Learning analytics a scuola: come interpretare i dati senza confondere attività e apprendimento

Manuali Sapere Quotidiano per il mondo scuola

Tre volumi pensati per docenti, aspiranti insegnanti e candidati ai concorsi: strumenti pratici per gestire la classe reale, progettare didattica inclusiva e prepararsi con metodo.

DOP

Una guida pratica per gestire rifiuti, provocazioni ed esplosioni emotive senza perdere la guida educativa della classe.

Acquista su Amazon Scarica l’indice in PDF

Il Docente Inclusivo

Un manuale operativo per leggere la classe reale, progettare lezioni accessibili e trasformare PEI, PDP e UDA in azioni concrete.

Acquista su Amazon Scarica l’indice in PDF

Competenze Psicopedagogiche

Contenuti pubblicati su Sapere Quotidiano, selezionati e riorganizzati per un ripasso chiaro e sistematico.

Acquista su Amazon Scarica l’indice in PDF

Le piattaforme per la didattica digitale permettono di raccogliere molte informazioni sulle attività svolte dagli studenti. A seconda dello strumento utilizzato e delle impostazioni scelte, un docente può vedere:

• chi ha aperto una risorsa;
• chi ha consegnato un compito;
• quali domande ha affrontato;
• quale punteggio ha ottenuto;
• quanti tentativi ha effettuato;
• quali attività risultano completate;
• quali studenti non hanno ancora partecipato;
• quali errori ricorrono più frequentemente.

Questi dati possono aiutare a individuare difficoltà, organizzare interventi di recupero e capire se un’attività digitale sta funzionando.

Il problema nasce quando il dato viene interpretato come una prova diretta dell’apprendimento.

Aver aperto un documento non significa averlo letto. Aver raggiunto la fine di un video non dimostra che sia stato seguito con attenzione. Aver ottenuto un punteggio elevato non garantisce che il concetto sia stato compreso e possa essere applicato in una situazione nuova.

Il learning analytics può offrire informazioni utili sul comportamento digitale degli studenti, ma non può raccontare da solo l’intero processo di apprendimento.

Che cos’è il learning analytics

Con l’espressione learning analytics si indica la raccolta, l’analisi, l’interpretazione e la comunicazione di dati relativi agli studenti e ai loro percorsi, con lo scopo di ricavare informazioni utili per migliorare l’apprendimento e l’insegnamento.

I dati possono derivare da:

• accessi alla piattaforma;
• attività completate;
• quiz;
• consegne;
• forum;
• risposte fornite;
• tentativi effettuati;
• materiali consultati;
• interazioni con contenuti digitali;
• progressione all’interno di un corso.

Lo scopo non dovrebbe essere raccogliere il maggior numero possibile di informazioni, ma utilizzare dati pertinenti per rispondere a domande educative precise.

Per esempio:

• quali concetti stanno creando maggiori difficoltà?
• chi non ha ancora iniziato il percorso?
• gli studenti stanno utilizzando il materiale nel modo previsto?
• una domanda è risultata ambigua?
• il livello di difficoltà è adeguato?
• serve una nuova spiegazione?
• è necessario modificare la lezione successiva?

La documentazione di Moodle distingue quattro forme di analisi:

• descrittiva, che osserva ciò che è accaduto;
• predittiva, che cerca di individuare ciò che potrebbe accadere;
• diagnostica, che prova a comprenderne le cause;
• prescrittiva, che suggerisce un possibile intervento.

Moodle precisa, tuttavia, che i normali report basati sui registri delle attività sono prevalentemente descrittivi: mostrano che cosa è successo, ma non spiegano automaticamente perché sia successo e non consentono, da soli, di prevedere gli esiti.

Questa distinzione è fondamentale: il dato osservato e la sua interpretazione non sono la stessa cosa.

Dato, informazione e interpretazione

Immaginiamo che uno studente non abbia completato tre attività online.

Il dato è:

Tre attività risultano non completate.

Da questa osservazione possono derivare diverse ipotesi:

• lo studente non ha studiato;
• non ha compreso le consegne;
• non disponeva di un dispositivo adeguato;
• ha incontrato un problema tecnico;
• ha svolto l’attività senza attivare correttamente il completamento;
• ha abbandonato perché il materiale era troppo difficile;
• non ha riconosciuto l’utilità del compito;
• ha lavorato su una versione diversa del materiale.

La piattaforma può mostrare il dato, ma non può stabilire autonomamente quale spiegazione sia corretta.

