Ambiente di apprendimento con elementi di artificial intelligence1

Applications
Ambiente di apprendimento
con elementi di artificial
intelligence1
Pier Giuseppe Rossi
Università degli Studi di Macerata
[email protected]
Parole chiave: LMS, AI, KM, apprendimento, insegnamento.
Abstract
L’articolo presenta un approccio innovativo per implementare, su piattaforme
LMS esistenti, funzionalità per l’e-learning basate sull’intelligenza artificiale
(AI). Si descrive le caratteristiche dei Learning Management System (LMS)
in cui è possibile collocare tale intervento, il contributo del KM e il ruolo
dell’AI. Inoltre verranno individuati quei dispositivi che intervengono nella
progettazione (strumenti di authoring), nella costruzione di conoscenza e nel
monitoraggio per supportare il lavoro del team di progetto e l’attività delle
Learning Entities2 (LE).
L’aspetto innovativo consiste nel fatto che l’architettura e le funzionalità
dell’AI sono finalizzate non a sostituirsi, ma a supportare il docente/tutor
nella progettazione, nel monitoraggio e nella riprogettazione di percorsi mirati
ad un apprendimento consapevole. Inoltre il modello presentato non è subject
oriented e può essere utilizzato in differenti campi disciplinari.
1
2
Il termine “learning entity” definisce un singolo studente o un gruppo di lavoro.
Il testo riprende e approfondisce la parte didattica del contributo del testo «Intelligent learning
environment», presentato al convegno SIE-L 2009 di Trento.
Je-LKS
Journal of e-Learning
and Knowledge Society — Vol. 5, n. 1, febbraio 2009 (pp. 67 - 75)
Je-LKS
—
Applications -
Vol. 5, n. 1, febbraio 2009
1 Introduzione: dal e-l 1.0 all’e-l 3.0
Nell’e-l di prima generazione, il così detto e-l 1.0, era prevalente un approccio
erogativo o positivista (Guba, Lincoln, 1994). Materiali e valutazione sono nella
maggioranza dei casi inglobati in Learning Object (LO). Si integra facilmente
con lo standard SCORM e ne possiede pregi e difetti. Adatto per percorsi istruttivisti, risulta troppo rigido per processi mirati ad un apprendimento collettivo,
consapevole e significativo.
Le esperienze basate su un approccio socio-costruttivista hanno, in alcuni casi,
ottenuto risultati significativi sul piano della costruzione della conoscenza e della
comunità e sulla peer to peer review. In esse i tutor hanno un ruolo centrale e la
buona riuscita dei processi dipende dalla qualità e quantità del loro lavoro. Date
le funzioni del docente/tutor, i profili richiesti sono di eccellenza e prevedono
il possesso di competenze didattiche, relazionali ed epistemologiche. Gli ambienti che si richiamano un approccio socio-costruttivista, hanno utilizzato tool
per la comunicazioni già presenti nel web (e-mail, forum, chat), ma non hanno
promosso, se non in rari casi, una ricerca mirata a creare appositi dispositivi che
potessero agevolare le attività del tutor e dello studente.
Dall’inizio del nuovo millennio, il web 2.0 segna un passaggio dal web sintattico al web semantico. Dal punto di vista tecnologico, il web 2.0 utilizza una
serie di utility, già presenti, per valorizzare la comunicazione, l’aggregazione dei
materiali e l’interazione degli utenti. Tali dispositivi hanno modificato le modalità
stesse della comunicazione.
È possibile pensare che, da una costola del web 2.0, scaturisca l’e-l 2.0 e
che Internet divenga, esso stesso, un ambiente di apprendimento? Blog, wiki,
PLE favoriscono l’emergere dell’informale (Attwell, 2007), ma come integrarli
in percorsi in cui il soggetto possa acquisire consapevolezza ed essere avviato
alla zona di Sviluppo Prossimale? È possibile pensare la formazione senza un
ambiente appositamente predisposto che espliciti, organizzi e mappi il percorso
formativo?
