#LAK13 – Avvicinamento a Canvas e a Tableau Software

Mi sono iscritta al corso Learning Analytics and Knowledge 2013 nella convizione che possa essere un osservatorio interessante di quanto sta emergendo nel settore; l’interesse è legato all’esigenza di  evolvere il mio modo di essere lifelong learner attraverso i fenomeni emergenti e le  tecnologie digitali.

Avendo partecipato all’edizione precedente (LAK12), posso considerarmi sufficientemente informata sui temi salienti, sui vantaggi e sulle criticità. Ne ho scritto qui e qui.

Propongo le mappe eseguite con wikimindmap che visualizzano ciò che  Wikipedia in inglese propone su Learning Analytics:

Learning Analytics1 Learning Analytics2

e su EDM, Educational datata mining

Educational data mining

 

 

Una novità del corso è costituita da Canvas la (LMS) piattaforma utilizzata; è una buona occasione per provarla, dopo aver sperimentato Desire2Learn, Blackboard Learning System, Moodle . Mi rendo conto di avere una certa esperienza anche in materia di VLE.

Seguendo una comunicazione, apprendo dell’esistenza di Tableau Software che sarà usato nel corso; prima di procedere allo scaricamento del software estrapolo dalle FAQ del sito, nel tentativo di capire se sia per me una scelta opportuna, quanto segue.

«Tableau Public è un servizio gratuito che permette di pubblicare dati interattivi per il web anche a chi non ha nessuna capacità di programmazione. È usato da scrittori, blogger, studenti, professori, hobbisti, critici, cittadini e altro ancora.  Tableau Public include un prodotto gratuito desktop che è possibile scaricare e utilizzare per pubblicare visualizzazioni di dati interattive per il web. Il desktop Tableau Public salva il lavoro nel server Web pubblico Tableau – nulla viene salvato in locale sul proprio computer. Tutti i dati salvati  saranno accessibile a tutti su internet.»

Poiché non è  posso incorporare il contenuto ottenuto nel mio blog (wordpress) e condividerlo, comprendo che il software non fa per me; tuttavia esporando la galleria in cui sono presenti bellissimi esempi di visualizzazione dei dati, creati con Tableau Public, resto affascinata da ciò che vedo.

Scopro che il software è utilizzato anche da  Il blog sui dati del Sole 24 ORE – blog di informazione che si occupa di società, economia e ict con dati strutturati e infografiche; il riscontro: Data as Art, Italian Art.

 

Da una discussione estrapolo ciò che ritengo particolarmente interessante, riguarda le competenze che i singoli devono avere nell’apprendimento analytics.

Ecco la sintesi.

È improbabile che una sola persona di possieda tutte le competenze necessarie analisi di apprendimento; la natura della visualizzazione dei dati è un soggetto multi-disciplinare; competenze di base di tecnologia (il data mining, la visualizzazione delle informazioni) e lo sfondo di apprendimento di base, in modo da sapere che cosa sarebbe utile per studenti o insegnanti; la capacità di collaborare con qualcuno; pensiero creativo e critico per dare un senso ai dati e di essere in grado di identificare i modelli, la curiosità di esplorare e pensare in modo diverso, la formulazione di domande; resilienza e curiosità.

 

Concludo riportando lo slogan  che ho letto in questo sito «I dati vanno frequentati per dar loro confidenza»

 

 

 

 

 

 

#change11 – Chi cerca trova

Fin dalle prime battute mi infastidisco leggendo «Un po ‘tardivamente, si introduce la 28 esima settimana, ospite Tony Hirst. »

Leggo il suo post  e il fastidio aumenta quando apprendo che nonostante avesse avuto parecchio tempo a disposizione davanti  a sé non ha preparato niente.

Volendo essere positiva, penso che l’ospite abbia scelto  un approccio un po’ disinvolto, un modo come un altro per entrare in contatto con un pubblico più o meno vasto con leggerezza.

Guardo la presentazione che lo stesso autore definisce incompleta chiedendomi perché mai  perdo il mio tempo così. Poiché sono testarda leggo fino in fondo. Il messaggio esemplifica chi, imbattendosi in #change11, risponde secondo l’interesse, la disponibilità, la voglia, il coinvolgimento. Tutto sommato la lezione che non mi dice granché.

Ma è sufficiente la decisione di esplorare il suo Bookmarks  per vedere sparire la delusione iniziale.

