Che cos’è l’Adaptive Learning e il ruolo dell’Intelligenza Artificiale

L’incremento dell’interesse per l’Intelligenza Artificiale, unito alla necessità, da parte delle organizzazioni, di fornire una formazione che favorisca lo sviluppo sia professionale che personale, ponendo l’individuo al centro, ha stimolato un crescente interesse verso l’Adaptive Learning. Ma, di cosa si tratta esattamente? E quale ruolo gioca l’IA?

Che cos’è l’Adaptive Learning

L’espressione Adaptive Learning – in italiano apprendimento adattivo – indica l’insieme delle soluzioni tecnologiche e metodologiche finalizzate a personalizzare l’esperienza di apprendimento in modo automatico, sulla base delle specificità del target di riferimento.
Il concetto di Adaptive Learning è strettamente legato a quello di personalizzazione, ma è importante distinguere tra “apprendimento personalizzato” e “apprendimento adattivo” per comprenderne meglio le caratteristiche.

• L’apprendimento personalizzato si riferisce a un paradigma di apprendimento che mira a promuovere lo sviluppo individuale dei discenti sottolineando che il processo di apprendimento dovrebbe includere metodi di insegnamento, tecniche e contenuti che rispondano alle caratteristiche e potenzialità di ciascuno.
• L’apprendimento adattivo si basa invece sull’uso di tecnologie per modulare l’esperienza in base alle prestazioni e all’interazione dell’utente con i materiali del corso. Questo approccio utilizza i dati sulle prestazioni degli studenti per adattare contenuti e metodi, guidando ciascuno verso il raggiungimento degli obiettivi di apprendimento.

Il concetto di apprendimento personalizzato è più ampio rispetto a quello di apprendimento adattivo. Mentre l’apprendimento personalizzato abbraccia un’ampia gamma di strategie e metodi per adattare il percorso formativo alle esigenze individuali, l’apprendimento adattivo si focalizza sull’utilizzo delle tecnologie. Tra queste, l’Intelligenza Artificiale svolge un ruolo cruciale per poter rendere concreti personalizzazione e adattamento dell’esperienza sulla base delle caratteristiche uniche di ciascun utente.

Secondo Panciroli e Rivoltella, l’Adaptive Learning implica l’impiego di software capaci di identificare lo stile di apprendimento di ogni utente, il suo grado di sviluppo cognitivo e il tempo di cui ha bisogno per padroneggiare un argomento. Questo permette di personalizzare la presentazione dei materiali, passando da un modello di organizzazione della didattica standard, basato sull’idea “one-fits-all” (“uno adatto e uguale per tutti), a uno che si adatta alle caratteristiche individuali dello studente.
Il software che permette questo tipo di organizzazione è solitamente un LMS con funzionalità avanzate specifiche per l’Adaptive Learning. Esistono principalmente quattro tipi di sistemi:

• Decision Tree Adaptive System
• Rule-based Adaptive System
• Machine Learning Adaptive System
• Advanced Algorithm Adaptive System

I primi due tipi si basano su algoritmi più semplici, mentre gli ultimi due sfruttano dati, cloud computing e algoritmi avanzati capaci di apprendere.

Evoluzione dell’Adaptive Learning

In ambito pedagogico, l’idea di personalizzare l’apprendimento e di adattare i percorsi formativi ha radici antiche, dalla maieutica di Socrate alla celebre massima di Confucio che incoraggiava a “insegnare agli studenti secondo le loro attitudini”. Ma, solo con l’avvento delle tecnologie moderne è stato possibile pensare di applicarla su larga scala nelle istituzioni educative, in primis nel mondo scolastico e universitario.