Per trasformarlo in un’informazione pedagogicamente utile occorre considerare:

• il contesto;
• la progettazione dell’attività;
• le condizioni tecniche;
• il percorso precedente;
• le osservazioni del docente;
• il confronto con lo studente;
• gli altri lavori eventualmente realizzati.

Il learning analytics offre quindi segnali e tendenze. La responsabilità dell’interpretazione resta al docente.

Che cosa significa “attività completata” in Moodle

In Moodle il completamento di un’attività dipende dai criteri configurati.

Un’attività può risultare completata, per esempio, quando lo studente:

• la visualizza;
• riceve un voto;
• raggiunge il voto minimo stabilito;
• invia un lavoro;
• effettua uno o più tentativi;
• raggiunge la fine di una lezione;
• pubblica interventi o risposte in un forum;
• la contrassegna manualmente come conclusa.

Le condizioni disponibili cambiano in base al tipo di attività. La documentazione ufficiale di Moodle distingue, tra gli altri, i criteri basati sulla semplice visualizzazione, sull’ottenimento di un voto, sul superamento di una soglia e sulla consegna di un compito.

Di conseguenza, la parola completato non ha sempre lo stesso significato.

Se il criterio è la semplice visualizzazione, il sistema registra che la risorsa è stata aperta. Non certifica che sia stata letta attentamente.

Se il criterio è il ricevimento di un voto, l’attività può risultare completata anche quando il risultato è insufficiente, a meno che non sia stato impostato anche il requisito del voto minimo.

Se il criterio è il raggiungimento di un punteggio, la piattaforma registra che lo studente ha ottenuto quel risultato nell’attività. Non dimostra necessariamente che saprà utilizzare la conoscenza in un compito diverso.

Se il completamento è manuale, indica che lo studente ha dichiarato conclusa l’attività.

Il docente deve quindi conoscere il criterio configurato prima di interpretare l’indicatore di completamento.

Completamento del corso e apprendimento

Anche il completamento di un intero corso deve essere letto in relazione alle condizioni stabilite.

Moodle descrive il completamento del corso principalmente come una funzione di reportistica: mostra il progresso dello studente rispetto a criteri specifici, che possono includere voti, attività concluse, completamento di altri corsi o conferme manuali.

La piattaforma risponde quindi alla domanda:

Lo studente ha soddisfatto le condizioni configurate?

Non necessariamente alla domanda:

Lo studente ha costruito una comprensione stabile e trasferibile?

Apertura, partecipazione, prestazione e apprendimento

Quattro concetti vengono spesso confusi.

Apertura

Indica che lo studente ha avuto accesso a una risorsa o a un’attività.

Può essere utile per verificare se il materiale è stato raggiunto, ma non dice in che modo sia stato utilizzato.

Partecipazione

Indica che lo studente ha compiuto una o più azioni: ha risposto, scritto, selezionato, inviato o interagito.

È un dato più ricco della semplice apertura, ma l’attività registrata non garantisce la qualità dell’elaborazione.

Prestazione

Riguarda il risultato ottenuto in un compito, come un punteggio, una risposta corretta o il superamento di una soglia.

La prestazione può fornire informazioni importanti, ma deve essere letta considerando:

• la difficoltà del compito;
• la qualità delle domande;
• il numero dei tentativi;
• gli aiuti disponibili;
• il tipo di conoscenza richiesta;
• le condizioni in cui l’attività è stata svolta.

Apprendimento

L’apprendimento implica un cambiamento nelle conoscenze, nelle abilità o nelle modalità di affrontare un problema.

Per osservarlo può essere necessario verificare se lo studente riesce a:

• spiegare il concetto;
• applicarlo;
• stabilire collegamenti;
• correggere un errore;
• motivare una scelta;
• trasferire quanto appreso;
• utilizzare la conoscenza in autonomia.

Una piattaforma può raccogliere dati utili alla formulazione di un giudizio, ma raramente un singolo indicatore è sufficiente.

Il problema dei falsi completamenti

In senso pratico, possiamo parlare di falso completamento quando una piattaforma registra come conclusa un’attività, ma il criterio raggiunto non corrisponde al lavoro cognitivo che il docente intendeva osservare.

Non significa necessariamente che il sistema abbia commesso un errore tecnico. Spesso la piattaforma ha applicato correttamente il criterio impostato, ma quel criterio era troppo debole rispetto all’obiettivo didattico.

Un esempio semplice

Il docente carica un documento e imposta come criterio:

L’attività è completata quando lo studente visualizza la risorsa.

