LEARNING ANALYTICS: FATTORI TRAINANTI, SVILUPPI E SFIDE - Italian Journal of Educational Technology
←
→
Trascrizione del contenuto della pagina
Se il tuo browser non visualizza correttamente la pagina, ti preghiamo di leggere il contenuto della pagina quaggiù
138 Ferguson, R. (2014). Learning analytics: fattori trainanti, sviluppi e sfide. TD Tecnologie Didattiche, 22(3), 138-147.
LEARNING ANALYTICS:
FATTORI TRAINANTI,
SVILUPPI E SFIDE
LEARNING ANALYTICS:
DRIVERS, DEVELOPMENTS AND CHALLENGES
Rebecca Ferguson | Institute of Educational Technology, The Open University | Milton Keynes, UK
* Institute of Educational Technology, The Open University |
Walton Hall, Milton Keynes, MK7 6AA, United Kingdom | rebecca.ferguson@open.ac.uk
Sommario Il termine Learning Analytics identifica un importante settore del Technology-Enhanced Learning (TEL) emerso nel corso
dell’ultimo decennio. Questo articolo offre una rassegna del settore che inizia con una disanima dei fattori tecnologici, educativi e politici che
hanno guidato lo sviluppo delle tecniche di analisi dei dati nei contesti educativi. L’articolo illustra, quindi, la progressiva affermazione del
settore, dalle sue origini nel 20° secolo, attraverso lo sviluppo di tecniche di analisi guidate dai dati, il diffondersi di tecniche focalizzate sui
dati relativi all’apprendimento e l’influsso esercitato dagli interessi economici nazionali. In seguito, l’articolo si concentra sui rapporti tra
Learning Analytics, Educational Data Mining e Academic Analytics. Infine, esso prende in esame le aree emergenti della ricerca sul Learning
Analytics e individua le sfide future.
PAROLE CHIAVE Academic Analytics, Action Analytics, Educational Data Mining, Learning Analytics, Social Learning Analytics.
Abstract Learning analytics is a significant area of Technology-Enhanced Learning (TEL) that has emerged during the last decade. This
review of the field begins with an examination of the technological, educational and political factors that have driven the development of
analytics in educational settings. It goes on to chart the emergence of learning analytics, including their origins in the 20th century, the
development of data-driven analytics, the rise of learning-focused perspectives and the influence of national economic concerns. It next
focuses on the relationships between learning analytics, educational data mining and academic analytics. Finally, it examines developing
areas of learning analytics research, and identifies a series of future challenges.
KEY-WORDS Academic Analytics, Action Analytics, Educational Data Mining, Learning Analytics, Social Learning Analytics.TD Tecnologie Didattiche, 22(3) 139
INTRODUZIONE dei dati sugli studenti e sui loro contesti, ai fini del-
L’area denominata Learning Analytics è in rapida la comprensione e dell’ottimizzazione dell’appren-
espansione nell’ambito delle ricerche nel settore del dimento e degli ambienti in cui ha luogo.
Technology-Enhanced Learning (TEL). Essa affonda Così com’è, questa definizione potrebbe essere uti-
le sue radici in diversi settori, e in particolare: nella lizzata nella maggior parte delle ricerche in ambito
business intelligence, nel Web analytics, nell’Educa- educativo; tuttavia, essa va interpretata in conside-
tional Data Mining e nei sistemi di raccomandazio- razione di due assunti fondamentali: che il Learning
ne. Le sue forti connessioni con questi settori hanno Analytics fa uso di dati preesistenti, leggibili dalle
fatto sì che i ricercatori e i professionisti si siano ac- macchine; e che le sue tecniche possono essere uti-
costati a questo ambito di ricerca da prospettive di- lizzate per gestire ‘big data’, grandi insiemi di dati
verse e adesso lavorano insieme per individuare non che non possono essere elaborati manualmente.
solo gli obiettivi che possono essere raggiunti trami- Poiché si tratta di un nuovo settore disciplinare, gli
te il Learning Analytics, ma anche le azioni da intra- articoli relativi al Learning Analytics attingono a un
prendere per il raggiungimento di questi obiettivi. insieme diversificato di letteratura nei settori della
Questo articolo, insieme al suo articolo complemen- formazione, della tecnologia e delle scienze sociali.
tare, che definisce un modello di riferimento per il Al fine di individuare i punti di riferimento fonda-
Learning Analytics (Chatti, Dyckhoff, Schroeder, & mentali, questo articolo si concentra sugli articoli e
Thüs, 2012)1 offre un contributo originale perché sugli autori più citati in questo settore, individuati a
fornisce, per la prima volta, una recensione sullo svi- partire da quelli presentati alla seconda conferenza
luppo del Learning Analytics. Entrambi gli articoli internazionale su Learning Analytics and Knowledge
esaminano il contesto all’interno del quale il Lear- (LAK 2012) (Buckingham Shum, Gasevic, & Fergu-
ning Analytics si sta sviluppando e individuano le son). Questa conferenza, organizzata da SoLAR, è
sfide future. stata la più grande conferenza di specialisti di Lear-
Questo articolo ha tre obiettivi: ning Analytics fino ad oggi; ha riunito 210 parteci-
1. identificare i fattori che hanno determinato la na- panti a Vancouver e molti altri hanno presentato o
scita del settore Learning Analytics, e i suoi pun- sono stati co-autori degli articoli. Il convegno, quin-
ti di riferimento fondamentali; di, ha fornito la panoramica più completa nel setto-
2. spiegare come si è sviluppato il settore del Lear- re alla data di questo lavoro. Come membro del co-
ning Analytics negli ultimi dieci anni e in cosa si mitato organizzativo, l’autrice ha avuto accesso agli
differenzia da altri settori, in particolare dall’Aca- oltre 70 articoli presentati alla conferenza. Le biblio-
demic Analytics e dall’Educational Data Mining grafie di questi articoli sono state raccolte in un elen-
(EDM); co di 1.337 riferimenti. Le pubblicazioni che sono
3. fornire un contributo significativo alle ricerche fu- state citate almeno quattro volte2 e tutti gli autori
ture, identificando le sfide che il settore deve af- che sono stati citati almeno cinque volte3 sono sta-
frontare alla luce di quanto emerge dai punti pre- ti considerati i punti di riferimento fondamentali per
cedenti. il settore, e sono questi lavori e questi autori a for-
Lo sviluppo del Learning Analytics è presentato in mare la spina dorsale di questa rassegna, insieme a
questo articolo in maniera sostanzialmente cronolo- riferimenti ad altro materiale utilizzato per spiegare
gica, al fine di dimostrarne la rapida evoluzione do- e contestualizzare il loro contributo.
vuta alla comparsa di nuovi stimoli, di nuovi ambiti Questo approccio presenta dei limiti. Questi docu-
di indagine e di nuovi strumenti. Tracciare lo svilup- menti sono stati tutti scritti in inglese, e i loro auto-
po del Learning Analytics nel tempo evidenzia il pas- ri hanno avuto le risorse economiche necessarie per
saggio graduale da un focus tecnologico verso un fo- partecipare a conferenze. Questo studio quindi non
cus educativo; inoltre, ciò permette di presentare gli considera il lavoro sul Learning Analytics effettuato
strumenti, le iniziative e i metodi che sono oggi si- da chi non parla inglese e da coloro che provengo-
gnificativi nel settore; infine, in questo modo è pos- no dai paesi più poveri. Inoltre, il focus sul Learning
sibile evidenziare le problematiche che non sono an- Analytics taglia fuori il tema dell’Educational Data
cora state affrontate. Mining, che è invece trattato in (Chatti, Dyckhoff,
Questo articolo utilizza la definizione di Learning Schroeder, & Thüs, 2012). Il
Analytics riportata nella call for papers della prima metodo usato ha tenuto conto 1 [N.d.T.] L’autrice fa riferimento ad un articolo apparso
nello stesso numero del journal in cui è stato
conferenza internazionale sul Learning Analytics di tutti i riferimenti e quindi pubblicato l’articolo qui tradotto.