Sebbene il concetto di Adaptive Learning possa sembrare contemporaneo, a causa della recente diffusione su larga scala dell’Intelligenza Artificiale, la sua esplorazione e sviluppo risalgono agli anni ’50. Dalla famosa Teaching Machine di Skinner costruita nel 1954 a funzionamento manuale, tra gli anni ‘70 e ‘80 si è passati all’utilizzo di sistemi basati su algoritmi e regole semplici, in cui i feedback e percorsi di apprendimento si basavano principalmente sulle risposte corrette o errate fornite durante momenti di valutazione. Ad esempio, se uno studente non riusciva a rispondere correttamente a una domanda, il sistema poteva offrire spiegazioni più dettagliate o esercizi più semplici. Successivamente, si è passati all’utilizzo di algoritmi basati su modelli statistici per comprendere meglio le caratteristiche individuali degli studenti e le loro necessità di apprendimento.

Con l’arrivo del primo decennio del 2000, si è assistito all’integrazione dei Big Data e a sistemi di Intelligenza Artificiale più avanzati: un progresso significativo, che ha permesso di analizzare un’ampia varietà di informazioni oltre ai semplici risultati dei test.

Secondo il Dipartimento dell’Educazione degli Stati Uniti, l’applicazione dei Big Data nel campo dell’educazione è possibile grazie al Data Mining, l’estrazione di dati sull’apprendimento, e all’analisi di questi (Learning Analytics). La sinergia tra questi due aspetti permette un utilizzo efficiente dei dati registrarti non solo per la valutazione dei processi di apprendimento, ma anche per la previsione delle prestazioni future e l’identificazione di potenziali difficoltà.

Come funziona l’Adaptive Learning

Per comprendere come si realizza l’Adaptive Learning, è essenziale sottolineare l’importanza degli LMS con funzionalità avanzate e degli algoritmi di Machine Learning che all’interno di queste giocano un ruolo chiave.
Queste piattaforme raccolgono e analizzano un’ampia gamma di dati che includono: informazioni demografiche sugli utenti, risposte e performance in quiz e test, interazioni con i contenuti (come il tempo di permanenza) e feedback degli utenti su vari materiali di apprendimento (per esempio quanto hanno trovato interessante, difficile o utile un determinato contenuto).

Grazie al Machine Learning questi dati vengono utilizzati per identificare modelli e tendenze nelle performance e nelle preferenze degli utenti. Utilizzando questi modelli, le piattaforme di Adaptive Learning possono creare percorsi di apprendimento personalizzati, adattando la difficoltà e il tipo di materiale in base alle prestazioni e alle preferenze individuali. Per esempio, gli utenti con una buona conoscenza di un argomento potrebbero saltare i moduli introduttivi di un determinato percorso, mentre quelli che necessitano di maggiore sostegno riceverebbero risorse più dettagliate, procedendo a un ritmo più graduale.

Oltre a regolare il ritmo di apprendimento, queste piattaforme utilizzano il Machine Learning per analizzare continuamente i progressi degli studenti, adattando i contenuti in tempo reale al fine di garantire un’esperienza di apprendimento ottimale. Sono in grado di identificare i punti di forza e le aree di miglioramento degli utenti, proponendo quiz e attività personalizzate.

Il Machine Learning, insieme al Data Mining e all’analisi statistica, permette alle piattaforme di elaborare e interpretare grandi volumi di dati, creando modelli predittivi che guidano l’intero processo di apprendimento. Questa sinergia di tecnologie avanzate rappresenta il cuore pulsante dell’efficacia delle moderne piattaforme di apprendimento adattivo.

Vantaggi dell’Adaptive Learning

Emergono chiaramente due principali vantaggi dell’Adaptive Learning:

• fruire di contenuti su misura, che corrispondono alle conoscenze, alle competenze e agli obiettivi di apprendimento di ogni discente;
• adattare il ritmo di erogazione dei contenuti in base ai progressi individuali assicurandosi, in questo modo, che gli utenti non siano né sopraffatti né annoiati, favorendo un’esperienza di apprendimento coinvolgente ed efficace.

Uno studio molto citato della Education Growth Advisor dichiara che quando la società Knewton – uno dei primi fornitori di piattaforme di apprendimento adattivo – ha iniziato una partnership con la Arizona State University, il tasso di studenti che ha passato gli esami è aumentato del 18% e i ritiri dai corsi di matematica sono scesi del 47%. La Colorado Technical University ha usato l’Adaptive Learning in un corso di economia e i ricercatori hanno rilevato che il tasso di studenti che ha passato gli esami è aumentato del 27%. I dati dunque sembrano confermare l’efficacia.
Secondo il rapporto di ricerca del 2023 della Corporate Education Community della Graduate School of Business del Politecnico di Milano, tra le tematiche ritenute più rilevanti all’interno delle organizzazioni, la crescita personale è emersa per la prima volta al primo posto, superando la digital transformation che in passato era sempre stata in cima alla lista. Questo indica un cambiamento all’interno delle organizzazioni, con una crescente riconoscimento dell’importanza di promuovere la crescita a 360° delle persone. L’Adaptive Learning si adatta perfettamente a questa esigenza, come confermato dalla stessa ricerca.

L’Adaptive Learning, infatti, si presta bene alle esigenze e alle preferenze di apprendimento degli adulti, i quali preferiscono contenuti ritenuti utili e desiderano un’esperienza personalizzata che sentono di poter controllare, poiché si adatta a tempi e modalità di apprendimento. L’approccio “one-fits-all” priva di questi aspetti e può generare frustrazione e insoddisfazione. Garantendo ai discenti il controllo del proprio apprendimento, li rendiamo responsabili e più soddisfatti e generiamo un’esperienza di apprendimento migliore. Se l’apprendimento è un’esperienza positiva e soddisfacente, è più probabile che gli individui la cerchino anche in situazioni non obbligatorie.
Altri vantaggi dell’Adaptive Learning sono:

• aumento del coinvolgimento e miglioramento delle performance: le esperienze di apprendimento personalizzate, basate su dati e algoritmi, soddisfano gli stili di apprendimento e le preferenze individuali, aumentando la motivazione e il coinvolgimento. Questo si traduce in un miglioramento complessivo dei risultati educativi;
• risposta alle esigenze di apprendimento specifiche: le piattaforme di apprendimento adattivo sono in grado di individuare le esigenze di apprendimento individuali e fornire supporto mirato. Questo consente di affrontare in modo più efficace le lacune di conoscenza e le difficoltà, garantendo che ogni studente riceva il livello appropriato di sfida e supporto;
• approccio focalizzato sullo sviluppo delle competenze: le piattaforme di apprendimento adattivo sono ideali per sostenere i percorsi di formazione basati sulle competenze, concentrati sulla padronanza di abilità e conoscenze specifiche anziché sulla sola trasmissione di una serie di nozioni.

I limiti dell’Adaptive Learning

Nonostante l’efficacia dimostrata e l’interesse da parte di organizzazioni e istituzioni ci sono 2 grandi limiti:

1. Protezione di dati e informazioni degli utenti, condivisione e accesso di terze parti. Le piattaforme di apprendimento adattivo, basandosi su raccolta, analisi e archiviazione di ampie quantità di dati utente per personalizzare l’esperienza didattica, suscitano preoccupazioni sulla privacy e sicurezza dei dati personali degli utenti. È essenziale che le organizzazioni si assicurino che queste piattaforme rispettino rigorosi standard di protezione dei dati e valutino con attenzione le modalità di condivisione dei dati con fornitori di servizi terzi, stabilendo linee guida chiare per limitare l’accesso a dati sensibili.
2. Accesso alla tecnologia: l’implementazione di piattaforme di apprendimento adattivo richiede una solida infrastruttura tecnologica, tra cui l’accesso a Internet ad alta velocità, dispositivi appropriati e software affidabile. La mancanza di risorse tecnologiche adeguate può dunque rappresentare un ostacolo all’adozione di piattaforme di apprendimento adattivo.

Conclusione

I numerosi vantaggi dell’Adaptive Learning nell’offrire percorsi formativi personalizzati, basati sulle conoscenze pregresse e sugli obiettivi di crescita individuali, sono evidenti. L’Intelligenza Artificiale gioca un ruolo cruciale nell’evoluzione dell’offerta formativa, supportando l’adattabilità e la personalizzazione del processo di apprendimento.