Lo studente apre il documento e lo chiude dopo pochi secondi.

La piattaforma registra correttamente il completamento perché la condizione prevista era la visualizzazione. Il problema non è il funzionamento del sistema, ma la distanza tra ciò che il criterio misura e ciò che il docente vorrebbe sapere.

Anche un punteggio può essere un falso segnale?

Un punteggio può essere interpretato in modo eccessivo.

Uno studente potrebbe:

• rispondere casualmente;
• ripetere il quiz molte volte;
• ricordare la posizione delle risposte;
• ricevere un aiuto esterno;
• riconoscere la risposta corretta senza comprenderla;
• utilizzare tentativi e feedback per procedere per esclusione.

Questo non rende inutile il quiz. Significa che il risultato deve essere interpretato per ciò che misura realmente.

Le attività interattive non eliminano automaticamente i comportamenti elusivi. Per verificare la comprensione può essere utile integrare il dato digitale con domande aperte, discussioni, spiegazioni o brevi produzioni personali.

Che cosa registrano SCORM e H5P

SCORM e H5P permettono di realizzare o distribuire contenuti più interattivi rispetto a un semplice documento. Non devono però essere considerati strumenti capaci di accertare automaticamente la comprensione.

Che cos’è SCORM

SCORM è un insieme di standard tecnici che consente a un pacchetto di contenuti digitali di comunicare con una piattaforma LMS, come Moodle.

Moodle può ospitare pacchetti SCORM, presentarli agli studenti e salvare i dati comunicati dal pacchetto durante i diversi tentativi. I report possono includere, in base alla progettazione del contenuto, punteggi, stati di completamento, risposte, interazioni e obiettivi.

La quantità e la qualità delle informazioni disponibili dipendono però:

• da come il pacchetto è stato costruito;
• dai dati che è programmato per comunicare;
• dalle impostazioni del corso;
• dai criteri di completamento;
• dal modo in cui lo studente interagisce.

La documentazione di Moodle sottolinea che i dettagli registrati dipendono in larga misura da ciò che il pacchetto SCORM è stato programmato per trasmettere.

Il fatto che un pacchetto comunichi lo stato “completato” significa quindi che è stata soddisfatta la condizione programmata. Non dimostra automaticamente che ogni parte sia stata osservata con attenzione o compresa.

Che cos’è H5P

H5P consente di creare diversi tipi di contenuti interattivi, tra cui:

• quiz;
• presentazioni;
• esercizi;
• giochi didattici;
• video con domande incorporate;
• percorsi ramificati.

Non tutti i contenuti H5P adottano gli stessi criteri di completamento. Alcuni risultano conclusi quando l’utente preme il pulsante di controllo, altri quando raggiunge una schermata finale, risponde all’ultima domanda o invia il risultato. Alcuni tipi di contenuto, inoltre, possono non supportare il tracciamento del completamento.

Non è quindi corretto affermare genericamente che H5P registri sempre ogni azione o certifichi la visione completa di un contenuto.

Le integrazioni H5P possono conservare risultati essenziali, come punteggi, punteggi massimi e tempi di inizio e fine. Informazioni più dettagliate sulle interazioni possono essere generate mediante dichiarazioni xAPI, ma la loro effettiva raccolta e conservazione dipende dalla piattaforma, dai componenti installati e dalla configurazione adottata.

Più interazione non significa automaticamente più apprendimento

Inserire domande in un video può aiutare a:

• interrompere una fruizione passiva;
• richiamare l’attenzione;
• verificare un’informazione;
• offrire un feedback immediato;
• individuare un passaggio difficile.

L’efficacia dipende però dalla qualità delle domande.

Una domanda che chiede soltanto di riconoscere una parola appena comparsa nel video produce un dato diverso da una domanda che richiede di spiegare una relazione o applicare il concetto.

La tecnologia rende tracciabile l’azione prevista. È la progettazione didattica a determinarne il valore educativo.

Dati descrittivi e previsioni

Non tutti i sistemi di learning analytics si limitano a mostrare ciò che è già accaduto.

Tipo di analisi e domanda principale

• Descrittiva: Che cosa è accaduto?
• Predittiva: Che cosa potrebbe accadere?
• Diagnostica: Perché potrebbe essere accaduto?
• Prescrittiva: Quale intervento potrebbe essere utile?

I report tradizionali, come registri delle attività, visualizzazioni e completamenti, sono principalmente descrittivi.

