Per molti anni i Learning Analytics sono stati considerati uno degli strumenti più promettenti dell’innovazione educativa. L’idea era relativamente semplice: raccogliere dati sulle attività degli studenti per comprendere meglio come apprendono, individuare eventuali difficoltà e supportare docenti e istituzioni nella progettazione di percorsi sempre più efficaci. In questa prospettiva, i dati rappresentavano una sorta di specchio dell’apprendimento. Più informazioni venivano raccolte, maggiore sarebbe stata la capacità di descrivere ciò che accadeva durante il processo educativo. Oggi, tuttavia, questa visione sta rapidamente diventando incompleta. L’intelligenza artificiale, gli algoritmi predittivi e i sistemi adattivi stanno trasformando i Learning Analytics in qualcosa di molto diverso. I dati non servono più soltanto a osservare l’apprendimento. Cominciano progressivamente a orientarlo, modificarlo e, in alcuni casi, persino a determinarlo.Indice degli argomenti
Dai dati descrittivi ai Learning Analytics prescrittiviIntelligenza artificiale, trasparenza e diritti degli studentiQuando la tecnologia incorpora la pedagogiaIl nuovo ruolo dell’insegnante nei Learning Analytics 2.0Governance dei dati educativi e responsabilità algoritmicaPersonalizzazione dell’apprendimento e rischio di isolamentoLa sfida culturale dei Learning Analytics 2.0Dai dati descrittivi ai Learning Analytics prescrittiviÈ una trasformazione che sta avvenendo quasi silenziosamente. Ogni piattaforma educativa registra ormai una quantità enorme di informazioni: tempi di permanenza, frequenza di accesso, modalità di navigazione, errori ricorrenti, livelli di partecipazione, progressi individuali, attività collaborative e perfino modalità di interazione con gli strumenti di intelligenza artificiale. Fino a pochi anni fa questi dati venivano utilizzati prevalentemente per produrre report destinati a docenti e dirigenti scolastici. Oggi, invece, alimentano sistemi intelligenti capaci di prendere decisioni autonome. Possono suggerire contenuti differenti, modificare il livello di difficoltà degli esercizi, cambiare la sequenza delle attività, proporre percorsi alternativi e individuare automaticamente studenti considerati a rischio. L’algoritmo smette così di essere un osservatore e diventa progressivamente un attore del processo educativo.Questo cambiamento rappresenta uno dei passaggi più significativi dell’intero digital learning. Per la prima volta nella storia dell’educazione, una parte crescente delle decisioni didattiche viene costruita dinamicamente attraverso sistemi che apprendono dai dati prodotti dagli stessi studenti. L’intelligenza artificiale non sostituisce il docente, ma interviene continuamente nel definire tempi, contenuti, attività e modalità di apprendimento. È il passaggio dai Learning Analytics descrittivi ai Learning Analytics prescrittivi, nei quali il sistema non si limita a spiegare ciò che sta accadendo, ma suggerisce cosa dovrebbe accadere successivamente.Intelligenza artificiale, trasparenza e diritti degli studentiLe principali organizzazioni internazionali osservano con grande attenzione questa evoluzione. L’OCSE evidenzia come l’integrazione tra dati educativi e intelligenza artificiale possa contribuire a migliorare personalizzazione, inclusione e qualità dell’apprendimento, mentre l’UNESCO richiama la necessità di garantire trasparenza, supervisione umana e tutela dei diritti degli studenti nei sistemi educativi basati sull’AI (OECD, Digital Education Outlook; UNESCO, Guidance for Generative AI in Education and Research). Le opportunità sono enormi, ma altrettanto rilevanti sono le responsabilità che accompagnano questa trasformazione.Il punto centrale riguarda infatti la natura stessa della personalizzazione. Per anni abbiamo immaginato percorsi educativi adattivi come una forma di attenzione crescente ai bisogni individuali degli studenti. Ma quando questa personalizzazione viene costruita attraverso algoritmi che analizzano continuamente dati comportamentali, emerge una questione completamente nuova. Chi decide quale percorso sia più adatto? Su quali criteri vengono costruite queste raccomandazioni? Quali modelli educativi, culturali e cognitivi sono incorporati nei sistemi che orientano l’apprendimento? Ogni algoritmo educativo contiene inevitabilmente una visione, spesso implicita, di ciò che significa imparare bene.Quando la tecnologia incorpora la pedagogiaÈ qui che i Learning Analytics cessano di essere una questione esclusivamente tecnologica e diventano un tema pedagogico e politico. Perché i dati non sono mai completamente neutrali. Riflettono il modo in cui osserviamo la realtà, le variabili che decidiamo di misurare e gli obiettivi che scegliamo di perseguire. Se un algoritmo considera prioritario ridurre gli errori, tenderà a costruire percorsi differenti rispetto a un sistema progettato per favorire creatività, collaborazione o pensiero divergente. La tecnologia non sostituisce la pedagogia. La incorpora.Questa consapevolezza impone una riflessione che il sistema educativo non può più rimandare. La vera domanda non riguarda infatti la quantità di dati che raccoglieremo nelle scuole del futuro, ma il tipo di educazione che quegli stessi dati contribuiranno a costruire. Perché quando un algoritmo inizia a suggerire cosa imparare, quando impararlo e in quale modo farlo, la linea di confine tra supporto tecnologico e governo dell’apprendimento diventa estremamente sottile.Il nuovo ruolo dell’insegnante nei Learning Analytics 2.0Se i Learning Analytics stanno progressivamente evolvendo da strumenti di osservazione a strumenti