CopertinaAnnamaria

Corrado Crocetta
Università degli Studi di Bari Aldo Moro
Presidente della SIS Società Italiana di Statistica

INTRODUZIONE

Negli ultimi decenni lo sviluppo dell’utilizzo di ambienti online per la formazione ha fatto emergere la disponibilità di grandi quantità di dati in relazione ai processi educativi. Tale disponibilità ha immediatamente stimolato l’utilizzo dei dati per descrivere, conoscere e, in de%nitiva, poter migliorare l’apprendimento, l’insegnamento, la piani%cazione e l’organizzazione della didattica.
Si sono affermate nuove aree disciplinari, per esempio quella dei Learning Analytics o dell’Educational Data Mining o dell’Educational Big Data Analysis. È stato un processo del tutto analogo a quello che ha fatto radicare una disciplina come la Psicometria.
Ma cosa hanno in comune questi “nuovi” ambiti disciplinari? La risposta è quanto mai semplice: l’applicazione di adeguati − a volte innovativi − approcci statistici a un preciso campo di indagine, quello educativo (in senso ampio) o quello psicologico-cognitivo (anche questo in senso ampio).
L’obiettivo di questo volume è quello di fornire un contributo per superare le “separazioni” disciplinari e mettere sullo stesso piano sia il contributo metodologico quantitativo sia quello applicativo in ambito educativo sollecitando l’avvicinamento di due comunità, quella degli statistici e quella dei pedagogisti, e quindi di due “culture” scienti%che e metodologiche. Non una via di mezzo ma un arricchimento reciproco.
L’invito è agli statistici a considerare l’ambito educativo come un ambito di interesse (dopo quello demogra%co, %sico, economico, %nanziario, sociologico, psicologico, sanitario, biologico ecc.) vista sia la grande quantità di dati attualmente disponibili sia il valore e la complessità delle problematiche di un comvi
plex social ground come quello dei processi di apprendimento, insegnamento, formazione, organizzazione delle istituzioni educative e così via.
L’invito è ai pedagogisti a rafforzare la cultura quantitativa, e quindi la comprensione e la capacità di utilizzo dei principali approcci di analisi dei dati, come integrazione e complemento della capacità di lettura e di analisi dei processi educativi (sempre in senso molto ampio).
Questa “integrazione” è la chiave di lettura di questo volume, in cui vengono introdotti gli assunti della ricerca quantitativa in ambito educativo e i learning analytics per poi passare a una rassegna (sicuramente non completa) di alcune tecniche di analisi dati. Cercando di mantenere sempre un equilibrio tra l’aspetto più “tecnico” con quello più “applicativo”.
Nel primo capitolo viene delineato il legame esistente fra ricerca educativa, statistica e tecnologie nella duplice veste di strumenti di analisi e ambienti online in cui si generano dati. Le considerazioni fornite a partire da un’idea di ricerca che ha lo scopo di descrivere, spiegare, agire per porsi al servizio degli esseri umani sono completate con la sintesi delle principali caratteristiche dell’ambito di studi dei learning analytics e la de%nizione degli open e big data.
Al centro del secondo capitolo sono la de%nizione, le classi%cazioni e le fasi dell’analisi multivariata per identi%care strutture latenti e relazioni tra le variabili. Essa rispecchia il tentativo, qualora applicata alla ricerca educativa, di sintesi e sempli%cazione della complessità dei fenomeni per identi%care il %lo rosso che li lega, genera senso e individua comportamenti e strategie che rendono ef%caci apprendimenti e organizzazioni. Aprono il capitolo due approfondimenti sul data screening, la preparazione dei dati per l’analisi, e sulla data visualization che sfrutta gra%ci e visualizzazioni per rendere comprensibili fenomeni rilevati su grandi quantità di dati sia per un vasto pubblico che per gli studiosi.
Dal terzo capitolo in poi si procede con la descrizione delle speci%che tecniche di analisi con vari esempi di applicazione nella ricerca educativa.
