perché il Criterio è Cruciale?

Prima di tuffarci nel MIEBL, un rapidissimo ripasso. Il Discrete Trial Training (DTT) è una tecnica d’insegnamento strutturata, molto usata nell’ABA, specialmente con bambini nello spettro autistico o con altri disturbi dello sviluppo. L’idea è semplice: scomporre un’abilità complessa (come riconoscere i colori, lavarsi le mani, o anche abilità sociali) in piccoli passi discreti e insegnare ciascun passo intensivamente, una prova alla volta (il “trial”).

Ogni prova ha un inizio e una fine chiari, e di solito prevede una richiesta (es. “Tocca il rosso”), la risposta dello studente, e una conseguenza (rinforzo se la risposta è corretta, correzione se è sbagliata). Si raccolgono dati su quante risposte sono corrette. Ed è qui che entra in gioco il famoso criterio di performance: la soglia (es. 80% di risposte corrette su 10 prove consecutive) che, una volta raggiunta, ci dice che lo studente ha “imparato” quel passo e possiamo passare al successivo.

Scegliere il criterio giusto è fondamentale. Un criterio troppo basso, e rischiamo di passare avanti troppo presto, con l’abilità che poi non viene mantenuta nel tempo (maintenance) o non si generalizza ad altri contesti. Un criterio troppo alto, e potremmo tenere lo studente “bloccato” su un obiettivo più a lungo del necessario. La ricerca recente (come gli studi di Wong e colleghi citati nel testo originale) ha mostrato che criteri più alti (dall’80% in su) tendono a portare a migliori risultati di mantenimento e generalizzazione, ma ancora mancava un metodo preciso per scegliere quel criterio in modo personalizzato.

MIEBL: La Bussola Basata sulla Probabilità (Ma Fatta Apposta per Te!)

Ed ecco che arriva MIEBL. Cosa fa di così speciale? Invece di basarsi su medie di popolazione o regole generali, MIEBL usa la teoria della probabilità (in particolare, l’inferenza Bayesiana, un modo per aggiornare le nostre convinzioni alla luce di nuovi dati) per aiutarci a prendere decisioni individualizzate.

Il concetto chiave è distinguere tra:

• La performance osservata: quello che vediamo durante le prove (es. lo studente risponde correttamente a 9 prove su 10, quindi il 90%). Questo è il nostro dato tangibile.
• La vera padronanza (true mastery, p): il livello di conoscenza/abilità reale dello studente su quel compito specifico. Questa è una proprietà intrinseca dello studente, che non possiamo misurare direttamente o conoscere con certezza assoluta. È la probabilità che lo studente sappia rispondere correttamente a *qualsiasi* prova di quel tipo, anche quelle che non gli abbiamo presentato.
• Il livello di padronanza desiderato (desired mastery, p*): il livello minimo di vera padronanza che noi, come professionisti, riteniamo accettabile per considerare l’abilità acquisita in modo solido.
• Il criterio di performance (τ): la soglia di performance osservata che scegliamo (es. 80%, 90%, 100%) per inferire che lo studente abbia raggiunto almeno il livello di padronanza desiderato (p*).

MIEBL ci aiuta a rispondere a questa domanda fondamentale: “Se uno studente raggiunge il criterio τ (es. 90% su 10 prove), qual è la probabilità che la sua vera padronanza p sia almeno pari al livello che desidero io (p*, es. 70% o magari 90%)?”.

Questo cambia tutto! Non stiamo più solo dicendo “ha raggiunto il 90%, quindi sa”. Stiamo quantificando la nostra fiducia in quella conclusione. E, come vedremo, osservare il 90% non significa affatto avere la certezza che la vera padronanza sia del 90%!

Facciamo un Esempio Pratico (Senza Mal di Testa)

Immaginate di voler essere abbastanza sicuri che la vera padronanza dello studente sia almeno del 90% (p* = 90%). Decidete di fare 5 prove (n=5).

• Se scegliete un criterio dell’80% (4 risposte corrette su 5), MIEBL ci dice che la probabilità che la vera padronanza sia almeno del 90% è solo del 20% (0.20)! Molto bassa.
• Anche se scegliete un criterio del 100% (5 su 5), la probabilità che la vera padronanza sia almeno del 90% è del 71% (0.71). Meglio, ma non una certezza assoluta.

Cosa succede se aumentiamo il numero di prove a 10 (n=10), sempre mirando a una vera padronanza del 90% (p* = 90%)?

• Con un criterio dell’80% (8 su 10), la probabilità è ancora bassissima: 14.3% (0.143).
• Con un criterio del 90% (9 su 10), la probabilità sale al 44% (0.44). Ancora meno di un lancio di moneta!
• Solo con un criterio del 100% (10 su 10), la probabilità che la vera padronanza sia almeno del 90% diventa più sostanziosa: 80% (0.80).

Vedete come MIEBL ci dà informazioni quantitative preziose? Ci mostra che, soprattutto con poche prove, anche un criterio apparentemente alto come il 90% potrebbe non essere sufficiente se il nostro obiettivo di vera padronanza è molto elevato. Ci fa capire l’importanza del numero di prove (n).