and Knowledge (LAK 2011) e adottata dalla Socie- comprende anche la ‘letteratu- 2 Evidenziate in grassetto nella bibliografia.
ty for Learning Analytics Research (SoLAR): ra grigia’ - compresi i rapporti 3 Si tratta di 20 autori, i cui nomi sono evidenziati in
grassetto nella bibliografia, e in grassetto sottolineato
Con Learning Analytics ci si riferisce alla misura- tecnici, gli Horizon Report e quando essi hanno scritto uno dei 12 articoli con
zione, alla raccolta, all’analisi e alla presentazione materiale proveniente da Edu- quattro o più citazioni.140 R. Ferguson
cause - che non è stata sottoposta a peer review. Se funzionalità di estrazione e aggregazione, di repor-
nel frattempo sono state pubblicate versioni sotto- ting e di visualizzazione di questi strumenti di anali-
poste a peer review di questi lavori, ove possibile si sono spesso molto di base o inesistenti (Dawson,
anche queste nuove versioni sono state analizzate 2009). Inoltre, gli studenti svolgono numerose atti-
nella preparazione di questa rassegna. La scelta di vità all’esterno di queste piattaforme, e quindi le in-
questo insieme di articoli comporta che nessuno de- formazioni relative a queste attività sono distribuite
gli articoli presentati alla conferenza LAK12 è stato in vari siti, con diversi standard, diversi proprietari e
preso in considerazione, in quanto nessuno di essi diversi livelli di accesso. Il primo fattore, allora, è
ha avuto il tempo di affermarsi come punto di riferi- una sfida tecnica: Come possiamo estrarre valore
mento fondamentale. da questi grandi insiemi di dati correlati all’ap-
La seconda sezione, “fattori che guidano lo sviluppo prendimento?
del Learning Analytics”, affronta il primo obiettivo di
questo lavoro, individuando le ragioni tecnologiche, Apprendimento online
pedagogiche e politico-economiche che hanno mo- L’aumento dei big data nel settore dell’istruzione ri-
tivato la nascita e lo sviluppo del settore e di quelli flette la crescente adozione dell’apprendimento onli-
ad esso correlati. Le sezioni successive affrontano il ne. L’apprendimento online offre molti vantaggi, ma
secondo obiettivo dell’articolo e spiegano lo svilup- porta con sé anche diversi problemi. Gli studenti pos-
po del settore del Learning Analytics a partire da ta- sono sentirsi isolati a causa della mancanza di con-
li fattori, utilizzando un filo conduttore sostanzial- tatto con gli insegnanti o con i pari; possono diventa-
mente cronologico per tracciare il passaggio dalle re disorientati nello spazio on line, avere problemi
analisi guidate dai dati (terza e quarta sezione) alle tecnici o perdere la loro motivazione (Mazza & Dimi-
analisi focalizzate sullo studente (quinta sezione) e trova, 2004). Allo stesso tempo, gli insegnanti non
illustrare come gli aspetti politici ed economici han- hanno i riferimenti visivi che possono segnalare
no influenzato questa transizione (sesta sezione). Vi- quando gli studenti non sono sufficientemente moti-
sto l’aumento di interesse del settore della formazio- vati, quando sono annoiati, confusi, sovraccarichi o
ne verso i ‘big data’ (settima sezione), il Learning semplicemente assenti. Gli insegnanti, inoltre, pos-
Analytics si è affermato come campo a sé stante (ot- sono avere difficoltà a interpretare e valutare l’ap-
tava sezione). La sezione finale, basandosi sulle pre- prendimento e la qualità della partecipazione degli
cedenti, perviene al terzo obiettivo dell’articolo, studenti quando il loro contributo è sepolto all’inter-
identificando le sfide che dovranno essere affronta- no delle centinaia di contributi della classe in discus-
te in futuro. sioni che durano per diverse settimane (Dringus & El-
lis, 2005). Il secondo fattore è dunque una sfida
I FATTORI CHE GUIDANO LO SVILUPPO educativa: come possiamo ottimizzare le opportuni-
DEL LEARNING ANALYTICS tà per l’apprendimento online?
Big Data
La società si trova ad affrontare la crescente sfida Interessi politici
posta dai ‘big data’, ‘insiemi di dati la cui dimensio- Vi è una crescente richiesta da parte delle istituzio-
ne va al di là della capacità dei tipici strumenti soft- ni operanti nel settore della formazione per misura-
ware di database utilizzati per l’acquisizione, la me- re, dimostrare e migliorare i risultati raggiunti. Que-
morizzazione, la gestione e l’analisi’ (Manyika et al., sta richiesta è esplicita in molti paesi (Campbell,
2011: p.1). Le aziende utilizzano tecniche di anali- DeBlois, & Oblinger, 2007; EU Expert Group,
si per estrarre valore aggiunto da questi insiemi di 2010). Nel contesto degli studi sulle tecniche di
dati, usandoli per identificare modelli di comporta- analisi dei dati, questa richiesta è stata articolata
mento, sviluppare campagne pubblicitarie e guidare più chiaramente negli Stati Uniti, dove il governo
i sistemi di raccomandazione. L’ampia diffusione de- mira ad aumentare il livello di istruzione generale
gli ambienti virtuali per l’apprendimento (VLE: Vir- della popolazione e si è preparato a investire miliar-
tual Learning Environment) - noti anche come siste- di di dollari al fine di raggiungere questo obiettivo
mi di gestione dell’apprendimento (LMS: Learning (Norris, 2008). Il terzo fattore è quindi una sfida po-
Management System) - come Blackboard e Moodle, litico-economica: Come possiamo ottimizzare l’ap-
ha fatto sì che le istituzioni operanti nel settore del- prendimento e i risultati educativi a livello nazio-
la formazione trattino insiemi di dati sempre più nale o internazionale?
grandi. Ogni giorno, questi sistemi accumulano una
quantità crescente di dati sulle interazioni degli Chi ne beneficia?
utenti, dati personali, informazioni di sistema e in- Questi tre fattori attirano l’attenzione su tre diversi
formazioni accademiche (Mazza & Milani, 2004; gruppi di interesse: i governi, le istituzioni educative
Romero, Ventura, & García, 2008.). Anche se le ca- e gli insegnanti/studenti. Anche se gli interessi di tut-
pacità di tracciare gli studenti sono in genere inclu- ti e tre i gruppi si sovrappongono, essi richiedono che
se tra le funzionalità generiche di questi software, le gli studi sulle tecniche di analisi dei dati si concentri-TD Tecnologie Didattiche, 22(3) 141
no su diverse scale con diverse granularità. La scelta Hendler, & Lassila, 2001). Nello stesso periodo, ci
del target di riferimento influenza quindi il modo in fu anche una rapida diffusione dei VLEs - le cifre sul
cui i ricercatori concettualizzano i problemi, acquisi- Regno Unito suggeriscono che nel 1994 il 7% degli
scono i dati, riportano i risultati, agiscono sugli stes- istituti di istruzione superiore utilizzavano un VLE,
si risultati per perfezionare i loro modelli. Come mo- nel 2001 erano il 40% e addirittura oltre l’85% nel
strano le sezioni seguenti, le tecniche di analisi dei 2003 (Britain & Liber, 2004).