L’ipotesi, da cui parte il contributo, è quella della necessità di un ambiente
formale che sappia anche valorizzare l’educazione informale. Nasce dunque l’esigenza di modelli di ambiente di apprendimento che, da un lato, facciano tesoro
delle esperienze passate, in particolare del web 2.0, e, dall’altro, grazie anche all’apporto del KM, siano flessibili e superino i limiti dell’EL 1.0. (Lytras, 2006)
Gli strumenti del KM sono finalizzati all’analisi semantica dei testi, ad una
monitoraggio puntuale e su più livelli dei learner, alla visualizzazione efficace,
immediata e puntuale dei dati. Per manipolare tali informazioni e suggerire soluzione in base ad esse, nasce l’esigenza di un motore di intelligenza artificiale
(AI). Definiamo e-l 3.0 un processo formativo in cui il KM e l’AI abbiano un
ruolo significativo.
68
Pier Giuseppe Rossi - Ambiente di apprendimento con elementi di artificial intelligence
2 Intelligenza artificiale (AI)
L’AI di prima generazione si basava sul principio di razionalità scientifica e
sulla connessione tra conoscenza e obiettivo (Newel, 1982). Ma già negli anni
novanta Clancey (1993) sostiene che «knowledge base is not a repository of
knowledge extracted from one expert’s mind (as in the transfer view), but the
result of a modeling activity». Oggi, nella formazione, la dipendenza meccanica
dell’apprendimento dall’insegnamento è messa in discussione e prevale il concetto di mediazione.
Anche nella modalità di svolgere la funzione di Tutor Intelligente (ITS) si evidenzia un cambiamento. La tecnologia usata inizialmente analizzava la risposta
finale dello studente e forniva un feedback e suggerimenti in base ai suoi comportamenti (Dick, Carey, 1990). La modalità successiva consiste invece nel seguire
lo studente nell’esecuzione del compito e nel fornire ad ogni step un feedback e
un adeguato scaffolding. (Beck, Stern, 1996; Shute, Psotka, 1996). Si basava su
un articolato e complesso dominio di conoscenza disciplinare. Tra le implementazioni di sistemi intelligenti realizzati ricordiamo MyClass, un ambiente per la
formazione dei manager, creato da IPS1, ANDES (VanLehn etr al., 2005), un
ambiente che supporta gli studenti nell’apprendimento della fisica, Baghera, un
ambiente di apprendimento per la Geometria. (Webber et al., 2002, 2004).
Le implementazioni menzionate sono subject matter oriented, ovvero vincolate ad uno specifico contenuto e costruite appositamente per uno scopo specifico.
L’implementazione di una base di conoscenza richiede molto tempo ed energie
e non può essere usata in un diverso campo disciplinare. Il dibattito su come superare questo problema è ampio. VanLehn, ad esempio, ha sperimentato sistemi
realizzati per la fisica nella statistica (VanLehn, Chi, 2007) e ne ha evidenziato
i problemi.
Per superare tale problema l’approccio proposto nel presente articolo è differente. L’obiettivo è quello di costruire un sistema supportato da AI ma indipendente dal contenuto o, meglio, adatto ad una ampia gamma di subject. Per tal
fine sono stati imposti due vincoli progettuali:
• assegnare maggior peso al dominio pedagogico-didattico;
• assegnare al sistema ITS la funzione non di sostituire, ma di interagire con
il docente e il tutor nella progettazione iniziale e soprattutto nella gestione
in itinere del corso.
La finalità è quella di valorizzare il ruolo del tutor e del docente, i quali possono delegare alla macchina attività ripetitive e prevedibili, ma possono anche
interrogarla e dialogare con lei per ricevere informazioni in base a cui effettuare
interventi diretti e intervenire in modo significativo nei momenti critici delle
relazioni e dell’apprendimento.
