Your SlideShare is downloading. ×
Social tagging in un ambiente di apprendimento digitale                                                Stefano Penge      ...
libera, sembrerebbe poco significativa: le probabilità che due corsisti marchino liberamente inmaniera simile due unità di...
costruzione di unimmagine della valutazione dellintero gruppo.   L’aspetto che abbiamo scelto di esplorare è quello       ...
Il corsista può allora approfondire le informazioni sullautore della tag in due direzioni:   –   vedere quali altri nodi s...
Per consentirne la visualizzazione sintetica in un report di classe, il sistema calcola inoltre unindicatore di attività p...
comprensione più estesa, che si avvicina al concetto-limite di apprendimento di gruppo.   Si dovrà perciò verificare se lo...
Upcoming SlideShare
Loading in...5
×

Social tagging in un ambiente di apprendimento digitale

336

Published on

Published in: Education
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
336
On Slideshare
0
From Embeds
0
Number of Embeds
1
Actions
Shares
0
Downloads
2
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Transcript of "Social tagging in un ambiente di apprendimento digitale"

  1. 1. Social tagging in un ambiente di apprendimento digitale Stefano Penge Facoltà di Scienze della Comunicazione, Università di Roma La Sapienza Lynx Andrea Sterbini Dipartimento di Informatica Facoltà di Scienze Matematiche, Fisiche e Naturali Università di Roma La Sapienza1. Introduzione Il social tagging è un metodo ormai abbastanza diffuso nel Web per estrarre, rappresentare econdividere la conoscenza informale tra un grande numero di utenti. Il termine folksonomy1 benriassume la necessità di andare oltre i sistemi di categorizzazione top-down utilizzandolimplicita capacità di giudizio dellutente qualunque – accumulata nel tempo – per organizzarein maniera significativa le informazioni. Anche i sistemi di bookmarking condiviso fanno parte della grande ondata di rinnovamentoche percorre il web, e che si dirige verso una concezione di “uso” come authoring leggero piùche come semplice navigazione-lettura. Da un certo punto di vista, questapproccio sembrerebbe perfettamente naturale nellambitodelle-learning, in cui lutente tipico è motivato, abbastanza competente nel dominio einteressato alla collaborazione. Invece negli ambienti di apprendimento online questo meccanismo è poco usato. La primaragione che si può addurre è legata alle dimensioni della comunità di utenti coinvolta. Adifferenza di un repository di video e foto, o di un blog, un tipico corso online contiene unnumero di unità differenti piuttosto ridotto, dellordine di una o due centinaia al massimo; adifferenza delle comunità online internazionali, i gruppi di apprendimento sono in generalepiuttosto piccoli (meno di 25 corsisti). In questa situazione, la semplice marcatura, per di più1 Thomas Vander Wal, il primo ad usare questo termine, lo definisce in questo modo: “Folksonomy is the result of personal free tagging of information and objects (anything with a URL) for ones own retrival.The tagging is done in a social environment[...]”.
  2. 2. libera, sembrerebbe poco significativa: le probabilità che due corsisti marchino liberamente inmaniera simile due unità di contenuto sono piuttosto basse. Alcuni autori2 hanno utilizzato un sistema di categorie predefinite (thinking types) permarcare gli interventi nel forum associato ad un corso online riducendo così la scelta eaumentandone la significatività. Sembra in ogni caso fondamentale – in un contesto di apprendimento e non solo dicollaborazione/comunicazione - avere delle informazioni più ricche, cioè attribuire valore alleetichette non solo sulla base del numero di utenti che le hanno proposte, ma anche sulla basedella rilevanza attribuita ai loro autori. Il presente paper descrive un tentativo3 di ridefinire un uso delle tag significativo allinternodi un ambiente di apprendimento digitale.2. Il concetto di rilevanza Rilevanza qui ha un senso particolare, trattandosi di un corso online, che è sempre unattivitàdi apprendimento di gruppo: i marcatori usati da un corsista posso essere utili all’intero gruppodi apprendimento solo se aiutano il gruppo a costruire una propria concettualizzazione deicontenuti del corso, che non è semplicemente la somma delle concettualizzazioni di ciascuncorsista ma il risultato di una funzione più complessa che comprende interazioni multiple,mediazioni e negoziazioni. Se la fiducia nella categorizzazione dei contenuti del corso, in termini di relazioni concettualitra loro, è basata sullassunto che lautore dei contenuti sia un esperto della materia, oltre chedella comunicazione didattica, la fiducia nei contenuti e soprattutto nella valutazione deicontenuti proposta dagli altri corsisti è soggetta a maggiori cautele. Tuttavia questa secondafonte di informazioni (come gli altri corsisti “vedono” i contenuti del corso) si rivelafondamentale per lautogestione del percorso di apprendimento in una situazione di e-learningcollettiva. Per ogni corsista imparare a valutare le proprie reazioni ad un contenuto, in terminiad esempio di difficoltà di comprensione, non in maniera assoluta ma relativamente allereazioni espresse dagli altri partecipanti al gruppo, è addirittura un obiettivo di apprendimentoin sé, perché consente di migliorare le proprie capacità di autovalutazione attraverso la2 Fini et al., “Design of Collaborative Learning Environments: bridging the gap between CSCL theories and Open Source Platforms Bonaiuti”, Je-lks, 4. 2006.3 Le idee proposte in questo articolo sono nate da una serie di discussioni fra gli autori, e dalla loro ripresa in presenza e a distanza durante il Laboratorio di E-learning 2006-2007 del corso di laurea specialistica “Teoria della comunicazione e ricerca applicata” della Facoltà di Scienze della Comunicazione dellUniversità di Roma La Sapienza
  3. 3. costruzione di unimmagine della valutazione dellintero gruppo. L’aspetto che abbiamo scelto di esplorare è quello della costruzione di un piano diconcettualizzazione condiviso nel gruppo di apprendimento online (parallelo a quello originariocostruito dall’autore del corso), che è organizzato attraverso il tracciamento di sottinsiemi dietichette basati sulla somiglianza dei loro autori calcolata dal sistema. La soluzione che abbiamo implementato come prima approssimazione all’interno di unapiattaforma opensource, ADA,4 poggia da un lato sull’uso dei bookmark interni comemeccanismo di marcatura personale e condivisibile nel gruppo, e dall’altro su di unanalisiautomatica semplificata degli stili generali di interazione nellambiente da parte dei corsisti chetiene conto di tre dimensioni: il grado adesione al patto formativo, il grado di partecipazione equello di competenze acquisite.3. Tagging Da un lato, quindi, abbiamo esteso la funzione di bookmarking di ADA da meccanismo diconcettualizzazione privata a strumento di collaborazione di gruppo. Una tag è definita in ADA come una relazione tra un nodo del corso (o una nota del forum) eun utente (corsista o tutor). Lutente è libero di marcare ogni nodo, anche più volte, con parole apiacere. Nella navigazione lungo la rete di nodi che in ADA costituisce il corso, ogni utente vede letag apposte dai colleghi di classe, insieme con il loro autore. Navigando in un nodo, il corsista può vedere le informazioni associate ad esso dallautore: – approfondimenti – link ad altri nodi – esercizi – media – keyword ma anche quelle associate dagli altri partecipanti al corso (inclusi i tutor): – note di classe e personali – media inviati – tag Il primo è il piano dei contenuti, come è stato originariamente concepito dallautore. Ilsecondo è il piano delle concettualizzazioni elaborate da tutti i corsisti durante il corso.4 ADA è una piattaforma GPL progettata e realizzata da Lynx e scaricabile da http://ada.lynxlab.com
  4. 4. Il corsista può allora approfondire le informazioni sullautore della tag in due direzioni: – vedere quali altri nodi sono stati marcati con la stessa tag da quel corsista. – vedere quali altre tag sono state inserite da un corsista su nodi diversi Nel primo caso, il navigatore approfondisce la sua comprensione del significato attribuitodagli altri corsisti ad un tag; nel secondo caso il navigatore espande la sua conoscenza delprofilo degli altri corsisti. Le due attività esplorative, suggerite ma non imposte ai corsisti, siincrociano ed hanno degli effetti luna sullaltra. Per ogni tag presente nel sistema, il corsista può così farsi unidea personale di quanto debbaessere considerata rilevante, attendibile, e di quanto possa basarsi su quella per cercare diandare al di là della categorizzazione proposta dallautore dei contenuti del corso ed esplicitatacon titoli, keyword e link. Un aspetto non secondario è costituito dallordine con cui le tag vengono presentate. La classica soluzione delle “tag cloud”, oltre a veicolare in maniera del tutto percettivainformazioni semantiche, costituendo un problema per laccessibilità del sistema, evidenzia sololaspetto dellaccumulazione statistica (quanti corsisti hanno marcato il nodo con quellaparticolare tag). Assumono sempre più rilevanza le tag più condivise, le concettualizzazioni cheben rappresentano lidentità del gruppo. In questo modo, il gruppo rischia di convergere sullestesse concettualizzazioni. Eventuali misconcezioni vengono premiate e mai messe indiscussione. Una possibilità diversa e interessante appare quella di mostrare sempre le tag incollegamento ai loro autori, in modo che il corsista possa utilizzare tutte le informazioni che hasu di loro – prese da altri contesti comunicativi, come le chat, o i messaggi, o il forum stesso -per valutare la rilevanza di ogni tag. Le tag non vengono perciò ordinate per frequenza o per data, ma in base alla somiglianza deiloro autori rispettivi.4. Meccanismo di ordinamento La seconda parte del lavoro è consistita nella modifica delle funzioni di analisi dellinterospettro dei comportamenti dei corsisti in modo da permettere diversi tipi di ordinamento deipartecipanti della classe. Nella versione standard, ADA tiene traccia del numero di interazionitra corsisti (note nel forum, messaggi, chat), del numero di accessi ai nodi del corso e delnumero di esercitazioni svolte. Questi dati vengo usati come indicatori delle tre direttriciprincipali lungo le quali i corsisti si muovo durante un corso: il grado adesione al pattoformativo, il grado di partecipazione alle attività di gruppo e il livello di competenze acquisite.
  5. 5. Per consentirne la visualizzazione sintetica in un report di classe, il sistema calcola inoltre unindicatore di attività per ogni corsista che è una funzione pesata dei dati sopra menzionati.Lindicatore non ha un valore assoluto, ma viene usato dal tutor per monitorare nel tempolandamento dellintero gruppo, rispetto allandamento di gruppi precedenti per lo stesso corso, odi un corsista in rapporto al gruppo di cui fa parte. Ogni corsista, da questo punto di vista, ècollocato in ogni istante in una posizione precisa rispetto agli altri corsisti. Lidea che ci ha guidato è quella di utilizzare questo ordinamento per costruiredinamicamente la sequenza delle tag associate ad ogni nodo. Dati due corsisti che hanno lostesso stile generale di interazione con lambiente di apprendimento (per quello che è possibilecapire dai dati quantitativi a disposizione) supponiamo che le tag apposte dalluno siano le piùrilevanti per laltro, e viceversa. Rilevanti qui ha il significato che abbiamo chiarito sopra: cheaiutano a rivedere la propria concettualizzazione dei contenuti del corso alla luce di quella deglialtri. Per poter utilizzare in maniera efficiente i dati raccolti, è stato messo a punto un meccanismodi salvataggio automatico dello stato della classe in un determinato istante. E così possibilecostruire lordinamento di una tag senza ricalcolare ogni volta gli indicatori per ogni corsistadella classe. Gli indicatori utilizzati per calcolare lordinamento dipendono dallattività dei corsisti, equindi variano continuamente (se pur lentamente). La prima implementazione di questo calcolo,realizzata senza modificare la struttura del database che soggiace al sistema ADA, ha un tempodi elaborazione che non ne permette luso direttamente on-line, per cui si è preferito elaboraregli indicatori periodicamente (ogni giorno) e salvarne i valori. Un effetto collaterale di questo meccanismo è la possibilità di rivedere levoluzione di ungruppo classe durante tutto il corso, e non soltanto in un momento dato. E così possibilerappresentare, e analizzare, come in una moviola levoluzione degli indicatori di attività deidiscenti nel tempo. Chiariamo ancora che si tratta di uno degli elementi a disposizione delgruppo di apprendimento – non solo del tutor – per valutare il processo di apprendimento.5. Conclusioni e sviluppi In sintesi, grazie al meccanismo del tagging personale, ci sembra possibile incrociare – il piano dei contenuti (nodi dellautore, note della classe) – il piano delle concettualizzazioni (keyword dellautore, tag dei corsisti) – le conoscenze informali sugli altri corsisti. La sperimentazione di questi strumenti dovrà permettere di verificare se nella lettura di unnodo le informazioni appartenenti al secondo piano possono aiutare nella costruzione di una
  6. 6. comprensione più estesa, che si avvicina al concetto-limite di apprendimento di gruppo. Si dovrà perciò verificare se lordinamento della tag costruito sulla base dellindice di attivitàrisulta significativo soggettivamente per il corsista stesso, attraverso indagini dirette (interviste,sondaggi) e indirette (analisi del numero di corsisti che seguono le tag proposte). Si dovràintrodurre un meccanismo per il tracciamento delle interazioni dei corsisti con le tag in modo dapoter analizzare limpatto di questo particolare modo di ordinamento nellinterazione colsistema. Anche lespressione usata per il calcolo dellindice usato nellordinamento delle tag – che sibasa su un “peso” assegnato alle diverse componenti dellinterazione – andrà valutatasperimentalmente. Prevediamo inoltre di introdurre alcune modifiche al database di ADA in modo da realizzareun algoritmo di calcolo degli indicatori in cui il tempo di elaborazione sia ammortizzato; ovveroin modo tale che la maggior parte delle elaborazioni necessarie vengano frammentate edistribuite sulle interazioni col sistema (ma senza impattare sulle performance), così da rendereil calcolo dellordinamento dei tag efficiente e realizzabile in tempo reale.Indicazioni bibliograficheBowker C., Leihg Star S., Sorting things out: classification and its consequences, Cambridge,Mass., MIT press, 1999Fini A., Bonaiuti G., Pettenati M.C., Sarti L., Masseti M., “Design of Collaborative LearningEnvironments: bridging the gap between CSCL theories and Open Source Platforms”, Je-LKS -Journal of e-Learning and Knowledge Society, Vol 2, n. 4, 2006.Mathes, A. “Folksonomies: cooperative classification and communication through sharedmetadata”, Computer mediated communication, 12/2004Penge S., Mazzoneschi M., Terraschi M., “How to design an open(source) e-learning platform.The ADA experience”, Je-LKS - Journal of e-Learning and Knowledge Society, Vol 2, n. 1,Marzo 2006.Penge S., Mazzoneschi M., Terraschi M., "Strumenti di analisi per la valutazione di un gruppodi apprendimento online", Colloque TICEMED, Genova, Facoltà di Scienze della Formazione,Maggio 2006.Petrucco C., “Folksonomie, social software e apprendimento collaborativo”, Atti del 3°congresso nazionale SIEL, Roma, Luglio 2006

×