Elenco il bottino che mi ha tenuto impegnata per un bel po’ di tempo:
1. Rappresentazione grafica su Google.com – Ora in 3D
2. Cosa fare con sei anni di dati del corso?!?! aprendo un link approdo su Gephi  una visualizzazione interattiva e una piattaforma di esplorazione per tutti i tipi di reti e sistemi complessi, dinamici e grafici gerarchici. Mi viene in mente di aver già incontrato questo strumento in Lak12 settimana 27 febbraio – 4 marzo 2012.
3. BBC Four – Storia del cristianesimo,  La Gran Bretagna è ricca di luoghi sacri. Due grandi tradizioni che spiccano sono i menhir dei  siti megalitici e le belle cattedrali. Il più famoso di questi sono Stonehenge e la cattedrale di Glastonbury, ma ciò che li ha sollevato sopra il resto? E perché, in una laica Gran Bretagna, sono ancora speciale per noi? Mi fermo per vedere il video .
4. Word Cloud Generator – Jason Davies voglio sperimentare il nuovo tool  perciò uso come testo Massive open online course   come è definito  definito da Wikipedia

Soddisfatta, pongo fine al post,  prima però voglio ringraziare l’ospite  Tony Hirst per aver  condiviso il suo Bookmarks.

 

#Lak12, Il prodotto sei tu

All’incirca un anno fa, Report, il programma d’inchiesta di Rai Tre condotto da Milena Gabanelli, ha dedicato la puntata del 10/04/2011 a Facebook e ai social network. Immediata è stata la reazione nella rete da parte di persone che, evidentemente, si sono sentite in qualche modo messe in discussione. La trasmissione e il dibattito che ne è seguito hanno costituito una sorta di cartina di tornasole relativamente alla consapevolezza richiesta a chi naviga, lavora, studia, interagisce in rete.

Sono andata a recuperare la puntata intitolata Il prodotto sei tu che si sposa perfettamente con l’argomento affrontato nel corso della quinta settimana di Lak12 di cui presento una sintesi.

Per accedere alla presentazione cliccare qui

 

 

#lak12, Riflessioni su casi ed esempi di attuazione dell’apprendimento analitico

Voglio oggi dedicare queste mie riflessioni al tema «Casi ed esempi di attuazione dell’apprendimento analitico» di#lak12. Nel farlo utilizzo le risorse segnalate:

  1. Knewton: Adaptive learning system:http://www.youtube.com/watch?v=LldxxVRj4FU

  2. Signals: Applying academic analytics

  3. Transforming learning through analytics – Rio Salado (starts at 19 min):http://educause.mediasite.com/Mediasite/Play/bdac04349c7246a6b6f949ded44397501d

  4. UMBC: Check my course activity:http://www.educause.edu/EDUCAUSE+Quarterly/EDUCAUSEQuarterlyMagazineVolum/VideoDemoofUMBCsCheckMyActivit/219113

Mi rendo conto di non potermi avvalere di Knewton: Adaptive learning system causa delle mie listening skills sulle quali ho ancora un bel po’ da lavorare.

Cerco allora di porre rimedio all’inconveniente documentandomi su Knewton: Adaptive learning system, apprendo che si tratta di un’azienda tecnologica americana che propone una piattaforma, il Knewton Adaptive Learning Platform ™, che consente di personalizzare in modo standardizzato i contenuti didattici per soddisfare le esigenze specifiche di ogni studente. Analizza i materiali di apprendimento basati su migliaia di punti-dati tra cui concetti, struttura, livello di difficoltà, formato-e Media; utilizza sofisticati algoritmi per ricostruire il pacchetto perfetto di contenuti per ogni studente.

Figura 1. I segnali stradali Verde, Giallo e Rosso

Segnali: l’applicazione Analytics in ambito accademico è un progetto dellaPurdue University che prevede un sistema di segnali, basato su un algoritmo, progettato per fornire agli studenti un preallarme di potenziali problemi di un corso, fornendo in tempo quasi reale aggiornamenti sullo stato di prestazioni e di impegno in un corso. Ogni aggiornamento fornisce allo studente dettagliate misure positive per evitare guai. È un rimedio che risponde all’esigenza di identificare gli studenti a rischio e aiutarli.