1 L’IPS è una ditta di online learning (http://www.ipslearning.com) specializzata nel settore aziendale.
69
Je-LKS
—
Applications -
Vol. 5, n. 1, febbraio 2009
Da sistemi prescrittivi, si passa a sistemi che valorizzino la creatività e la
professionalità del docente. Se nell’AI di prima generazione e nei modelli dell’Instructional Design degli anni ottanta e novanta del secolo scorso, l’obiettivo
era quello di predisporre un processo efficace per molti studenti, relegando il
ruolo del docente a quello di un esecutore di processi stabiliti e di erogatore di
materiali predisposti, l’attenzione verso l’approccio teorico definito «Pensiero
degli insegnanti» (Shulman, 1987) ha ribaltato questa impostazione e ha individuato nell’insegnante professionista riflessivo la risorsa principale per un
apprendimento significativo.
Come affermano Gordon e Zemke (2000), in relazione all’Instructional Design classico, «it may have been a viable model for developing formulaic training
programs that several thousand minimally skilled instructors could use to teach a
million draftees how to disassemble, clean and reassemble an M-16 rifle». Nella
ricerca pedagogica attuale si assegna un ruolo cruciale alla consapevolezza e alla
presenza creativa del docente nel progettare e modellizzare, prima, e nel gestire,
poi, l’attività didattica. Superando il modello diadico, sistema di apprendimentostudente, proposto nell’introduzione di SCORM (2001), il progetto propone un
modello triadico docente-learning entity-ambiente intelligente.
3 L’ipotesi di ricerca
L’ipotesi di ricerca diviene, dunque: realizzare un sistema di AI che interagisca con l’LMS per supportare l’attività del docente e del tutor e della
learning entity (LE).
Il sistema proposto prevede tre elementi:
• un LMS open source con specifiche caratteristiche;
• la presenza di oggetti, appositamente costruiti e suggeriti dal KM, per
l’analisi semantica, il monitoraggio, la visualizzazione e l’aggregazione
dei dati integrabili nell’LMS;
• un sistema di AI che analizzi i dati forniti dagli oggetti precedenti, interagisca con l’LMS e dialoghi con il docente e il tutor.
3.1 Il learning management system
I limiti degli LMS di prima generazione erano la rigidità e la chiusura
(Buonaiuti, 2006) ma tali limiti derivano dalla struttura didattica-tecnologica
degli LMS e non sono intrinseci al concetto di LMS. Non crediamo infatti si
possa eliminare il ruolo di orientamento e di supporto alla formazione che un
ambiente di apprendimento on line può garantire. L’LMS fornisce al processo di apprendimento unitarietà, visualizza e mappa il percorso, fornisce una
visione chiara del processo e favorisce la motivazione e l’orientamento dello
70
Pier Giuseppe Rossi - Ambiente di apprendimento con elementi di artificial intelligence
studente. Emerge pertanto la necessità di un LMS flessibile, ecologico, autopoietico, enattivo.
La flessibilità ha due facce. La prima permette al docente/tutor di modellare
e rimodulare in itinere l’ambiente con sistemi autore che non richiedano nessuna competenza informatica. La seconda permette alle LE di personalizzare
l’ambiente, in funzione dei propri profili e stili cognitivi.
L’aspetto ecologico degli ambienti deriva dalla presenza di connessione tra
le diverse sezioni del sistema. L’LMS può essere descritto come la sovrapposizione di tre reti:
•
•
•
la rete dei dispostivi. I dispositivi didattici non sono autonomi ma
tra loro connessi e operano in alcuni casi in modalità diacronica, in
altri sincronica;
la rete delle scritture. Le scritture implementate in itinere dalle LE
nei forum, nei blog, nei wiki, si connettono durante il processo tra
loro e con i materiali forniti dai docenti anche grazie ai tag;
la rete delle relazioni. Durante il processo si crea fra gli studenti e
fra essi e i tutor, a causa delle interazioni, una connessione emotiva
e cognitiva. Tale rete non è né statica, né scontata, ma si amplia
durante il processo.
Tali reti non possono nascere spontaneamente ma sono frutto di una progettazione iniziale e di una riprogettazione in itinere, sono reificate dalle
interazioni del sistema e sono garantite dalla struttura frattale dell’LMS. Le
tre reti evidenziano anche l’autopoieticità del sistema in quanto le connessioni
tra scritture e relazioni si implementano in itinere e si arricchiscono di numero
e di legami reciproci man mano che il processo avanza, grazie agli strumenti
interni dell’LMS.