Le prime ad essere affrontate sono le tecniche di riduzione della dimensionalità, tecniche che, passando da un elevato numero di variabili a un ridotto nu-
vii
mero di dimensioni con una perdita minima di informazioni, sono in grado di esprimere la variabilità del dataset e de%nirne la struttura latente. Nello speci%co, nel capitolo tre si illustrano l’analisi delle componenti principali, l’analisi fattoriale esplorativa e l’analisi delle corrispondenze multiple la cui selezione è effettuata dall’analista in base alle caratteristiche delle variabili (quantitative o qualitative), agli scopi della ricerca (inferenziali o descrittivi), alla tipologia di risultati attesi (numerici o gra%ci).
Due tecniche di dipendenza %nalizzate a de%nire un modello statistico ossia una rappresentazione, una relazione fra le variabili sono presentate nel quarto e quinto capitolo. Esse sono la regressione lineare multipla (capitolo 4) e la regressione logistica (capitolo 5), tecniche nelle quali le variabili sono in un rapporto asimmetrico: il comportamento di una variabile dipendente è stimato/ predetto a partire dall’andamento di un numero più alto di variabili indipendenti. La scelta dell’una o dell’altra tecnica dipende principalmente dalla tipologia di variabile dipendente: quantitativa nella prima, binomiale nella seconda.
Descriviamo nel capitolo 6 la cluster analysis, tecnica il cui scopo è quello di identi%care gruppi omogenei (cluster) tra le unità statistiche. Il capitolo successivo è dedicato a una ulteriore tecnica di riduzione della dimensionalità, il multidimensional scaling, la cui presentazione è stata posposta per le sue implicazioni come supporto alle tecniche di classi%cazione.
L’ultimo capitolo del volume è dedicato all’item analysis, usata in ambito educativo prevalentemente per questioni di natura docimologica, volta a esaminare le prove di valutazione e stimare l’abilità degli studenti. Qui ne descriviamo l’approccio classico, Classical Test Theory, e probabilistico, Item Response Theory (capitolo 8).
La descrizione di ciascuna tecnica, presentata con un linguaggio generalmente comprensibile anche da chi non ha uno speci%co background analitico e tecnico, è arricchita da esempi realizzati su dati reali raccolti nelle attività di formazione svolte presso il Centro Interateneo Edunova dell’Università degli Studi di Modena e Reggio Emilia.
viii
Ampliano le spiegazioni numerosi casi di studio tratti dalla letteratura internazionale nei quali si mostra, talvolta con l’aiuto di tabelle e gra%ci, come le tecniche sono state utilizzate nella ricerca sui temi dell’educazione. Si tratta di casi individuati nella letteratura più recente e maggiormente citati su Scopus nell’ultimo decennio in riviste peer-reviewed del settore Education in lingua inglese. Gli esempi coprono uno scenario molto ampio sia in riferimento a questioni legate agli apprendimenti sia per questioni che hanno a che fare con la gestione delle organizzazioni formative.
Questo volume è solo un’introduzione, un percorso di formazione ai metodi dell’analisi multivariata per chi si occupa di social science e un pacchetto informativo sulle applicazioni in ambito educativo per chi conosce già le tecniche. Un educatore a cui capiterà nelle mani lo troverà probabilmente tecnico e spigoloso. Uno statistico lo vedrà semplicistico e impreciso. Esso non aspira ad essere esaustivo, né completo, ma prova a proporre un’opportunità che non dovremmo farci sfuggire e che deriva dall’incontro fra i settori dell’educazione, della statistica e dell’innovazione tecnologica: l’opportunità cioè di conoscere e guardare le questioni educative da un altro punto di vista, usando procedure standardizzate, prendendo in considerazione elementi speci%ci e misurabili (variabili) su piccoli campioni o intere popolazioni, costruendo modelli che possano stimare l’andamento dei fenomeni tenendo in considerazione l’incertezza e le regolarità che attraversano i dati.