dati cambiano e si sviluppano in accordo all’equili- Con l’aumento della disponibilità di ampi insiemi di
brio tra questi tre fattori e i tre gruppi di interesse. dati da analizzare, il campo del data mining nel set-
tore educativo emerse gradualmente (Romero e
ORIGINI NEL VENTESIMO SECOLO Ventura fanno risalire le sue origini al 1995, ma ci-
Prima della diffusione dell’apprendimento online o tano solo due documenti precedenti al 2000). In ge-
dei big data, le istituzioni educative erano già inte- nerale, il data mining è un settore dell’informatica
ressate alla ricerca e alla valutazione istituzionale. che applica una varietà di tecniche (per esempio, la
Nel 1979, il Survey Research Department della The costruzione di alberi di decisione, le regole di indu-
Open University in Gran Bretagna poté riflettere su zione, le reti neurali artificiali, l’apprendimento in-
dieci anni di monitoraggio circa i progressi delle mi- stance-based, l’apprendimento bayesiano, la pro-
gliaia di studenti a distanza, corso per corso, in di- grammazione logica e gli algoritmi statistici) ai da-
verse fasi dell’anno accademico (McIntosh, 1979). tabase per scoprire e visualizzare modelli di dati pre-
Anche in quest’epoca remota, McIntosh parlò di una cedentemente sconosciuti e potenzialmente utili
“esplosione di dati”, laddove l’abbondanza e la pro- (Chatti, Dyckhoff, Schroeder, & Thüs, 2012; Rome-
fusione di dati diventano di fatto una barriera per il ro & Ventura, 2007). L’Educational Data Mining è
loro utilizzo. una sotto-area di questo settore che si occupa «di
Le ricerche non si limitavano ad analizzare solamen- sviluppare metodi per esplorare i tipi di dati speci-
te le situazioni all’interno di una singola istituzione; fici che provengono da contesti educativi, utilizza-
quando Tinto pubblicò i suoi studi sui fattori che in- re tali metodi per comprendere meglio gli studenti
fluenzano la perseveranza degli studenti, ebbe la e i contesti in cui essi imparano»4.
possibilità di attingere a un ampio database di stu- L’EDM si è sviluppato a partire dall’analisi dei log del-
di raccolti in 20 anni che ricoprivano una grande va- le interazioni degli studenti con il computer e, fino al
rietà di contesti istituzionali e di tipologie di studen- 2005, la ricerca in questo ambito si è concentrata
ti (Tinto, 1997). La sua sintesi dei lavori sulla per- soprattutto sui metodi di relationship-mining, seguiti
severanza, e la sua enfasi sull’importanza dell’inte- dai metodi di previsione (Baker & Yacef, 2009). No-
grazione accademica e sociale, si dimostrarono in- nostante il settore si fondasse sull’analisi guidata dai
fluenti sulle istituzioni che guardavano con attenzio- dati, l’EDM ha sempre posto una forte enfasi sull’ap-
ne agli studi sulle tecniche di analisi per affrontare il prendimento e l’insegnamento. L’articolo sull’EDM di
problema dei tassi di abbandono degli studenti. Zaïane del 2001, il più citato nel settore (Romero &
A quel tempo, l’apprendimento e l’interazione onli- Ventura, 2007), ha identificato come obiettivo del-
ne erano nella loro fase iniziale, e solo poche istitu- l’EDM la ‘trasformazione degli studenti in studenti
zioni utilizzavano sistemi di comunicazione online più bravi’, indirizzando la ricerca su «tecniche di da-
come FirstClass e VLE come TopClass e WebCT. I ta-mining e machine-learning che possono essere
primi studiosi ad occuparsi di questo settore aveva- utilizzate per migliorare gli ambienti di apprendi-
no capito che le comunità potevano esistere in rete mento basati sul web a vantaggio degli educatori,
(Rheingold, 1993), ma solo lentamente stava di- per valutare meglio il processo di apprendimento, e
ventando chiaro che l’apprendimento collaborativo a vantaggio degli studenti, per aiutarli nelle attività
poteva avvenire online (Dillenbourg, 1999). La di apprendimento» (Zaïane, 2001).
comprensione di come l’apprendimento si svolgeva Questa prospettiva è in contrasto con l’uso iniziale
online non era ancora sufficientemente matura da ri- del termine “Learning Analytics” per riferirsi alla bu-
chiedere lo sviluppo di tecniche di analisi basate su siness intelligence sull’e-learning (Mitchell & Costel-
presupposti pedagogici e incentrate sui dati degli lo, 2000).
studenti.
L’ORIGINE DELLE PROSPETTIVE
INIZIO DEL 21° SECOLO: ORIENTATE ALL’APPRENDIMENTO
TECNICHE DI ANALISI GUIDATE DAI DATI Accanto ad un approccio alle tecniche di analisi gui-
Nel corso dei successivi tre anni, la situazione cam- date dai dati, a partire dal 2003 cominciarono ad
biò. L’affermarsi della seconda generazione del web, emergere approcci basati su aspetti sociali e peda-
il web “in lettura/scrittura”, aveva aperto nuove pos- gogici. Uno sviluppo significativo venne dall’integra-
sibilità per l’aggregazione di contenuti web prove- zione della Social Network Analysis (SNA) all’inter-
nienti da diverse fonti, per la loro elaborazione e lo no degli strumenti utilizzati
scambio dei risultati con altri software (Berners-Lee, per l’analisi dell’apprendimen- 4 www.educationaldatamining.org142 R. Ferguson
to. Il lavoro di Aviv, De Laat e dei loro colleghi è sta- se per il lavoro di Lave e Wenger (1991; Wenger,
to esplicitamente collocato all’interno del paradigma 1998) sull’apprendimento situato e sulle comunità
costruttivista che considera lo sviluppo della cono- di pratica.
scenza come risultato della negoziazione sociale
(Aviv, Erlich, Ravid, & Geva, 2003; De Laat, Lally, COMPARSA DEI FATTORI
Lipponen, & Simons, 2006). L’ uso di SNA, un me- POLITICI ED ECONOMICI
todo sviluppato nelle scienze sociali, ha permesso Intorno al 2007, i ricercatori nel settore del Learning
loro di svolgere indagini approfondite su reti costitui- Analytics avevano cominciato ad affrontare sia le sfi-
te da “attori” e le relazioni esistenti tra essi. La SNA de educative sia quelle tecnologiche. A partire da
considera ‘legati’ due attori se tra loro esiste una re- questo momento, si osserva un’accelerazione nello
lazione, e questi legami possono essere classificati sviluppo del settore, che viene sollecitato a fronteg-
come forti o deboli, a seconda della loro frequenza, giare nuove sfide, e conseguentemente riceve nuovi
qualità o importanza (Granovetter, 1973). Nel con- flussi di finanziamento.
