home - articoli scientifici - Educational Data Mining e Robotica Educativa

#intelligenza-artificiale #machine-learning #data-mining #educazione 


Tempo di lettura/visione: 57 min

Educational Data Mining e Robotica Educativa

Il 15 novembre 2018 è uscita la graduatoria nazionale stilata dall'INDIRE (Istituto Nazionale Documentazione Innovazione e Ricerca Innovativa) sugli esperti italiani di Robotica Educativa.

Lorenzo Cesaretti, responsabile tecnico della startup TALENT e della piattaforma WeTurtle è arrivato primo ed è stato selezionato per preparare due contributi da condividere con la comunità degli insegnanti italiani. 

black friday weturtle

Un regalo per te!

La prima lezione di tutti i nostri corsi è gratuita! Visita i corsi che preferisci, fai il login e accedi alla lezione gratuita!

-20% sui nuovi corsi!

Approfitta della settimana del Black Friday su WeTurtle!

SCOPRI I CORSI CODICE SCONTO

 

Il primo contributo, dal titolo "Educational Data Mining e Robotica Educativa" si può scaricare da questo link  alla piattaforma Coding e Robotica Educativa di INDIRE.

Riportiamo di seguito alcuni passaggi significativi del contributo.

Siamo circondati da tecnologie in cui l’analisi dei dati è un elemento estremamente fondamentale: basti pensare a Spotify, la famosissima piattaforma di streaming musicale, che in base alle nostre scelte ci suggerisce nuove playlist che ci potrebbero piacere, oppure Netflix, piattaforma per la distribuzione di film e serie tv online, che calcola la potenziale percentuale di interesse che potremmo avere per un certo contenuto basandosi su quanto abbiamo visto in precedenza.
Queste piattaforme sfruttano algoritmi di machine learning e intelligenza artificiale per “apprendere” dai dati raccolti in base al comportamento degli utenti.
E se utilizzassimo queste tecniche a scuola, nel campo dell’educazione? Potremmo facilitare il lavoro degli insegnanti, e migliorare l’apprendimento degli studenti?

 

Nel mondo dell’educazione l’applicazione di tecniche Machine Learning e Data Mining potrebbe aprire scenari futuri molto interessanti, ad esempio:

  • Supportare gli insegnanti nella valutazione e nell’analisi dei processi di apprendimento degli studenti (e dei loro stili di apprendimento);
  • Supportare la creazione di materiali didattici e percorsi personalizzati per gli studenti;
  • Predire le performance future degli studenti, sulla base dei loro comportamenti;
  • Aiutare i docenti nella creazione dei gruppi di lavoro;
  • Supportare gli studenti nel percorso di apprendimento grazie a tutor artificiali “intelligenti” che forniscono feedback personalizzati.

 

Abstract del contributo

Nel contributo "Educational Data Mining e Robotica Educativa" (pubblicato su piattaforma INDIRE) l’Autore propone un’attenta disamina delle tecnologie riguardanti l’applicazione in campo educativo dell’Educational Data Mining (EDM), ovvero il processo di estrazione di informazioni interessanti, interpretabili e utili in contesto educativo a partire da un insieme di dati, utilizzando tecniche e algoritmi tipici del machine learning e dell’intelligenza artificiale. Con questo contributo l’Autore intende presentare ai docenti queste nuove frontiere con una modalità divulgativa e priva di dettagli tecnici, riferendosi in particolar modo all’EDM collegato ad attività di Robotica. A tal fine riporta, nella prima parte, una revisione dei lavori in cui sono state applicate tecniche di Data mining in campo costruzionista, mentre nella seconda parte presenta alcuni risultati preliminari dell’applicazione di questo approccio ad attività di ER in alcune sperimentazioni condotte dall’Autore stesso raccogliendo dati provenienti da robot didattici (Lego Mindstorms EV3) programmati da studenti di scuola secondaria. Raccogliere dati in attività di Robotica Educativa (ER) potrebbe fornire informazioni riguardo le traiettorie di apprendimento, permettendo così al docente di analizzare il processo che ha portato alla costruzione della sequenza di programmazione e potrebbe permettere l’individuazione dei diversi stili di apprendimento degli studenti, teorizzati da Papert e Turkle: tinkerers e planners.

Metodologia e materiali

La sperimentazione è stata articolata in due corsi con 4 classi di scuola secondaria (una di primo grado e tre di secondo grado) per un totale di circa 80 studenti.

Gli 80 studenti sono stati suddivisi in 25 gruppi di lavoro.
Ogni gruppo di lavoro ha avuto a disposizione:

 

Se siete intereressati a questo lavoro di ricerca, vi consigliamo di guardare questo intervento di Lorenzo Cesaretti tenuto durante il festival di Informatici Senza Frontiere a Rovereto, il 17 ottobre 2020.

A questo link potete scaricare le slide mostrate durante il seminario.

Ecco un elenco di articoli e video che potreste approfondire se interessati agli argomenti presentati in questo articolo:

Per qualsiasi domanda o approfondimento potete scrivere a lorenzo.cesaretti@weturtle.org.

Robotica a scuola con LEGO Mindstorms EV3 - ID SOFIA:...


Ti piace WeTurtle? Continua ad esplorare la nostra piattaforma!


Ti consigliamo il corso Robotica a scuola con LEGO Mindstorms EV3 - ID SOFIA: 48665

SCOPRI IL CORSO

Vuoi leggere la pubblicazione quando vuoi, anche offline?



Vuoi fare una domanda all'autore?

oppure


GLI ALTRI UTENTI HANNO CHIESTO