CON OCCHI DIVERSI - catechesi per candidati alla Cresima
Social tagging in un ambiente di apprendimento digitale
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 Sapienza
1. Introduzione
Il social tagging è un metodo ormai abbastanza diffuso nel Web per estrarre, rappresentare e
condividere la conoscenza informale tra un grande numero di utenti. Il termine folksonomy1 ben
riassume la necessità di andare oltre i sistemi di categorizzazione top-down utilizzando
l'implicita capacità di giudizio dell'utente qualunque – accumulata nel tempo – per organizzare
in maniera significativa le informazioni.
Anche i sistemi di bookmarking condiviso fanno parte della grande ondata di rinnovamento
che percorre il web, e che si dirige verso una concezione di “uso” come authoring leggero più
che come semplice navigazione-lettura.
Da un certo punto di vista, quest'approccio sembrerebbe perfettamente naturale nell'ambito
dell'e-learning, in cui l'utente tipico è motivato, abbastanza competente nel dominio e
interessato alla collaborazione.
Invece negli ambienti di apprendimento online questo meccanismo è poco usato. La prima
ragione che si può addurre è legata alle dimensioni della comunità di utenti coinvolta. A
differenza di un repository di video e foto, o di un blog, un tipico corso online contiene un
numero di unità differenti piuttosto ridotto, dell'ordine di una o due centinaia al massimo; a
differenza delle comunità online internazionali, i gruppi di apprendimento sono in generale
piuttosto piccoli (meno di 25 corsisti). In questa situazione, la semplice marcatura, per di più
1 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 one's own retrival.The
tagging is done in a social environment[...]”.
2. libera, sembrerebbe poco significativa: le probabilità che due corsisti marchino liberamente in
maniera simile due unità di contenuto sono piuttosto basse.
Alcuni autori2 hanno utilizzato un sistema di categorie predefinite (thinking types) per
marcare gli interventi nel forum associato ad un corso online riducendo così la scelta e
aumentandone la significatività.
Sembra in ogni caso fondamentale – in un contesto di apprendimento e non solo di
collaborazione/comunicazione - avere delle informazioni più ricche, cioè attribuire valore alle
etichette non solo sulla base del numero di utenti che le hanno proposte, ma anche sulla base
della rilevanza attribuita ai loro autori.
Il presente paper descrive un tentativo3 di ridefinire un uso delle tag significativo all'interno
di un ambiente di apprendimento digitale.
2. Il concetto di rilevanza
Rilevanza qui ha un senso particolare, trattandosi di un corso online, che è sempre un'attività
di apprendimento di gruppo: i marcatori usati da un corsista posso essere utili all’intero gruppo
di apprendimento solo se aiutano il gruppo a costruire una propria concettualizzazione dei
contenuti del corso, che non è semplicemente la somma delle concettualizzazioni di ciascun
corsista 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 concettuali
tra loro, è basata sull'assunto che l'autore dei contenuti sia un esperto della materia, oltre che
della comunicazione didattica, la fiducia nei contenuti e soprattutto nella valutazione dei
contenuti proposta dagli altri corsisti è soggetta a maggiori cautele. Tuttavia questa seconda
fonte di informazioni (come gli altri corsisti “vedono” i contenuti del corso) si rivela
fondamentale per l'autogestione del percorso di apprendimento in una situazione di e-learning
collettiva. Per ogni corsista imparare a valutare le proprie reazioni ad un contenuto, in termini
ad esempio di difficoltà di comprensione, non in maniera assoluta ma relativamente alle
reazioni espresse dagli altri partecipanti al gruppo, è addirittura un obiettivo di apprendimento
in sé, perché consente di migliorare le proprie capacità di autovalutazione attraverso la
2 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 dell'Università di
Roma La Sapienza
3. costruzione di un'immagine della valutazione dell'intero gruppo.
L’aspetto che abbiamo scelto di esplorare è quello della costruzione di un piano di
concettualizzazione condiviso nel gruppo di apprendimento online (parallelo a quello originario
costruito dall’autore del corso), che è organizzato attraverso il tracciamento di sottinsiemi di
etichette basati sulla somiglianza dei loro autori calcolata dal sistema.
La soluzione che abbiamo implementato come prima approssimazione all’interno di una
piattaforma opensource, ADA,4 poggia da un lato sull’uso dei bookmark interni come
meccanismo di marcatura personale e condivisibile nel gruppo, e dall’altro su di un'analisi
automatica semplificata degli stili generali di interazione nell'ambiente da parte dei corsisti che
tiene conto di tre dimensioni: il grado adesione al patto formativo, il grado di partecipazione e
quello di competenze acquisite.
3. Tagging
Da un lato, quindi, abbiamo esteso la funzione di bookmarking di ADA da meccanismo di
concettualizzazione 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) e
un utente (corsista o tutor). L'utente è libero di marcare ogni nodo, anche più volte, con parole a
piacere.
Nella navigazione lungo la rete di nodi che in ADA costituisce il corso, ogni utente vede le
tag apposte dai colleghi di classe, insieme con il loro autore.
Navigando in un nodo, il corsista può vedere le informazioni associate ad esso dall'autore:
– 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 dall'autore. Il
secondo 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. Il corsista può allora approfondire le informazioni sull'autore 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 attribuito
dagli altri corsisti ad un tag; nel secondo caso il navigatore espande la sua conoscenza del
profilo degli altri corsisti. Le due attività esplorative, suggerite ma non imposte ai corsisti, si
incrociano ed hanno degli effetti l'una sull'altra.
Per ogni tag presente nel sistema, il corsista può così farsi un'idea personale di quanto debba
essere considerata rilevante, attendibile, e di quanto possa basarsi su quella per cercare di
andare al di là della categorizzazione proposta dall'autore dei contenuti del corso ed esplicitata
con titoli, keyword e link.
Un aspetto non secondario è costituito dall'ordine con cui le tag vengono presentate.
La classica soluzione delle “tag cloud”, oltre a veicolare in maniera del tutto percettiva
informazioni semantiche, costituendo un problema per l'accessibilità del sistema, evidenzia solo
l'aspetto dell'accumulazione statistica (quanti corsisti hanno marcato il nodo con quella
particolare tag). Assumono sempre più rilevanza le tag più condivise, le concettualizzazioni che
ben rappresentano l'identità del gruppo. In questo modo, il gruppo rischia di convergere sulle
stesse concettualizzazioni. Eventuali misconcezioni vengono premiate e mai messe in
discussione.
Una possibilità diversa e interessante appare quella di mostrare sempre le tag in
collegamento ai loro autori, in modo che il corsista possa utilizzare tutte le informazioni che ha
su 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 dei
loro autori rispettivi.
4. Meccanismo di ordinamento
La seconda parte del lavoro è consistita nella modifica delle funzioni di analisi dell'intero
spettro dei comportamenti dei corsisti in modo da permettere diversi tipi di ordinamento dei
partecipanti della classe. Nella versione standard, ADA tiene traccia del numero di interazioni
tra corsisti (note nel forum, messaggi, chat), del numero di accessi ai nodi del corso e del
numero di esercitazioni svolte. Questi dati vengo usati come indicatori delle tre direttrici
principali lungo le quali i corsisti si muovo durante un corso: il grado adesione al patto
formativo, il grado di partecipazione alle attività di gruppo e il livello di competenze acquisite.
5. Per consentirne la visualizzazione sintetica in un report di classe, il sistema calcola inoltre un
indicatore di attività per ogni corsista che è una funzione pesata dei dati sopra menzionati.
L'indicatore non ha un valore assoluto, ma viene usato dal tutor per monitorare nel tempo
l'andamento dell'intero gruppo, rispetto all'andamento di gruppi precedenti per lo stesso corso, o
di un corsista in rapporto al gruppo di cui fa parte. Ogni corsista, da questo punto di vista, è
collocato in ogni istante in una posizione precisa rispetto agli altri corsisti.
L'idea che ci ha guidato è quella di utilizzare questo ordinamento per costruire
dinamicamente la sequenza delle tag associate ad ogni nodo. Dati due corsisti che hanno lo
stesso stile generale di interazione con l'ambiente di apprendimento (per quello che è possibile
capire dai dati quantitativi a disposizione) supponiamo che le tag apposte dall'uno siano le più
rilevanti per l'altro, e viceversa. Rilevanti qui ha il significato che abbiamo chiarito sopra: che
aiutano a rivedere la propria concettualizzazione dei contenuti del corso alla luce di quella degli
altri.
Per poter utilizzare in maniera efficiente i dati raccolti, è stato messo a punto un meccanismo
di salvataggio automatico dello stato della classe in un determinato istante. E' così possibile
costruire l'ordinamento di una tag senza ricalcolare ogni volta gli indicatori per ogni corsista
della classe.
Gli indicatori utilizzati per calcolare l'ordinamento dipendono dall'attività dei corsisti, e
quindi 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 tempo
di elaborazione che non ne permette l'uso direttamente on-line, per cui si è preferito elaborare
gli indicatori periodicamente (ogni giorno) e salvarne i valori.
Un effetto collaterale di questo meccanismo è la possibilità di rivedere l'evoluzione di un
gruppo classe durante tutto il corso, e non soltanto in un momento dato. E' così possibile
rappresentare, e analizzare, come in una moviola l'evoluzione degli indicatori di attività dei
discenti nel tempo. Chiariamo ancora che si tratta di uno degli elementi a disposizione del
gruppo 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 dell'autore, note della classe)
– il piano delle concettualizzazioni (keyword dell'autore, tag dei corsisti)
– le conoscenze informali sugli altri corsisti.
La sperimentazione di questi strumenti dovrà permettere di verificare se nella lettura di un
nodo le informazioni appartenenti al secondo piano possono aiutare nella costruzione di una
6. comprensione più estesa, che si avvicina al concetto-limite di apprendimento di gruppo.
Si dovrà perciò verificare se l'ordinamento della tag costruito sulla base dell'indice di attività
risulta significativo soggettivamente per il corsista stesso, attraverso indagini dirette (interviste,
sondaggi) e indirette (analisi del numero di corsisti che seguono le tag proposte). Si dovrà
introdurre un meccanismo per il tracciamento delle interazioni dei corsisti con le tag in modo da
poter analizzare l'impatto di questo particolare modo di ordinamento nell'interazione col
sistema.
Anche l'espressione usata per il calcolo dell'indice usato nell'ordinamento delle tag – che si
basa su un “peso” assegnato alle diverse componenti dell'interazione – andrà valutata
sperimentalmente.
Prevediamo inoltre di introdurre alcune modifiche al database di ADA in modo da realizzare
un algoritmo di calcolo degli indicatori in cui il tempo di elaborazione sia ammortizzato; ovvero
in modo tale che la maggior parte delle elaborazioni necessarie vengano frammentate e
distribuite sulle interazioni col sistema (ma senza impattare sulle performance), così da rendere
il calcolo dell'ordinamento dei tag efficiente e realizzabile in tempo reale.
Indicazioni bibliografiche
Bowker C., Leihg Star S., Sorting things out: classification and its consequences, Cambridge,
Mass., MIT press, 1999
Fini A., Bonaiuti G., Pettenati M.C., Sarti L., Masseti M., “Design of Collaborative Learning
Environments: 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 shared
metadata”, Computer mediated communication, 12/2004
Penge 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 gruppo
di 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