I modelli predittivi cercano invece di individuare possibili rischi o sviluppi futuri sulla base dei dati precedenti e dei comportamenti osservati. Moodle ricorda che questi modelli devono essere scelti in relazione agli obiettivi educativi dell’istituzione, addestrati sui dati disponibili e controllati per verificarne l’effettiva capacità predittiva.

Una previsione non è una sentenza

Un sistema potrebbe segnalare che uno studente presenta un rischio maggiore di abbandono o di mancato completamento.

Questo risultato non significa:

Lo studente abbandonerà.

Significa:

In base agli indicatori e al modello utilizzato, il comportamento osservato presenta caratteristiche associate a un rischio maggiore.

La previsione deve essere utilizzata come segnale per osservare meglio la situazione, non come un’etichetta da assegnare allo studente.

Un modello può essere influenzato da:

• qualità dei dati;
• quantità di informazioni disponibili;
• caratteristiche della popolazione su cui è stato sviluppato;
• indicatori selezionati;
• differenze tra corsi e discipline;
• condizioni tecniche;
• assunzioni incorporate nel modello.

Le analisi predittive si basano infatti su relazioni statistiche e presupposti che non si applicano necessariamente nello stesso modo a tutte le persone.

Come trasformare i dati in domande educative

Il dato è più utile quando apre una domanda anziché chiudere il giudizio.

Dato osservato, che cosa può suggerire, che cosa non dimostra e possibile approfondimento

• Dato osservato: Risorsa non aperta. Può suggerire: Mancato accesso. Non dimostra: Disinteresse o scarso impegno. Possibile approfondimento: Verificare problemi tecnici e comprensione della consegna.
• Dato osservato: Attività aperta ma non completata. Può suggerire: Interruzione del percorso. Non dimostra: Mancata comprensione. Possibile approfondimento: Chiedere dove è emersa la difficoltà.
• Dato osservato: Molti errori sulla stessa domanda. Può suggerire: Concetto difficile o domanda ambigua. Non dimostra: Incapacità generale della classe. Possibile approfondimento: Rivedere la formulazione e la spiegazione.
• Dato osservato: Punteggio alto al primo tentativo. Può suggerire: Buona prestazione. Non dimostra: Padronanza stabile. Possibile approfondimento: Proporre un compito di applicazione.
• Dato osservato: Molti tentativi con miglioramento. Può suggerire: Uso del feedback. Non dimostra: Comprensione profonda. Possibile approfondimento: Chiedere di spiegare l’errore iniziale.
• Dato osservato: Completamento molto rapido. Può suggerire: Percorso svolto velocemente. Non dimostra: Copia o superficialità. Possibile approfondimento: Verificare con una breve rielaborazione.
• Dato osservato: Mancata partecipazione al forum. Può suggerire: Assenza di interventi scritti. Non dimostra: Mancanza di studio. Possibile approfondimento: Valutare accessibilità, consegna e clima comunicativo.
• Dato osservato: Risposte corrette ma molto simili. Può suggerire: Risultato uniforme. Non dimostra: Elaborazione personale. Possibile approfondimento: Richiedere una motivazione o un esempio originale.

Questa lettura evita di trasformare i dati in etichette.

Learning analytics e valutazione formativa

La valutazione formativa utilizza le informazioni raccolte durante il percorso per migliorare l’insegnamento e sostenere l’apprendimento.

In questa prospettiva, i dati digitali possono aiutare il docente a decidere se:

• riprendere un concetto;
• modificare una consegna;
• proporre un nuovo esempio;
• creare gruppi temporanei;
• offrire un supporto;
• aumentare o ridurre la difficoltà;
• cambiare il formato del materiale;
• approfondire un errore ricorrente.

Il learning analytics è utile quando conduce a un intervento didattico ragionato.

Diventa meno significativo quando si limita a generare classifiche, contare gli accessi o premiare meccanicamente il completamento.

Integrare fonti diverse

Una valutazione più solida nasce dal confronto tra informazioni differenti.

Il docente può integrare:

1. dati della piattaforma;
2. prodotti realizzati;
3. osservazione in classe;
4. domande aperte;
5. autovalutazione dello studente;
6. colloquio o discussione;
7. applicazione in un compito nuovo.

Se più fonti convergono, l’interpretazione diventa più affidabile.

Per esempio, un punteggio basso accompagnato da una buona spiegazione orale potrebbe indicare che il problema riguardava la formulazione del quiz. Un punteggio alto seguito dall’incapacità di spiegare il procedimento potrebbe invece suggerire una comprensione ancora superficiale.