Infine l’LMS è enattivo (Varela, 2007). In un LMS enattivo l’interazione tra
tutti gli attori del sistema e di essi con l’ambiente contribuisce alla costruzione
di significati.
4 Knowledge Management
La costruzione delle tre reti è garantita dalla presenza di oggetti atti a far
interagire i dati e i materiali provenienti dai differenti dispositivi dell’ambiente.
Lo studio di ontologie e la loro integrazione, il semantic web, l’interoperabilità,
il knowledge flow sono settori in cui e-l e km interagiscono (Lytras, 2006).
Possimao identificare tre categorie di oggetti.
Una prima categoria è finalizzata all’analisi semantica dei testi e alla loro
etichettatura. Sono possibili tre strade:
• processi top-down: si parte da un’ontologia e, in base ad essa, si mappano
i contenuti (Pirrone et al., 2007) e si personalizzano i percorsi;
71
Je-LKS
—
Applications -
Vol. 5, n. 1, febbraio 2009
•
processi bottom-up con intervento del soggetto: il soggetto tagga i materiali
e, in base ai tag, i testi vengono organizzati e recuperati (folksonomies);
• processi bottom-up automatici: i testi sono filtrati con strumenti automatici
che etichettano gli stessi e, in base all’etichettatura, i testi sono organizzati
e recuperati (Rossi, 2007).
La seconda categoria è funzionale all’aggregazione dei materiali, alla produzione multi-mentale, alle elaborazioni di gruppo. I tool sono finalizzati a
costruire materiali caleidoscopici, ovvero frutto della integrazione di differenti
frammenti, provenienti da materiali, presenti in differenti dispositivi. Sono
sempre più frequenti in rete strumenti per le produzioni a più mani ma vanno
potenziati. I Wiki ne sono un esempio. Nel modello predisposto è possibile
recuperare frammenti, scrap, dai materiali dell’LMS e costruire “patch-work”.
L’e-portfolio, se progettato come corpo organico e connesso (Ravet, 2007;
Rossi, Giannandrea, 2006), può rientrare in questa categoria di oggetti.
La terza categoria è legata al monitoraggio. Oggi la maggioranza degli
LMS registra ogni click dell’utente e raccoglie un numero quasi infinito di dati.
Inoltre dall’analisi semantica dei testi e dall’e-portfolio, provengono altri dati
che, se esaminati e integrati, presentano un quadro ampio e dettagliato delle
attività del soggetto. La quantità e disomogeneità dei dati pone l’esigenza di
strumenti che analizzino i dati, li rielaborino e li visualizzino in modo da renderli immediatamente e velocemente fruibili per il monitoraggio (Rossi, 2007).
In base a tali dati aggregati è possibile costruire il profilo delle LE, verificare
processi dinamici, personalizzare le attività. Per l’analisi dei dati è possibile
utilizzare, tra gli altri, gli algoritmi dell’SNA, per fornire informazioni sulle
attività di gruppo, o l’LSA per comparare testi.
5 Il ruolo dell’AI
Il modello, di cui ora descriviamo solo le principali caratteristiche pedagogicodidattiche, prevede la presenza di un framework di AI indipendente dall’LMS ma
connesso alla piattaforma attraverso una specifica interfaccia. Il framework di AI
supporta un sistema multiagente. Sono presenti i seguenti agenti: pedagogico, di
dominio, delle LE, di comunicazione tra LMS e AI. Tale architettura non è di molto
differente da quella presente nei sistemi esistenti (VanLehn et al., 2005), anche se
sicuramente è assegnato all’agente pedagogico una maggiore importanza. La caratteristica, che modifica maggiormente il modello presentato, rispetto ai precedenti,
è la flessibilità della sua struttura e la relazione dialogica tra il framework di AI e
il docente/tutor. Se, nei modelli precedenti, il sistema esperto guidava lo studente
nelle attività, lo seguiva passo dopo passo e prevedeva, in funzione del percorso e
delle scelte dello studente, gli step successivi, senza nessun intervento del docente/tutor, nel modello in esame il sistema di AI opera in due modalità:
72
Pier Giuseppe Rossi - Ambiente di apprendimento con elementi di artificial intelligence
1. interviene direttamente sullo studente, qualora questo abbia comportamenti
prevedibili e ricorrenti, che il docente/tutor ha categorizzato e per i quali ha
predisposto dei messaggi o dei compiti. Per esempio, contattare uno studente
dopo un numero definito di giorni di assenza o rispondere a domande dello
studente la cui soluzione è già stata fornita ed è presente in piattaforma.