testo dell’apprendimento, la SNA può essere usata Infatti, la Educause Review (Campbell, DeBlois, &
per studiare e incoraggiare connessioni cooperative Oblinger, 2007) presentò una visione desolante del
e collaborative tra studenti, docenti e risorse, aiu- sistema educativo degli Stati Uniti, e di altri paesi
tandoli ad ampliare e sviluppare le loro capacità (De sviluppati, secondo cui alcuni laureati erano privi
Laat, Lally, Lipponen, & Simons, 2007; Haythor- perfino delle competenze di base. Gli autori osserva-
nthwaite, 2006; Haythornthwaite & De Laat, rono che «l’Academic Analytics sta emergendo co-
2010). me un nuovo strumento in grado di affrontare quel-
Sebbene la SNA avesse solide radici nelle scienze la che sembra una sfida ingestibile». In un altro ar-
dell’apprendimento, passarono alcuni anni prima ticolo pubblicato nello stesso anno, Campbell e
che le teorie pedagogiche avessero un impatto diffu- Oblinger (2007) proposero una definizione di Aca-
so sulla letteratura relativa al Learning Analytics. Gli demic Analytics. Questa definizione collegava gli
strumenti analitici erano spesso presentati come aspetti tecnologici - ‘Academic Analytics combina
neutrali rispetto alla pedagogia. Ad esempio, GI- grandi insiemi di dati con tecniche statistiche e mo-
SMO5, uno strumento di monitoraggio dello studen- delli predittivi per migliorare il processo decisionale’
te, prendeva in considerazione aspetti sociali, cogni- - con gli aspetti educativi - ‘Academic Analytics ha
tivi e comportamentali dell’apprendimento. Anche le potenzialità per migliorare l’insegnamento, l’ap-
se le sue rappresentazioni grafiche permettevano prendimento e il successo degli studenti’ - nel con-
agli insegnanti di esplorare questi fattori, essi non testo politico - ‘entro il 2020 la quota complessiva
erano stati progettati per supportare alcun approc- della forza lavoro degli Stati Uniti con una laurea sa-
cio specifico all’insegnamento e all’apprendimento rà più bassa di quanto non fosse nel 2000’.
(Mazza & Milani, 2004). Anche CourseVis (Mazza
& Dimitrova, 2007) era neutrale rispetto alla peda- UN SETTORE IN RAPIDA ESPANSIONE
gogia, utilizzando i dati di un LMS per aiutare i do- L’influenza dei fattori di natura politica sul settore
centi a capire cosa stava succedendo nei corsi onli- delle tecniche di analisi, insieme con la crescente
ne e identificare coloro che necessitavano di un sup- maturità del settore dell’EDM - la cui prima confe-
porto supplementare. renza internazionale si tenne a Montreal nel 2008 -
Solamente nel 2008 le teorie pedagogiche iniziaro- portarono ad una scissione tra gli studi generici sul-
no a essere più presenti nella letteratura del settore, le tecniche di analisi nel settore educativo e l’EDM.
per cui cominciò a concretizzarsi un approccio alle Come risultato, la letteratura dei due settori si divi-
tecniche di analisi focalizzato sulla comprensione e se in due rami e i riferimenti fondamentali del setto-
sulla ottimizzazione dell’apprendimento. In parte, re EDM, identificati da Romero e Ventura (2007),
ciò fu dovuto al forte background pedagogico forni- furono soppiantati nella letteratura sulle tecniche di
to dagli esperti di Social Network Analysis come analisi nel settore educativo da riferimenti generici
Dawson (Dawson, 2008; Dawson, & McWilliam, alle rassegne del settore EDM (Romero & Ventura,
2008; Dawson, McWIlliam, & Tan, 2008). La loro 2007; Baker & Yacef, 2009). Nonostante la divisio-
visione socio-costruttivista, in cui il processo di ap- ne tra questi campi di studio, le linee di ricerca fu-
prendimento è facilitato dalla partecipazione dell’in- ture proposte all’interno di queste recensioni di EDM
dividuo alle interazioni sociali, affondava le sue ra- rimangono importanti nell’ambito della ricerca nel
dici nel lavoro dei principali teorici dell’educazione, settore delle tecniche di analisi in ambito educativo
tra cui Dewey (1938) e Vygotskij (1978). Le ricer- ancora oggi: estendere il focus oltre il Nord Ameri-
che di Vygotskij su come la conoscenza si muove tra ca, l’Europa occidentale e l’Australia/Nuova Zelan-
basi sociali e individuali influenzarono anche i lavo- da; rendere gli strumenti di data mining più facili da
ri sulla costruzione collaborativa della conoscenza utilizzare per gli insegnanti; standardizzare i metodi
(Suthers, Vatrapu, Medina, Joseph, & Dwyer, 2008) e i dati tra i sistemi; integrare gli strumenti di anali-
e questi gruppi di ricercatori condivisero un interes- si all’interno degli ambienti di e-learning; sviluppareTD Tecnologie Didattiche, 22(3) 143
tecniche di data mining specifiche per l’istruzione. utili e di “nudge analytics” che sollecita gli individui
I ricercatori stavano già lavorando su strumenti che ad intraprendere un’azione (Norris, Baer, & Offer-
potessero rispondere a queste sfide. Il Contextuali- man, 2009; Arnold, 2010; Carmean & Mizzi,
sed Attention Metadata (CAM) ha affrontato il pro- 2010). Il progetto Signals esplora grandi dataset e
blema della raccolta e della combinazione di dati applica test statistici al fine di prevedere, durante lo
provenienti da diversi strumenti, fornendo un meto- svolgimento dei corsi, quali studenti rischiano di ri-
do di raccolta dei metadati da strumenti di office-au- manere indietro. L’obiettivo è quello di produrre “ac-
tomation, browser web, lettori multimediali e comu- tionable intelligence”, guidando gli studenti verso
nicazione mediata dal computer, e portando questo risorse appropriate e spiegando come usarle. Un se-
insieme in un “attention” repository al fine di co- maforo mostra agli studenti se le cose stanno an-
struire una ricca fonte di informazioni sull’attenzio- dando bene (verde), oppure se sono stati classifica-
ne dell’utente (Wolpers, Najjar, Verbert, & Duval, ti come ad alto rischio (rosso) o a rischio moderato
2007). (giallo). I risultati riportati appaiono promettenti; gli
Sempre più spesso, gli strumenti di analisi utilizzati studenti nei gruppi sperimentali cercarono supporto
per affrontare queste sfide furono modellati su basi prima di quelli del gruppo di controllo, e un gruppo
pedagogiche e progettati per supportare l’apprendi- pilota ottenne il 12% in più di voti B/C e il 14% in
mento e l’insegnamento. LOCO-Analyst forniva un meno di D/F rispetto al gruppo di controllo (Arnold,
feedback focalizzato sulla qualità del processo di 2010).