Trasformare Learning Attraverso Analytics: Una conversazione con George Siemens e Vernon Smith è una risorsa che propone dapprima una revisione delle attuali analisi di apprendimento nel settore dell’istruzione superiore, esplora poi le tendenze future e fornisce indicazioni. L’analisi dell’apprendimento può chiarire situazioni complesse e di aiutare a identificare uno studente a rischio. L’analisi, quando abbinata a risorse educative aperte, al web semantico, e ai contenuti di apprendimento personale e adattativo, suggerisce la prospettiva di un cambiamento sistemico. Con l’uso di sistemi di raccomandazione, le analisi delle reti sociali, analisi del discorso e percorsi di attività, modelli di apprendimento dei corsi esistenti può avere un futuro limitato.

E infine l’ultima risorsa: UMBC, Check my course activity. Si tratta di un’iniziativa promossa dall’Università del Meryland, Baltimore County per indagare se  tecnologia possa supportare l’apprendimento degli studenti, aumentando la consapevolezza di sé. Si sostanzia in uno strumento che consente agli studenti di confrontare il loro uso delle risorse nel sistema universitario del corso di gestione Blackboard con quello di altri studenti.

Ultimata la carrellata delle risorse è lecito a questo punto chiedersi se la nuova strada, avviata dal mondo degli affari ed ora battuta anche dal mondo della formazione, di utilizzare la tecnologia per ricavare attraverso l’analisi dei dati informazioni utilizzabili per modellare comportamenti, sia effettivamente efficace.

Per esempio, con riferimento al caso Knewton, sistema di apprendimento adattativo c’è da chiedersi di come possa avvenire la personalizzazione, al contrario sembra più verosimile che si tratti di una classificazione degli studenti secondo livelli diversi. O è da ritenere che i contenuti siano generati computazionalmente per ogni studente? Siemens però fa notare che la visione computazionale Wolfram dei contenuti di apprendimento e adattabilità è ancora lontana.

E ancora, è davvero pensabile che il sistema di segnali o che UMBC Check my course activity possano risolvere i problemi di rendimento e sostenere in modo proficuo gli studenti che come molti altri studenti universitari molto probabilmente si allontanano dalle aule perché non sopportano la vecchia lezione ex cathedra elemento cardine del modello che dagli Usa all’Europa è quello fin qui seguito nelle università di tutto il mondo?

Nutro seri dubbi. E allora? Riconosco che attraverso l’uso di strumenti di analisi accademiche le istituzioni, sulla base di dati acquisiti da una varietà di sistemi, sono in grado di acquisire dati sugli studenti e dei loro contesti, al fine di comprendere l’apprendimento e ottimizzare gli ambienti in cui si verifica; di prevedere il comportamento degli studenti e di agire su quella previsione. Tuttavia, parafrasando Siemens, dico che  Analytics non dovrebbe limitarsi a valutare solo quello che già si sta facendo, dovrebbe invece contribuire a cambiare il sistema. Come?

Il modello proposto da G. Siemens (dipositiva n°51) Transforming learning through analytics lo indica:

# Lak12 – Vantaggi e svantaggi dell’analisi dell’apprendimento

Mi propongo di tenere traccia del percorso che seguo in questo, per me nuovo corso connettivista,  perciò mi accingo a operare una sintesi di quanto ho compreso delle letture operate nello svolgersi della seconda settimana di #Lak12, in questo modo potrò contare, in vista di un elaborato conclusivo, di materiale già pronto.

L’argomento è Quali sono le analisi dell’ apprendimento?

Un po’ di lessico.

a) Big data: l’esplosione nella quantità (e talvolta, qualità) dei dati disponibili e potenzialmente rilevanti, conseguenza del tracce dell’identità digitale lasciate nel corso delle interazioni digitali.

Nell’ambito dell’istruzione l’analisi dei dati assume denominazioni diverse: b) EDM educativa data mining, c) analisi accademiche d) analisi di apprendimento.

Alcune definizioni dalle quali si evincono differenze.

  • Per analisi dell’ apprendimento s’intende la misurazione, la raccolta, analisi e reporting dei dati dei discenti e delle loro contesti, ai fini della comprensione e ottimizzazione dell’apprendimento e degli ambienti in cui si verifica.
  • L’analisi accademica si associa a grandi insiemi di dati con tecniche statistiche e modelli predittivi per migliorare il processo decisionale.
  • Educational Data Mining: è una disciplina emergente, riguarda lo sviluppo di metodi per esplorare i tipi unici di dati che provengono da contesti educativi. L’utilizzazione di questi metodi è finalizzata a una migliore comprensione degli studenti.

Le istanze.

Come sarà il futuro dell’istruzione? Saranno le nuove tecnologie a dominare? i dispositivi saranno informatici onnipresenti?