2. dialoga con il tutor per risolvere situazioni complesse. Il sistema di AI, su
interrogazione del tutor, presenta quadri della situazione (dashboard) relativi
all’aspetto cognitivo, relazionale, sia del singolo studente, sia del gruppo, fornisce informazioni per interventi didattici, avanzando per successive approssimazioni - in funzione degli input inseriti dai docenti.
Grazie alla prima modalità il tutor viene alleggerito da interventi routinari e
può dedicare spazio cognitivo ad interventi che richiedono maggiori competenze e creatività. Grazie alla seconda modalità il tutor può intervenire, avendo una
maggiore informazione sullo stato del sistema e sui comportamenti dei singoli e
del gruppo.
Un ruolo importante ha lo strumento di autoring con cui il progettista, nella fase
iniziale, e il docente/tutor, in itinere, definiscono le regole con cui opera l’AI. Tale
tool è spesso visto come uno strumento utilizzato per la progettazione iniziale da
esperti e non è disponibile per docenti e tutor che, di norma, non posseggono alte
competenze informatiche. Nel modello presentato, il sistema autore di AI diviene
essenziale per reificare l’approccio dialogico. La sua modalità operativa rispecchia
gli strumenti per la creazione di corsi presenti in LMS quali OLAT o MOODLE,
o strumenti più raffinati che operano anche in base ad ontologie. Il sistema autore
permette di costruire regole per il funzionamento del sistema. In base ad esse, il
sistema dialoga con il docente/tutor, interpreta le informazioni e suggerisce l’uso
di dispositivi, privilegiando la rapidità alla soluzione perfetta. Il sistema memorizza
non solo le soluzioni, ma anche i passaggi intermedi delle interrogazioni passate,
in modo che alcuni processi possano divenire delle routine con cui operare in
situazioni successive. In altri termini, la modalità del punto 2 è uno strumento che
produce le modalità del punto 1.
6 Conclusioni
In base al modello, l’Università degli studi di Macerata, in collaborazione
con altre Università italiane, sta realizzando un prototipo per sistemi integrati
LMS-AI non subject matter oriented.
L’LMS scelto per l’attuazione del prototipo è OLAT, realizzato dalla Università di Zurigo, in quanto garantisce quelle caratteristiche di scalabilità, interoperabilità e portabilità non possedute ad oggi da altri LMS open source.
Inoltre la struttura in Java, la possibilità di nidificare, senza limite, le attività,
aggregando in tal modo tool in dispostivi, lo storyboard, ovvero il percorso
73
Je-LKS
—
Applications -
Vol. 5, n. 1, febbraio 2009
didattico, in XML, favoriscono l’integrazione con il framework dell’AI. OLAT
presenta un sistema autore ad alta usabilità, anche per docenti senza particolari
conoscenze informatiche e polarizza la loro attenzione sugli aspetti pedagogicodidattici. Grazie al sistema autore il docente/tutor, oltre a creare il corso, può
rimodularlo in itinere e in tempo reale.
Nell’LMS sono integrati e si stanno integrando strumenti del KM per l’analisi semantica dei testi, per l’organizzazione dei tag e per la integrazione dei
dati provenienti dal monitoraggio.
Si stanno testando due framework open source per l’AI (Cougaar e Jade),
basati su architettura Java.