E se il nostro obiettivo di vera padronanza fosse un po’ più basso, diciamo 70% (p* = 70%)? Con 10 prove (n=10):

• Un criterio del 90% (9 su 10) ci dà ora una probabilità del 93% (0.93) che la vera padronanza sia almeno del 70%. Molto buono!
• Un criterio del 100% (10 su 10) ci dà una probabilità del 99% (0.99). Praticamente una certezza.

MIEBL non ci dice *quale* criterio scegliere, ma ci mostra le *conseguenze* di ogni scelta, permettendoci di decidere in modo informato in base al numero di prove che possiamo/vogliamo fare e al livello di sicurezza che desideriamo raggiungere per quella specifica abilità e quello specifico studente.

La cosa fantastica è che MIEBL viene fornito con un software (basato su R, un linguaggio statistico gratuito) con funzioni semplicissime da usare (`miebl`, `miebl_re`, `miebl_cp`) che fanno tutti questi calcoli per noi! Basta inserire il numero di prove (n) e il livello di vera padronanza desiderato (p*), e il software ci restituisce le probabilità associate a ogni possibile criterio di performance, aiutandoci anche a confrontare diverse opzioni.

Non Solo Teoria: Come MIEBL Cambia il Lavoro Quotidiano

Ok, la teoria è affascinante, ma come ci aiuta MIEBL nella pratica di tutti i giorni?

• Scelte più consapevoli: Possiamo finalmente scegliere un criterio di performance non a caso, ma sapendo esattamente cosa implica in termini di probabilità di aver raggiunto la vera padronanza desiderata. Questo è cruciale soprattutto per abilità critiche (pensate alla sicurezza stradale, come attraversare guardando da entrambi i lati!). MIEBL ci mostra che per queste abilità serve un criterio del 100% E un numero di prove sufficientemente alto.
• Decisioni sul cambio di strategia: A volte ci chiediamo se continuare con una strategia d’insegnamento o cambiarla perché lo studente non sembra progredire. MIEBL può aiutarci. Ad esempio, se dopo 10 prove lo studente ne azzecca solo 2, la probabilità che la sua vera padronanza sia almeno del 20% è bassissima (22%). Se ne azzecca 3, la probabilità sale al 53%. Forse potremmo decidere che il 30% (3 su 10) è la soglia minima per darci fiducia nel continuare, permettendoci di cambiare strategia più efficientemente se non viene raggiunta.
• Migliorare la ricerca: Questo è un punto importantissimo. Spesso negli studi si assume che se uno studente raggiunge, ad esempio, il 90% alla fine dell’insegnamento, la sua vera padronanza sia del 90%. Poi si misura il mantenimento e si attribuisce ogni calo alla “perdita di abilità”. MIEBL ci mostra che questa assunzione è spesso sbagliata! La vera padronanza alla fine dell’insegnamento potrebbe essere inferiore (nell’esempio di 9 su 10, la stima puntuale Bayesiana è 86%, non 90%). Riconoscere questo “bias” tra criterio osservato e vera padronanza può rendere la ricerca più accurata e i risultati più generalizzabili.
• Coerenza con i dati esistenti: MIEBL non stravolge tutto, anzi, aiuta a spiegare risultati già osservati in letteratura. Ad esempio, lo studio di Schneider et al. (2022) che trovava risultati simili tra valutazioni su 1 giorno e 3 giorni ha senso: se il numero di prove in 1 giorno è sufficientemente alto, aggiungere altri giorni potrebbe non cambiare molto la stima della vera padronanza. Anche l’esperimento di Wong et al. (2022a, 2022b) con 4 studenti e criterio 100% su 5 prove, dove 3 su 4 hanno mantenuto perfettamente, è coerente: MIEBL prevede che con quel criterio, circa 1 su 4 (il 29%) potrebbe *non* aver raggiunto una vera padronanza del 90%, nonostante il risultato perfetto nelle prove.

Limiti e Orizzonti Futuri

Come ogni strumento, MIEBL ha delle basi. L’assunzione principale è che le prove siano indipendenti tra loro (il risultato di una non influenza la successiva). Nella pratica ABA si cerca di garantire questo con l’intervallo inter-trial, ma se ci fosse dipendenza, MIEBL potrebbe essere esteso usando modelli matematici più complessi.

Inoltre, MIEBL attualmente si concentra sul criterio più comune (percentuale di risposte corrette su un blocco di prove), ma esistono altri metodi (es. numero di risposte corrette consecutive, risposta corretta alla prima opportunità). Anche per questi, MIEBL potrebbe essere adattato in futuro.

In Conclusione

Il DTT è uno strumento potente, ma la scelta del criterio di performance è sempre stata un’area un po’ grigia. MIEBL arriva come una ventata d’aria fresca, offrendo un quadro chiaro, basato sull’evidenza e sulla probabilità, per guidare le nostre decisioni. Non ci impone un criterio unico, ma ci equipaggia con le informazioni per scegliere quello più appropriato per i nostri studenti, per le abilità che insegniamo e per gli obiettivi che ci prefiggiamo.

Ci permette di essere più sicuri quando diciamo “sì, questa abilità è stata acquisita”, di ottimizzare i nostri interventi e di contribuire a una ricerca più solida. È uno strumento che, a mio avviso, ha il potenziale per migliorare significativamente la pratica del DTT, rendendola ancora più efficace e veramente individualizzata.

Fonte: Springer