La ricerca dice che l’analisi di grandi dati costituirà la base di decisioni finalizzate a migliorare il rendimento e la produttività.

Nell’istruzione superiore i dati raccolti sono impressionanti ma la loro utilizzazione è inefficace nonostante sia quanto mai necessario valutare gli abbandoni annuali degli studenti per attivare interventi di supporto, pianificare e sapere dove collocare / distribuire le risorse.
Da più parti, sollecitazioni da internet, telefonia mobile, educazione aperta premono e sottolineano la necessità di mutare registro.

La scuola/ l’istruzione è giudicata poco efficace e non rende giustizia agli ingenti investimenti e costi. Ma mancano dati oggettivi per ispirare una riforma scolastica.

In che modo l’analisi di grandi dati potrà generare valore per l’istruzione superiore?

In vari modi, per esempio potrà:

  1. migliorare l’allocazione delle risorse, le decisioni amministrative ed organizzative
  2. identificare uno studente a rischio e fornire un intervento per aiutarlo a raggiungere il successo
  3. creare, attraverso l’analisi trasparente di dati, una comprensione condivisa dei successi dell’istituzione
  4. innovare e trasformare il sistema universitario  così come i modelli accademici e gli approcci pedagogici
  5. aiutare a dare un senso di argomenti complessi attraverso la combinazione di reti sociali,  reti tecniche e informazioni
  6. aumentare la produttività e l’efficacia organizzativa
  7. fornire agli studenti una panoramica delle proprie abitudini di apprendimento e avanzare raccomandazioni per il miglioramento.

Tabella: Analisi apprendimento e accademico - ricavata da G. Siemens e P. Long Penetrating the Fog: Analytics in Learning and Education

Conclusione.

L’analisi dell’apprendimento è ancora nelle prime fasi di attuazione e sperimentazione ma presenti sono le zone d’ombra, i timori che  riguardano la privacy, la profiliazione, la condivisione delle informazioni, la gestione dei dati.

#lak12 Primo contatto

«Tendenze e contesto: perché imparare analytics? Perché proprio adesso?» rappresenta il primo argomento di Lak12, il corso Learning Analytics and Knowledge, ospitato dalla Società per l’apprendimento Analitics Research .

È questa una rete interdisciplinare dei principali ricercatori internazionali che stanno esplorando il ruolo e l’impatto delle analisi sull’ insegnamento, sull’apprendimento, sulla formazione e sullo sviluppo.

Mossa dal desidero di comprendere un argomento verso il quale nutro dei pregiudizi  riconducibili probabilmente all’uso distorto dai dati e  alla dubbia trasparenza di cui si ha notizia, sono decisa a intraprendere un nuovo percorso di apprendimento.

Dalle risorse considerate ricavo elementi che permettono di delineare lo scenario riferimento.

Screenshort sessione in Blackboard Collaborate 24 gennaio 2012

L’esplosione della quantità di dati disponibili può essere resa manifesta presentando le diverse unità di misura della quantità di dati che nell’ordine sono: Kilobyte, Megabyte, Gigabyte,Terabyte, Petabyte, Exabyte.

L’utilizzazione di dati di grandi dimensioni può creare valore, essi sono diventati un importante settore di produzione.  Non è un caso se grandi aziende come Microsoft, IBM, Google e Amazon stanno facendo grossi investimenti in tecnologie e tecniche su come utilizzare strumenti di analisi.
Attraverso l’analisi dei dati è possibile

  • acquisire conoscenze con le quali migliorare le decisioni,  le prestazioni e risultati aziendali;
  • progredire nello sviluppo.

Rilevanti risultano le implicazioni dell’analisi dei dati su larga scala: trascendono il settore tech, hanno ricadute sul settore ambientale, coinvolgono questioni di giustizia sociale, di ricerca sanitaria e scientifica, e altro ancora.

l'iimagine rappresenta la mappa concettuale sulla formazione di data mining presentata nel corso del webinar.

Società di software, ricercatori, educatori e responsabili universitari stanno iniziando a riconoscere il valore dei dati nel migliorare non solo l’insegnamento e l’apprendimento, ma l’intero settore dell’educazione.

Mi conforta sapere che nel campo della formazione le applicazioni derivate dall’estrazione di dati  possano aiutare a delineare modelli di studente sulla base delle caratteristiche, degli stati, della motivazione, della metacognizione, dell’attitudine.

Riservo l’ultima considerazione ricordando che dovanno essere affrontate politiche relative alla privacy, alla sicurezza, alla proprietà intellettuale…