La sperimentazione dovrà rispondere a due quesiti fondamentali:
• l’integrazione fra e-learning, KM e AI può rispondere alle esigenze di percorsi flessibili e sempre più complessi che attivino processi di riflessione
e di consapevolezza;
• il supporto della AI, mirato non a sostituire ma coadiuvare e valorizzare
l’attività del docente/tutor, può fornire strumenti per migliorare la qualità
dei percorsi sia blended, sia totalmente on line e ne favorisce la sostenibilità.
Ad oggi è stata ultimata la messa a punto e personalizzazione dell’ambiente,
che viene sperimentato in corsi post laurea e si stanno implementando le regole
per l’AI. Si prevede di arrivare, entro la fine del 2009, alla messa a punto del
prototipo di LMS con elementi diAI.
BIBLIOGRAFIA
Attwell G. (2007), Searching, Lurking and the Zone of Proximal Development, Bremen,
Pontypridd.
Beck J., Stern M. (1996), Applications of AI in education, ACM Crossroads, 3(1), 1115.
Bonaiuti G. (2006), E-learning 2.0, Trento, Erickson.
Clancey W. J. (1993), The Knowledge Level Reinterpreted: Modelling Socio-Technical
Systems, International Journal of Intelligent Systems, 8, 33-49.
Dick W., Carey S. (1990), The systematic design of instruction, New York, Foresman.
Gómez-Sanz J., Pavón J. (2004), Methodologies for Developing Multi-Agent Systems,
Journal of Universal Computer Science.
Gordon J., Zemke R. (2000), The attack on ISD: have we got instructional design all
wrong? Training Magazine, 37, 43-53.
Guba G., Lincoln Y.S. (1994), Competing paradigms in qualitative research, in: Denzin
N. K., Lincoln Y. S. (eds), A Handbook of Qualitative Research, Thousand Oaks,
Sage.
74
Pier Giuseppe Rossi - Ambiente di apprendimento con elementi di artificial intelligence
Lytras M., Naeve A., Nejdl W., Balacheff N., Hardin J. (2006), Advances of the
Semantic Web for e-learning: expanding learning frontiers, British Journal of
Educational Technology, 37 (3), 321–330.
Newell A. (1982), The Knowledge Level, Artificial Intelligence, 18, 87-127
Pirrone R., Cannella V., Russo G. (2007), A proposal for a system able to analyze forum
discussions and to build personalized learning path, in: Colorni A. (ed), E-learning
tra formale ed informale, Macerata, Ceum.
Ravet S. (2007), Position Paper on ePortfolio, URL: http://www.eife-l.org/publications/
eportfolio/documentation/positionpaper, (verificato il 10 giugno 2008).
Rossi P.G. (2007), Design and ongoing monitoring systems for online education, in:
On Line Educa 2007, Berlino.
Rossi P.G., Giannandrea L. (2006), Che cos’è l’e-portfolio, Roma, Carocci.
Schoop M., de Moor A., Dietz J. (2006), Communications of the acm the pragmatic
web: a manifesto, Commun. ACM 49, 5, 75-76.
Shute V. J., Psotka J. (1996), Intelligent tutoring systems: Past, present and future
in: Jonassen D. (eds), Handbook of research on educational communications and
technology, New York, Macmillan.
Tasso C., Omero P. (2002), La personalizzazione dei Contenuti Web: E-Commerce,
I-Access, E-Government, Milano, Franco Angeli.
Varela F. (2007), Autopoiesi ed emergenza, in: Benkirane R. (eds), La teoria della
complessità, Torino, Bollati e Boringhieri.
VanLehn K., Lynch C., Schultz K., Shapiro J. A. (2005), The Andes physics tutoring
system: Lessons learned, International Journal of Artificial Intelligence and
Education, 15,3, 147-204.
VanLehn K., Chi M. (2007), Porting an Intelligent Tutoring System Across Domains,
Frontiers In Artificial Intelligence And Applications, 158, 551-553
Webber C., Pesty S. (2002), Emergent Diagnosis via Coalition Formation, Berlin,
Springer.
Webber C., Pesty S. (2004), The baghera multiagent learning environment, URL:
http://www.upgrade-cepis.org/issues/2004/4/up5-4Pesty.pdf (verificato il 10 giugno
2008).
75