apprendimento ed era stato collegato esplicitamen- Con strumenti sempre più potenti iniziarono a emer-
te dai suoi progettisti al requisito che i ricercatori di gere preoccupazioni riguardo l’etica e la privacy. Do-
tecnologie didattiche passassero dalla ricerca guida- vrebbe essere detto agli studenti che la loro attività
ta dalla tecnologia allo sfruttamento della tecnologia viene monitorata? Quante informazioni dovrebbero
per soddisfare i bisogni umani (Jovanovi et al., essere fornite a studenti, docenti, genitori, a chi rila-
2008). Lo SMILI☺ Open Learner Modelling Frame- scia borse di studio e ad altri stakeholder? Come do-
work è stato utilizzato per supportare la riflessione, vrebbero comportarsi i docenti? Gli studenti hanno
fornendo un metodo per la descrizione, l’analisi e la l’obbligo di chiedere aiuto? Sebbene queste doman-
progettazione di modelli di studenti partecipanti a de siano a tutt’oggi pertinenti e le risposte non sia-
corsi online (Bull & Kay, 2007). L’analisi delle reti no ancora state elaborate in dettaglio, Campbell
sociali divenne sempre più influente (De Laat, Lally, (2007) prese l’iniziativa in questo campo difficile,
Lipponen, & Simons, 2007; Borgatti, Mehra, Brass, non solo facendo emergere questi problemi, ma an-
& Labianca, 2009) e lo strumento Social Networks che proponendo un mezzo per affrontarli, utilizzan-
Adapting Pedagogical Practice (SNAPP) fu svilup- do un framework basato su definizioni, valori e prin-
pato per aiutare l’analisi dei modelli di interazione cipi che possono aiutare a identificare le aree pro-
nei corsi, mettendo a fuoco aspetti quali l’isolamen- blematiche.
to degli studenti, la creatività e la formazione di co-
munità (Dawson, Bakharia, & Heathcote, 2010). IL LEARNING ANALYTICS EMERGE
Aumentava anche l’interesse verso strumenti che COME UN SETTORE A SÉ STANTE
consentissero agli utenti di visualizzare dataset di Nel 2010, questo campo di studi subì un ulteriore
grandi dimensioni. Honeycomb supportava la visua- frazionamento, a causa della distinzione via via più
lizzazione di reti che includevano milioni di connes- netta del Learning Analytics rispetto all’Academic
sioni (van Ham, Schulz, & Dimicco, 2009). Lo stru- Analytics. Siemens, in un famoso post del suo blog,
mento open-source Gephi supportava il filtraggio, il propose una prima definizione:
clustering, la navigazione e la manipolazione dei da- “Il Learning Analytics è l’uso di dati intelligenti, di
ti di una rete (Bastian, Heymann, & Jacomy, 2009). dati prodotti dallo studente e di modelli di analisi per
Un terzo strumento, sense.us, supportava la colla- scoprire informazioni e connessioni sociali, e per
borazione asincrona, includendo l’annotazione gra- predire e dare consigli sull’apprendimento” (Sie-
fica e la condivisione delle viste, attraverso una va- mens, 2010).
rietà di tipi di visualizzazione (Heer, Viégas, & Wat- Questa definizione è stata poi rielaborata dalle suc-
tenberg, 2009). Altri lavori sulla visualizzazione si cessive discussioni tra ricercatori a livello internazio-
focalizzarono su come i segnali visivi potessero es- nale, discussioni che hanno portato alla definizione
sere utilizzati per supportare l’apprendimento, ad riportata nell’introduzione di questo articolo. La co-
esempio, aumentando la motivazione degli studenti munità del Learning Analytics nasce in occasione
nel lavorare con contenuti non obbligatori (Brusilov- della prima Conferenza internazionale su Learning
sky, Sosnovsky, & Yudelson, 2009). Analytics6, tenutasi a Banff, seguita in quello stesso
Uno strumento specifico, Signals, sviluppato presso anno dalla fondazione di SO-
la Purdue University, divenne un fiore all’occhiello LAR (Society for Learning 5 Ndt: https://moodle.org/plugins/view.php?
plugin=block_gismo
per l’Academic Analytics ed è anche citato come un Analytics Research). 6 First International Conference on Learning Analytics
esempio di “action analytics” che porta a risultati L’emergere del Learning Ana- and Knowledge LAK2011.144 R. Ferguson
lytics come un campo a sé stante ha determinato la Bachler, & Cannavacciuolo, 2011; Ferguson & Buc-
formazione di gruppi di studiosi concentrati sulle di- kingham Shum, 2011). Le “Discourse Analytics”
verse sfide che guidano la ricerca nel settore delle sono un’aggiunta relativamente recente all’insieme
tecniche di analisi in ambito educativo: di strumenti del Learning Analytics, ma essi attingo-
• L’EDM si focalizza sulla sfida tecnica: come pos- no da un ampio lavoro precedente in settori quali il
siamo estrarre valore da questi grandi insiemi di dialogo esplorativo (Mercer & Wegerif, 1999; Mer-
dati correlati all’apprendimento? cer, 2000), l’analisi semantica latente (Landauer,
• Il Learning Analytics si focalizza sulla sfida edu- Foltz, & Laham, 1998) e l’argomentazione suppor-
cativa: come possiamo ottimizzare le opportuni- tata dal computer (Thomason & Rider, 2008).Il ter-
tà di apprendimento online? mine ‘Social Learning Analytics’ ricopre anche ap-
• L’Academic Analytics si focalizza sulla sfida politi- procci “socializzati”, che possono essere applicati
ca/economica: come possiamo migliorare sensi- prontamente in contesti sociali. Questi includono i
bilmente le opportunità di apprendimento e i risul- content analytics - sistemi di raccomandazione e
tati scolastici a livello nazionale o internazionale? metodi automatizzati di osservazione, indicizzazio-
Sovrapposizioni tra i tre gruppi rimangono, ma ci so- ne e filtraggio delle risorse online capaci di guidare
no stati diversi tentativi di chiarire meglio i confini gli studenti attraverso l’oceano di risorse disponibili
tra i tre ambiti di ricerca. Long e Siemens (2011) si (Drachsler et al., 2010; Verbertet al., 2011). Que-
sono concentrati sui significati attuali e futuri, distin- ste analisi assumono un aspetto sociale quando es-
guendo tra Learning Analytics - settore di cui bene- se attingono da tags, valutazioni e metadati forniti
ficiano gli studenti e i docenti, che si concentra su dagli studenti (vedi per esempio, Clow & Makriyan-
analisi a livello di corsi e dipartimenti - e Academic nis, 2011). La “Disposition Analytics” si focalizza
Analytics - settore di cui beneficiano finanziatori, sull’esperienza, sulla motivazione e sulle intelligen-
amministratori e marketing a livello istituzionale; fi- ze7 che influenzano le risposte alle opportunità di
nanziatori e amministratori a livello regionale; gover- apprendimento (Deakin Crick, Broadfoot, & Claxton,
ni e autorità scolastiche a livello (inter)nazionale. 2004), e sono ‘socializzati’ quando l’enfasi è sullo
Baepler e Murdoch (2010) hanno esaminato le di- studente assorbito in una relazione di mentoring o
stinzioni tra data mining, Academic Analytics e au- apprendimento.
dit dei sistemi istituzionali. Educause, che ha lavo- Lo sviluppo del Social Learning Analytics rappresen-
rato sulle definizioni di tecniche di analisi per diver- ta un allontanamento da un’indagine guidata dai da-
si anni, ha assunto una visione a più lungo termine, ti verso la ricerca più fortemente basata sugli studi
definendo uno spettro più ampio della terminologia sull’apprendimento e che riguarda, in maniera cre-
ed evidenziando le varie definizioni che sono emer- scente, la complessità della formazione permanen-
se nel corso dell’ultimo decennio (van Barneveld, te che avviene in una varietà di contesti. Costruire
Arnold, & Campbell, 2012). un quadro olistico dei progressi degli studenti e te-
Lo sviluppo del Learning Analytics è stato amplifica- nere i sentimenti in considerazione al fine di abilita-
to dalla sua inclusione nel NCM Horizon Report del re ‘sistemi computerizzati per interagire con gli stu-
2011 (Johnson, Smith, Willis, Levine, & Haywood, denti e fornire sostegno emotivo’ è vista ora come
2011). Questo report è stato uno di una serie di re- una reale possibilità (Blikstein, 2011: p.110). Nuo-
port incentrati sulle tecnologie emergenti e sul loro vi strumenti come GRAPPLE Visualisation Infra-
potenziale impatto e utilizzo nell’insegnamento, nel- structure Service (GVIS) non si basano su un solo
l’apprendimento e nella ricerca creativa. Il report VLE, ma possono estrarre dati provenienti da diver-
identificava il Learning Analytics come una tecnolo- se componenti del Personal Learning Environment
gia degna di attenzione. Anche il report del 2012 (PLE) di uno studente e utilizzare questi dati per
(Johnson, Adams, & Cummins, 2012) includeva il supportare abilità metacognitive come l’auto-rifles-
Learning Analytics, e sottolineava come sarebbe sta- sione (Mazzola & Mazza, 2011).
to adottato in maniera diffusa nell’arco di 2-3 anni,
analogamente al social Learning Analytics, un sot- SFIDE FUTURE
toinsieme della disciplina. Sfida 1: costruire legami forti
Queste tecniche di analisi sono fortemente radicate con le scienze dell’apprendimento
nella teoria dell’apprendimento e focalizzano l’atten- Lavori incentrati su cognizione, metacognizione e
zione su elementi che sono rilevanti quando si ap- pedagogia sono sotto-rappresentati tra i riferimenti
prende in una cultura online partecipativa (Ferguson fondamentali individuati in questo articolo. La com-
& Buckingham Shum, 2012). Approcci di analisi prensione e l’ottimizzazione dell’apprendimento ri-
che possono essere classificati in questo modo in- chiede una buona comprensione di come si appren-
cludono intrinsecamente forme sociali di analisi: de, come si può facilitare l’apprendimento, e del-
analisi dei social network e l’importanza di fattori quali l’identità, la reputazione
7 Ndt: L’autrice parla di “intelligences” riferendosi alle
intelligenze multiple e ai diversi stili di apprendimento e analisi del discorso (De Liddo, e le emozioni. Poiché il Learning Analytics emerge
cognitivi. Buckingham Shum, Quinto, da settori ampi come quello delle tecniche di anali-TD Tecnologie Didattiche, 22(3) 145
si e del data mining, distinguendosi da Academic le raccomandazioni fornite dagli strumenti di Lear-
Analytics e EDM, i ricercatori dovranno costruire le- ning Analytics. Per i ricercatori non esiste un meto-
gami forti con le scienze dell’apprendimento. Que- do condiviso per ottenere il consenso informato per
sto ha il potenziale per essere un processo a due vie, l’utilizzo dei dati durante lo svolgimento di un corso,
con il Learning Analytics che contribuisce a costitui- e non ci sono procedure standard che consentono
re la base per una buona progettazione dell’appren- agli studenti di rifiutare o di eliminare la registrazio-
dimento, una pedagogia efficace che aumenta l’au- ne dei dati analitici che li riguardano. Al momento,
to-consapevolezza dello studente. questi aspetti sono stati identificati come problemi,
ma nessun quadro etico dettagliato è stato sviluppa-
Sfida 2: sviluppare metodi di lavoro to per il Learning Analytics. Questa è una necessità
con insiemi di dati diversificati al fine di urgente per il settore, e ogni ricercatore potrebbe
ottimizzare gli ambienti di apprendimento svolgere un ruolo attivo includendo una sezione
Capire e ottimizzare gli ambienti in cui avviene l’ap- esplicita relativa ai fattori etici all’interno dei propri
prendimento introduce una seconda sfida. Sempre articoli e pubblicazioni.
più spesso, gli studenti saranno alla ricerca di sup-
porto dal Learning Analytics al di fuori del VLE o CONCLUSIONI
LMS, essendo impegnati nella formazione perma- Durante l’ultimo decennio, il settore del Learning
nente in ambienti aperti, informali o blended. Ciò ri- Analytics è emerso come una area di ricerca signifi-
chiederà uno spostamento verso insiemi di dati e lo- cativa nell’ambito del Technology-Enhanced Lear-
ro combinazioni più stimolanti, includendo i dati da ning. Una analisi dei punti di riferimento fondamen-
dispositivi mobili, i dati biometrici e i dati legati al- tali del settore dimostra che la combinazione della
l’umore. Al fine di risolvere i problemi affrontati da- disponibilità di grandi insiemi di dati, dell’emergere
gli studenti nei diversi ambienti, i ricercatori dovran- dell’apprendimento online su larga scala, e delle pre-
no indagare su quali sono questi problemi e su co- occupazioni politiche riguardo gli standard educativi
me viene percepito il successo dagli studenti. ha portato allo sviluppo di questo settore. Esso si di-
stingue per il suo interesse a fornire valore aggiunto
Sfida 3: focalizzarsi sulle prospettive degli studenti agli studenti, sia in contesti formali, informali o blen-
Un focus sulle prospettive degli studenti sarà essen- ded. Il Learning Analytics è impiegato per capire e ot-
ziale per lo sviluppo di analisi legate alle loro esigen- timizzare sia l’apprendimento che gli ambienti in cui
ze, piuttosto che alle esigenze delle istituzioni. Tale esso avviene. Anche se si tratta di una nuova area di
prospettiva ha il potenziale di estendere i criteri per il ricerca, essa si appoggia su una consistente base di
successo dell’apprendimento al di là dei voti e della lavoro in settori correlati, e ha già sviluppato una
persistenza per includere fattori quali la motivazione, gamma di strumenti e metodi che offrono un poten-
la fiducia, il divertimento, la soddisfazione e la corri- ziale interessante. Questo articolo ha individuato
spondenza con i propri obiettivi di carriera. Si potreb- quattro sfide significative che questo campo deve af-
be anche riallineare il lavoro sulla valutazione, allon- frontare adesso: integrare l’esperienza delle scienze
tanandolo da una valutazione sommativa volta ad dell’apprendimento, lavorare con una gamma più
analizzare gli obiettivi raggiunti dagli studenti, verso ampia di dataset, relazionarsi con le prospettive del-
una valutazione formativa che aiuta gli studenti a lo studente e sviluppare un insieme di linee guida eti-
crescere. Per raggiungere questo obiettivo, saranno che. Chatti e i suoi colleghi (2012) propongono un
necessari metodi di reporting e visualizzazione perso- modello di riferimento per il Learning Analytics che
nalizzati, che possano essere facilmente compresi supporterà la comunicazione tra i ricercatori che cer-
dagli studenti e che siano chiaramente collegati a cano di affrontare non solo queste quattro sfide, ma
meccanismi per migliorare e ottimizzare il loro ap- anche quelle che si presenteranno durante lo studio
prendimento. In molti casi, il processo di analisi do- delle questioni tecnologiche e pedagogiche attorno
vrà essere trasparente, permettendo agli studenti di all’evoluzione del Learning Analytics.
rispondere con feedback che possono essere utilizza-
ti per affinare le analisi, e consentendo loro di vede-
re come vengono utilizzati i dati. La traduzione dell’articolo, a cura di Davide Taibi
e Giovanni Fulantelli, viene qui pubblicata per
Sfida 4: sviluppare e applicare gentile concessione dell’autrice e dell’editore.
un chiaro insieme di linee guida etiche
Raccogliere queste sfide richiederà decisioni riguar- L’articolo originale è pubblicato da Inderscience
danti la proprietà e la gestione dei dati. I punti di ri- sulla rivista International Journal of Technology
ferimento fondamentali all’interno del settore non Enhanced Learning (IJTEL), 4(5/6), 2012.
rendono chiaro quali diritti hanno gli studenti in re- doi: 10.1504/IJTEL.2012.051816.
lazione ai propri dati, o in che misura essi hanno la Tutti i diritti dell’articolo originale sono riservati e
responsabilità delle azioni effettuate sulla base del- appartengono a Inderscience.146 R. Ferguson
BIBLIOGRAFIA
Arnold, K. (2010). Signals: applying academic Campbell, J.P. (2007). Utilizing Student Data learning and tutoring activities in networked
analytics. Educause Quarterly, 33(1), 10. within the Course Management System to De- learning communities: a multi-method ap-
termine Undergraduate Student Academic Suc- proach. International Journal of Web Based
Aviv, R., Erlich, Z., Ravid, G., & Geva, A. (2003). cess: An Exploratory Study. Retrieved from Pro- Communities, 2(4), 394-412.
Network analysis of knowledge construction in Quest Dissertations and Theses database.
asynchronous learning networks. Journal of (AAT 304837810) De Laat, M., Lally, V., Lipponen, L., & Simons, R.-
Asynchronous Learning Networks, 7(3), 1-23. J. (2007). Investigating patterns of interaction in
Campbell, J.P., DeBlois, P., & Oblinger, D. (2007). networked learning and computer-supported
Baepler, P., & Murdoch, C. (2010). Academic Academic analytics: a new tool for a new era. collaborative learning: a role for social network
analytics and data mining in higher educa- Educause Review, 42(4), 40-57. analysis. International Journal of Computer
tion. International Journal for the Scholar- Supported Collaborative Learning, 2, 87-103.
ship of Teaching and Learning, 4(2), 1-9. Campbell, J.P., & Oblinger, D. (2007). Academic
Analytics. Educause. De Liddo, A., Buckingham Shum, S., Quinto, I.,
Baker, R., & Yacef, K. (2009). The state of edu- Bachler, M., & Cannavacciuolo, L. (2011). Dis-
cational data mining in 2009: a review and Carmean, C., & Mizzi, P. (2010). The case for course-centric learning analytics. Proceedings
future visions. Journal of Educational Data nudge analytics. Educause Quarterly, 33(4). of the 1st International Conference on Learning
Mining, 1(1), 3-17. Analytics and Knowledge, (pp. 23-33). Banff,
Chatti, M., Dyckhoff, A., Schroeder, U., & Thüs, H. Alberta, Canada.
Bastian, M., Heymann, S., & Jacomy, M. (2009). (2012). Learning analytics: a review of the state
Gephi: an open source software for exploring of the art and future challenges. International Deakin Crick, R., Broadfoot, P., & Claxton, G.
and manipulating networks. In Proceedings of Journal of Technology Enhanced Learning, (2004). Developing an effective lifelong learning
the Third International Conference on Weblogs 4(5/6). inventory: the ELLI project. Assessment in Edu-
and Social Media, ICWSM 2009, San Jose, Cal- cation: Principles, Policy & Practice, 11(3),
ifornia, USA, May 17-20, 2009 (pp. 361-362). Clow, D., & Makriyannis, E. (2011). iSpot 247-272.
Menlo Park, CA: AAAI Press. analysed: participatory learning and reputation.
doi: 10.13140/2.1.1341.1520 Proceedings of the 1st International Confer- Dewey, J. (1938). Experience and Education. Lon-
ence on Learning Analytics and Knowledge, don & New York: Macmillan.
Berners-Lee, T., Hendler, J., & Lassila, O. (2001). (pp. 34-43). Banff, Alberta, Canada.
The Semantic Web. Scientific American, 35-43. Dillenbourg, P. (1999). Collaborative Learning:
Dawson, S. (2008). A study of the relationship be- Cognitive and Computational Approaches. Ox-
Blikstein, P. (2011). Using learning analytics to tween student social networks and sense of ford: Elsevier Science.
assess students’ behavior in open-ended community. Educational Technology and Socie-
programming tasks. Proceedings of the 1st ty, 11(3), 224-238. Drachsler, H., Bogers, T., Vuorikari, R., Verbert, K.,
International Conference on Learning Ana- Duval, E., Manouselis, N., & Wolpers, M. (2010).
lytics and Knowledge (p. 110). Banff, Alber- Dawson, S. (2009). Seeing the learning commu- Issues and considerations regarding sharable
ta, Canada: ACM Press. nity: an exploration of the development of a re- data sets for recommender systems in technol-
source for monitoring online student networking. ogy enhanced learning. Procedia Computer,
Borgatti, S.P., Mehra, A., Brass, D., & Labianca, G. British Journal of Educational Technology, 1(2), 2849-2858.
(2009). Network analysis in the social sciences. 41(5), 736-752.
Science, 323(5926), 892-895. Dringus, L. P., & Ellis, T. (2005). Using data mining
Dawson, S., & McWilliam, E. (2008). Investigating as a strategy for assessing asynchronous dis-
Britain, S., & Liber, O. (2004). A Framework for the the Application of IT Generated Data as an Indi- cussion forums. Computers & Education,
Pedagogical Evaluation of eLearning Environ- cator of Learning and Teaching Performance. 45(1), 141-160.
ments. JISC. Canberra: Australian Learning and Teaching
Council. EU Expert Group. (2010). Assessing Europe’s
Brusilovsky, P., Sosnovsky, S., & Yudelson, M. University-Based Research. Brussels, Belgium:
(2009). Addictive links: the motivational value Dawson, S., Bakharia, A., & Heathcote, E. (2010). European Commission.
of adaptive link annotation. The New Review of SNAPP: Realising the affordances of real-time
Hypermedia and Multimedia, 15(1), 97-118. SNA within networked learning environments. Ferguson, R., & Buckingham Shum, S. (2011).
Proceedings of the 7th International Confer- Learning analytics to identify exploratory dia-
Buckingham Shum, S., Gasevic, D., & Ferguson, R. ence on Networked Learning, (pp. 125-133). logue within synchronous text chat. Proceed-
(Eds.). (2012). LAK ‘12: Proceedings of the 2nd Aalborg, Denmark. ings of the 1st International Conference on
International Conference on Learning Analytics Learning Analytics and Knowledge, (pp. 99-
and Knowledge. Vancouver, BC, Canada - April Dawson, S., McWIlliam, E., & Tan, J.-L. (2008). 103). Banff, Alberta, Canada.
29 - May 02, 2012. New York, NY, USA: ACM. Teaching smarter: how mining ICT data can in-
form and improve learning and teaching prac- Ferguson, R., & Buckingham Shum, S. (2012).