Un esempio pratico

Un docente propone un breve modulo digitale sulla fotosintesi.

Il modulo contiene:

• una spiegazione;
• un’immagine;
• un video;
• cinque domande a scelta multipla.

Dai dati emerge che quasi tutta la classe ha completato l’attività, ma una domanda ha ricevuto numerose risposte errate.

Il docente non conclude immediatamente che gli studenti non abbiano studiato. Esamina la domanda e si accorge che la formulazione può essere interpretata in due modi.

Durante la lezione successiva:

1. ripropone il problema senza mostrare le alternative;
2. chiede agli studenti di spiegare il processo con parole proprie;
3. confronta le risposte;
4. chiarisce la relazione tra luce, acqua, anidride carbonica e produzione di glucosio;
5. propone un nuovo esempio.

In questo caso il dato non viene utilizzato per assegnare un giudizio definitivo. Serve a individuare un punto da approfondire e a migliorare la progettazione didattica.

Learning analytics, trasparenza e protezione dei dati

I dati prodotti dalle piattaforme possono riguardare comportamenti, prestazioni, tempi, tentativi e progressi riferibili a singoli studenti.

La loro raccolta non dovrebbe quindi essere invisibile o priva di uno scopo riconoscibile.

È importante che siano chiari:

• quali dati vengono raccolti;
• per quale finalità;
• chi può consultarli;
• come vengono utilizzati;
• per quanto tempo vengono conservati;
• quali decisioni possono influenzare;
• come può essere contestualizzato o corretto un risultato.

Il Regolamento generale sulla protezione dei dati stabilisce, tra gli altri, i principi di liceità, correttezza e trasparenza, limitazione della finalità, minimizzazione, esattezza, limitazione della conservazione, integrità e riservatezza. I dati devono essere adeguati, pertinenti e limitati a quanto necessario rispetto allo scopo del trattamento.

Il Garante per la protezione dei dati personali ricorda inoltre che le scuole devono informare studenti, famiglie e docenti sulle modalità di trattamento dei dati e utilizzare, per impostazione predefinita, soltanto i servizi strettamente necessari all’attività didattica. Le informazioni devono essere espresse in modo comprensibile anche per i minori.

Raccogliere solo ciò che serve

Avere la possibilità tecnica di registrare un dato non significa che sia sempre necessario farlo.

Prima di attivare una forma di tracciamento, la scuola dovrebbe poter rispondere a domande come:

• quale bisogno educativo affronta?
• il dato è realmente utile?
• esiste una modalità meno invasiva?
• chi deve avervi accesso?
• per quanto tempo deve essere conservato?
• quale rischio deriva da un’interpretazione errata?
• lo studente sa come viene utilizzato?

Il learning analytics dovrebbe sostenere l’apprendimento, non trasformare ogni azione digitale in un indicatore permanente.

Evitare profili rigidi

Un insieme di dati non coincide con l’identità dello studente.

Espressioni come:

• studente poco motivato;
• studente a rischio;
• studente inattivo;
• studente debole;

possono trasformare una situazione temporanea in un’etichetta.

È preferibile descrivere ciò che è stato effettivamente osservato:

Nelle ultime due settimane non risultano completate tre attività.

Questa formulazione mantiene aperta la ricerca delle cause e la possibilità di cambiamento.

Errori comuni nell’interpretazione dei dati

Confondere visualizzazione e studio

L’apertura di una pagina dimostra l’accesso, non la lettura attenta.

Considerare il completamento una prova di comprensione

Il completamento indica che è stato soddisfatto il criterio configurato. Per interpretarlo bisogna conoscere quel criterio.

Valutare l’impegno dal solo tempo registrato

Un tempo breve può indicare superficialità, ma anche competenza, consultazione precedente o registrazione incompleta.

Un tempo lungo può indicare studio, ma anche distrazione, difficoltà tecnica o una pagina lasciata aperta senza essere utilizzata.

Fidarsi completamente di un modello predittivo

Una previsione esprime una probabilità costruita su indicatori e assunzioni. Non deve diventare un giudizio automatico.

Usare i dati soltanto per controllare

Il monitoraggio ha valore educativo quando conduce a feedback, adattamenti e sostegno. Se serve soltanto a classificare, perde gran parte della sua funzione formativa.

Raccogliere dati senza una domanda

Accumularli non produce automaticamente conoscenza. Prima della raccolta deve esserci uno scopo preciso.

Ignorare il contesto

La stessa assenza digitale può avere significati differenti. Senza confronto e osservazione, il rischio di interpretazione errata aumenta.

Domande frequenti

Che cosa significa learning analytics?

È la raccolta e l’analisi dei dati prodotti nei contesti di apprendimento per osservare i percorsi, individuare segnali e orientare decisioni educative.

Il learning analytics coincide con l’intelligenza artificiale?

No. Molti report sono semplicemente descrittivi e riassumono accessi, completamenti o risultati. L’intelligenza artificiale e l’apprendimento automatico possono essere utilizzati in alcuni modelli predittivi o sistemi più avanzati, ma non sono indispensabili per ogni forma di analisi.

Moodle può sapere se uno studente ha letto un documento?

Moodle può registrare gli eventi previsti dalla piattaforma, per esempio la visualizzazione della risorsa. Questo non consente di stabilire con certezza se il documento sia stato letto attentamente e compreso.

Un’attività completata significa che lo studente ha imparato?

No. Significa che ha soddisfatto il criterio di completamento configurato, come la visualizzazione, la consegna, il ricevimento di un voto o la marcatura manuale.

SCORM registra tutto ciò che fa lo studente?

No. Registra e comunica i dati previsti dal pacchetto e supportati dall’integrazione con la piattaforma. Il tipo di informazioni disponibili dipende dalla progettazione del contenuto e dalle impostazioni adottate.

H5P può registrare le risposte?

Può produrre dati relativi a punteggi e interazioni, ma il dettaglio effettivamente conservato dipende dal tipo di contenuto, dalla piattaforma, dai componenti installati e dalla configurazione. Non tutti i contenuti applicano gli stessi criteri di completamento.

Che cos’è un falso completamento?

È una situazione in cui un’attività risulta conclusa secondo il criterio tecnico impostato, ma quel criterio non dimostra il lavoro cognitivo che il docente intende osservare.

I dati possono essere usati per assegnare un voto?

Possono costituire uno degli elementi disponibili, ma accessi e completamenti non dovrebbero essere trasformati automaticamente in una valutazione dell’apprendimento. È necessario verificare la coerenza tra il dato raccolto, l’obiettivo dell’attività e il criterio valutativo.

Come si controlla se uno studente ha compreso?

Si possono integrare i dati digitali con spiegazioni, domande aperte, applicazioni, prodotti realizzati, discussioni, osservazioni e autovalutazioni.

Un modello può prevedere quali studenti sono a rischio?

Può individuare configurazioni associate a un rischio maggiore, ma la previsione dipende dal modello, dagli indicatori e dai dati disponibili. Deve essere interpretata come un segnale da approfondire, non come una certezza.

Conclusione

Il learning analytics offre alla scuola informazioni che in passato erano più difficili da raccogliere.

Può mostrare quali attività sono state raggiunte, quali domande hanno prodotto più errori, quali percorsi risultano incompleti e dove potrebbe essere necessario intervenire.

Il suo valore dipende però dalla qualità dell’interpretazione.

Un accesso non è una lettura. Un clic non è partecipazione consapevole. Un completamento non è comprensione. Un punteggio non racconta da solo il ragionamento. Una previsione non è una sentenza.

I dati diventano educativamente significativi quando vengono:

• collegati a obiettivi chiari;
• letti nel contesto;
• confrontati con altre evidenze;
• discussi con gli studenti;
• utilizzati per modificare la didattica;
• trattati in modo trasparente e proporzionato.

La piattaforma può registrare ciò che è tecnicamente osservabile. Il docente deve comprendere che cosa quel dato significa, che cosa non può dimostrare e quale azione educativa può essere realmente utile.

I dati sono strumenti per formulare domande migliori, non verdetti sugli studenti.

Fonti essenziali

• Society for Learning Analytics Research, definizione e ambito del learning analytics.
• MoodleDocs, documentazione su analytics, completamento delle attività e completamento dei corsi.
• MoodleDocs, documentazione sui report SCORM.
• H5P, documentazione su completamento, risultati e dichiarazioni xAPI.
• Parlamento europeo e Consiglio dell’Unione europea, Regolamento UE 2016/679.
• Garante per la protezione dei dati personali, indicazioni su scuola, piattaforme digitali, trasparenza e minimizzazione dei dati.

Articoli consigliati

• L’intelligenza artificiale può sbagliare? Allucinazioni, bias e controllo delle risposte
• Intelligenza artificiale e UDL: come progettare lezioni inclusive senza delegare al software
• Metacognizione a scuola: cos’è e perché aiuta gli studenti a imparare meglio