di governo dell’apprendimento, allora cambia inevitabilmente anche il ruolo dell’insegnante. Per molti anni il docente ha utilizzato dati, verifiche e osservazioni per comprendere il percorso dei propri studenti e adattare di conseguenza la didattica. Domani, invece, si troverà sempre più spesso a interagire con piattaforme che avranno già elaborato analisi, individuato criticità e formulato suggerimenti operativi. L’intelligenza artificiale sarà in grado di segnalare studenti a rischio di dispersione, prevedere difficoltà future, proporre attività personalizzate e suggerire interventi educativi differenziati. Sarebbe però un errore interpretare questa evoluzione come una progressiva sostituzione del giudizio professionale del docente. Quanto più sofisticati diventeranno gli algoritmi, tanto più sarà necessario un insegnante capace di interpretarli criticamente e di decidere quando seguirli e quando, invece, metterli in discussione.È proprio qui che emerge una delle questioni più delicate dell’intero processo di trasformazione digitale della scuola. Gli algoritmi lavorano sulla base di probabilità, correlazioni e modelli statistici costruiti analizzando enormi quantità di dati. Possono individuare regolarità che sfuggono all’osservazione umana, ma non comprendono il significato profondo delle situazioni educative. Uno studente può apparire poco coinvolto perché attraversa un momento familiare difficile, può mostrare un improvviso calo del rendimento a causa di fattori emotivi oppure manifestare modalità di apprendimento originali che un sistema automatico interpreta erroneamente come anomalie. L’educazione continua a essere un fenomeno umano prima ancora che un fenomeno computazionale.Governance dei dati educativi e responsabilità algoritmicaPer questa ragione la governance dei Learning Analytics diventerà probabilmente uno dei grandi temi delle politiche educative del prossimo decennio. Non basterà stabilire quali dati raccogliere o quali piattaforme adottare. Sarà necessario definire chi prende realmente le decisioni, come vengono spiegate le raccomandazioni prodotte dagli algoritmi, quali margini di autonomia restano ai docenti e quali diritti devono essere garantiti agli studenti. La recente evoluzione della normativa europea sull’intelligenza artificiale va proprio in questa direzione, sottolineando l’importanza della supervisione umana, della trasparenza algoritmica e della responsabilità nelle decisioni automatizzate. La qualità di un ecosistema educativo non dipenderà soltanto dalla precisione degli algoritmi, ma dalla capacità di governarli democraticamente.Esiste poi un’altra questione che raramente entra nel dibattito pubblico. Ogni sistema di Learning Analytics produce inevitabilmente una rappresentazione dello studente. Attraverso dati, indicatori e modelli predittivi si costruisce una sorta di identità digitale educativa che descrive punti di forza, fragilità, comportamenti e traiettorie di apprendimento. Questa rappresentazione può essere estremamente utile per personalizzare gli interventi, ma rischia anche di influenzare aspettative e decisioni. Se un algoritmo identifica ripetutamente uno studente come “a rischio”, esiste il pericolo che quella previsione finisca per condizionare inconsapevolmente anche lo sguardo degli adulti. La previsione non deve mai trasformarsi in una profezia che contribuisce a realizzare sé stessa.Personalizzazione dell’apprendimento e rischio di isolamentoAnche il concetto di personalizzazione merita una riflessione più attenta. Spesso immaginiamo percorsi adattivi come la soluzione ideale per rispettare i tempi e le caratteristiche di ciascuno. Ma l’educazione non consiste soltanto nel seguire inclinazioni individuali. Significa anche confrontarsi con ciò che è diverso, affrontare difficoltà impreviste, imparare a collaborare con persone che ragionano in modo differente. Se la personalizzazione diventasse eccessiva, il rischio sarebbe quello di costruire esperienze educative perfettamente efficienti ma progressivamente più isolate. Una scuola governata esclusivamente dai dati potrebbe conoscere molto bene ogni singolo studente, ma perdere la ricchezza che nasce dall’apprendimento come esperienza collettiva.Per questo motivo il digital learning del futuro dovrà trovare un equilibrio nuovo tra intelligenza artificiale e intelligenza pedagogica. I dati potranno suggerire, anticipare, evidenziare connessioni invisibili e migliorare la qualità delle decisioni educative. Ma il significato di quelle decisioni continuerà a dipendere dalle persone. Saranno i docenti, insieme agli studenti e alle istituzioni, a stabilire quali obiettivi educativi perseguire, quali valori trasmettere e quale idea di cittadino costruire attraverso la scuola. Nessun algoritmo può sostituire questa responsabilità.La sfida culturale dei Learning Analytics 2.0Forse è proprio questa la lezione più importante dei Learning Analytics 2.0. Per anni abbiamo immaginato che il valore dei dati consistesse nella loro capacità di descrivere la realtà. Oggi comprendiamo che i dati partecipano sempre più attivamente alla costruzione di quella realtà. La sfida non è decidere se utilizzare i Learning Analytics, ma impedire che siano i Learning Analytics a decidere quale educazione vogliamo costruire. Perché nel momento in cui i dati iniziano a governare l’apprendimento, la tecnologia smette definitivamente di essere un semplice strumento e diventa parte integrante del progetto culturale di una società. Ed è proprio per questo che la loro governance rappresenterà una delle questioni più strategiche del digital learning nel prossimo decennio.