Bull, S., & Kay, J. (2007). Student Models that In- tice. Proceedings Ascilite Melbourne 2008, (pp. Social learning analytics: five approaches. Pro-
vite the Learner In: The SMILI Open Learner 221-230). Melbourne, Australia. ceedings of the 2nd International Conference
Modelling Framework. International Journal of on Learning Analytics and Knowledge, (pp. 23-
Artificial Intelligence in Education, 17(2), 89- De Laat, M., Lally, V., Lipponen, L., & Simons, R.- 33). Vancouver, British Columbia, Canada.
120. J. (2006). Analysing student engagement withTD Tecnologie Didattiche, 22(3) 147
BIBLIOGRAFIA
Granovetter, M. S. (1973). The strength of weak Mazza, R., & Dimitrova, V. (2007). CourseVis: A ing Analytics?. [web log post] Elearnspace.org.
ties. The American Journal of Sociology, graphical student monitoring tool for supporting Retrieved from http://www.elearnspace.org/
78(6), 1360-1380. instructors in web-based distance courses. In- blog/2010/08/25/what-are-learning-analytics/
ternational Journal of Human-Computer Stud-
Haythornthwaite, C. (2006). Facilitating collabo- ies, 65(2), 125-139. Suthers, D., Vatrapu, R., Medina, R., Joseph, S., &
ration in online learning. Journal of Asynchro- Dwyer, N. (2008). Beyond threaded discussion:
nous Learning Networks, 10(1), 7-24. Mazza, R., & Milani, C. (2004). GISMO: a graphi- Representational guidance in asynchronous col-
cal interactive student monitoring tool for laborative learning environments. Computers &
Haythornthwaite, C., & De Laat, M. (2010). So- course management systems. The T.E.L.’04 Education, 50(4), 1103-1127.
cial networks and learning networks: using so- Technology Enhanced Learning’04 Internation-
cial network perspectives to understand social al Conference. Milan, Italy. Thomason, N., & Rider, Y. (2008). Cognitive and
learning. Proceedings of the 7th International pedagogical benefits of argument mapping:
Conference on Networked Learning, (pp. 183- Mazzola, L., & Mazza, R. (2011). Visualizing L.A.M.P. guides the way to better thinking. In A.
190). Aalborg, Denmark. learner models through data aggregation: a test Okada, S. Buckingham Shum, & T. Sherborne,
case. Proceedings of the Red-Conference, Re- Knowledge Cartography: Software Tools and
Heer, J., Viégas, F. B., & Wattenberg, M. (2009). thinking Education in the Knowledge Society, Mapping Techniques (pp. 113-130). London:
Voyagers and voyeurs: Supporting asynchro- (pp. 372- 380). Monte Verità, Switzerland. Springer.
nous collaborative visualization. Communica-
tions of the ACM, 52(1), 87-97. McIntosh, N. (1979). Barriers to implementing re- Tinto, V. (1997). Colleges as communities: taking
search in higher education. Studies in Higher research on student persistence seriously. The
Johnson, L., Smith, R., Willis, H., Levine, A., & Education, 4(1), 77-86. Review of Higher Education, 21(2), 167-177.
Haywood, K. (2011). The Horizon Report:
2011 Edition. Austin, Texas: The New Media Mercer, N. (2000). Words and Minds: How We Use van Barneveld, A., Arnold, K. E., & Campbell, J.P.
Consortium. Language To Think Together. London: Routledge. (2012). Analytics in Higher Education: Estab-
lishing a Common Language. EDUCAUSE.
Johnson, L., Adams, S., & Cummins, M., (2012). Mercer, N., & Wegerif, R. (1999). Is “exploratory
The NMC Horizon Report: 2012 Higher Educa- talk” productive talk?, Learning with computers: van Ham, F. Schulz, H.J., & Dimicco, J.M. (2009).
tion Edition. Austin, Texas: The New Media Con- analysing productive interaction. New York: Honeycomb: Visual Analysis of Large Scale So-
sortium. Routledge. cial Networks. In T. Gross et al. (Eds.), Human-
Computer Interaction - INTERACT 2009, Lec-
Jovanovic, J., Gasevic, D., Brooks, C., Devedzic, V., Mitchell, J., & Costello, S. (2000). International e- ture Notes in Computer Science: Vol. 5727, (pp.
Hatala, M., Eap, T., & Richards, G. (2008). LO- VET Market Research Report: A Report on Inter- 429-442). Berlin, Heidelberg, DE: Springer.
CO-analyst: semantic web technologies in national Market Research for Australian VET doi: 10.1007/978-3-642-03658-3_47
learning content usage analysis. International Online Products and Services. Sydney, Aus-
Journal of Continuing Engineering Education tralia: John Mitchell & Associates and Education Verbert, K., Drachsler, H., Manouselis, N.,
and Life Long Learning, 18(1), 54-76. Image. Wolpers, M., Vuorikari, R., & Duval, E. (2011).
Dataset-driven research for improving recom-
Landauer, T., Foltz, P., & Laham, D. (1998). An in- Norris, D. B. (2008). Action analytics: measuring mender systems for learning. Proceedings of
troduction to latent semantic analysis. Dis- and improving performance that matters in the 1st International Conference on Learning
course Process, 25(2-3), 259-284. higher education. EDUCAUSE Review, 43(1). Analytics and Knowledge, (pp. 44-53). Banff,
Alberta, Canada.
Lave, J., & Wenger, E. (1991). Situated Learn- Norris, D., Baer, L., & Offerman, M. (2009). A na-
ing: Legitimate Peripheral Participation. tional agenda for action analytics. Paper pre- Vygotskyij, L. S. (1978). Mind in Society: The De-
Cambridge: Cambridge University Press. sented at the National Symposium on Action velopment of Higher Psychological Process-
Analytics. es. Cambridge, MA: Harvard University Press.
Long, P., & Siemens, G. (2011). Penetrating the
fog: analytics in learning and education. ED- Rheingold, H. (1993). The Virtual Community: Wenger, E. (1998). Communities of Practice:
UCAUSE Review, 46(5), 31-40. Homesteading on the Electronic Frontier. Read- Learning, Meaning and Identity. Cambridge:
ing, Massachusetts: Addison-Wesley. Cambridge University Press.
Manyika, J., Chui, M., Brown, B., Bughin, J.,
Dobbs, R., Roxburgh, C., & Hung Byers, A. Romero, C., & Ventura, S. (2007). Educational da- Wolpers, M., Najjar, J., Verbert, K., & Duval, E.
(2011). Big Data: The Next Frontier for Innova- ta mining: A survey from 1995 to 2005. Expert (2007). Tracking actual usage: the attention
tion, Competition and Productivity. McKinsey Systems with Applications: An International metadata approach. Journal of Educational
Global Institute. Journal, 33(1), 135-146. Technology and Society, 10(3), 106-121.
Mazza, R., & Dimitrova, V. (2004). Visualising Romero, C., Ventura, S., & García, E. (2008). Data Zaïane, O. (2001). Web usage mining for a better
student tracking data to support instructors in mining in course management systems: Moodle web-based learning environment. Proceedings
web-based distance education. Proceedings of case study and tutorial. Computers & Educa- of the 4th IASTED International Conference on
the 13th international World Wide Web confer- tion, 51(1), 368-384. Advanced Technology for Education (CATE’01),
ence on Alternate track papers & posters, (pp. (pp. 60-64). Banff, Canada.
154-161). New York, NY, USA. Siemens, G. (2010, August 25). What Are Learn-Puoi anche leggere
