Come migliorare la Human-Computer Interaction nell’e-learning?

Anche quest’anno abbiamo avuto il piacere di presentare il nostro contributo scientifico al Convegno Nazionale Didamatica, da sempre punto di riferimento per discutere i temi emergenti nell’evoluzione della didattica e della scuola del futuro, relativamente alla Human-Computer Interaction: l’edizione di quest’anno è stata dedicata al tema “Artificial Intelligence for Education” e alle modalità in cui algoritmi, sistemi e approcci di AI possono influire sui processi di insegnamento, apprendimento e sull’education in generale.

Il convegno è stato organizzato da AICA – Associazione Italiana per l’Informatica e il Calcolo Automatico, in collaborazione con l’Istituto Tecnologie Didattiche del Consiglio Nazionale delle Ricerche, il Ministero dell’Istruzione e con il patrocinio dell’Agenzia per l’Italia Digitale.

Abbiamo presentato il paper “Enhancing Teachers – AI Collaboration: Human Computer Interaction Techniques for Recommender Systems in Educational Platforms”, che riporta le metodologie e gli approcci individuati per migliorare significativamente la gestione dell’interazione tra docenti e il Recommender System della piattaforma WhoTeach nella creazione personalizzata dei corsi.

Come svolgere una valutazione di Human-Computer Interaction dei Recommender System intelligenti

Se la letteratura è abbondante sugli aspetti tecnici e implementativi dei Recommender System, tuttavia è scarsa sugli aspetti legati all’interazione e ai processi di decision-making degli utenti. Come valutare le performance dei sistemi di raccomandazione dotati di Intelligenza Artificiale relativamente alla Human-Computer Interaction?

Per rispondere a questa domanda, abbiamo svolto uno studio su WhoTeach, la piattaforma e-learning sviluppata da Social Thingum. WhoTeach comprende un Recommender System dotato di Intelligenza Artificiale, in grado di aiutare gli esperti e gli insegnanti ad aggregare rapidamente ed efficacemente contenuti di alta qualità nei corsi: permette infatti ai docenti di filtrare, selezionare e suggerire risorse didattiche in qualsiasi formato, in modo da integrarle in corsi completi secondo le necessità o i requisiti di insegnanti e studenti.

Abbiamo seguito 3 linee guida identificate fra le Guidelines for Human-AI Interaction particolarmente adatte nella valutazione dei sistemi di raccomandazione model-based:

  • G2: rendere chiaro quanto bene il sistema può fare quello che può fare: aiutare l’utente a capire quanto spesso il sistema AI può commettere errori;
  • G13: imparare dal comportamento dell’utente: personalizzare l’esperienza dell’utente imparando dalle sue azioni nel tempo;
  • G14: aggiornare e adattare con cautela: imitare i cambiamenti dirompenti quando si aggiornano e si adattano i comportamenti del sistema di IA.

Seguendo queste linee guida, sono stati svolti dei test di valutazione della Human-Computer Interaction, tenendo in considerazione il comportamento umano nel prendere decisioni.

I concetti chiave per migliorare un Recommender System intelligente

Tramite questa analisi abbiamo potuto distinguere alcuni concetti chiave di Human-Computer Interaction nel miglioramento delle performance dei Recommender System.

  • User Control: l’utente deve essere in controllo dell’esperienza. Questo significa che bisogna stabilire un adeguato livello di fiducia su come vengono gestiti i dati, affrontando anche le tematiche relative alla privacy.
  • Adattività: le raccomandazioni di risorse non devono essere volte soltanto alla più elevata accuratezza, ma devono adattarsi alle esigenze e ai desideri degli utenti.
  • Aspetti emotivi: le emozioni hanno profonda influenza sui processi di decision-making. Un sistema di raccomandazione dovrebbe essere in grado di utilizzare dei dati comportamentali nella proposta delle risorse.
  • Domini ad alto rischio: non tutti i domìni di conoscenza possono essere trattati allo stesso modo: esistono dei domìni in cui il livello di rischio è più elevato ed il decision-making diventa più complesso. Ad esempio, in ambito medico-chirurgico è più difficile dare fiducia all’Intelligenza Artificiale.

Conclusioni

In questo studio, abbiamo tracciato un framework utile alla valutazione e al miglioramento dei Recommender System basati sull’Intelligenza Artificiale. Le metodologie scelte dimostrano che la combinazione dei dati utilizzati dai sistemi di raccomandazione con tecniche di visualizzazione e interazione potrebbe migliorare la qualità e l’accuratezza delle raccomandazioni, aumentando anche la trasparenza del sistema.

Nelle prossime edizioni di Didamatica proseguiremo i nostri studi sull’influenza dell’Intelligenza Artificiale in ambito Education. Per questo vi invitiamo a seguirci e a rimanere aggiornati sul mondo dell’Innovazione!

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *