Metodo per costruire una base di conoscenza e raccomandare risorse didattiche al docente

Cliente

Azienda < 50 dipendenti

Settore

EdTech; E-Learning

Fatturato

Contenuto Cover Dimensions

Dalla sfida...

Le piattaforme e-learning accumulano risorse di ogni tipo: PDF, video, slide e materiali web. Ma queste provengono da fonti diverse, hanno informazioni descrittive incomplete e spesso non sono nemmeno classificate.  I docenti perdono ore a cercare manualmente materiali coerenti, mentre i sistemi di raccomandazione tradizionali, pensati per dataset già strutturati, non riescono a operare su questa eterogeneità. Il risultato è una piattaforma ricca di contenuti ma povera di valore espresso, in cui ogni nuova risorsa rischia di restare invisibile. 

....al risultato

Abbiamo definito un metodo con domanda di brevetto depositata, integrabile in piattaforme e-learning, capace di organizzare risorse didattiche eterogenee in una banca dati ontologica basata sullo standard LOM.

Il sistema classifica automaticamente i contenuti privi di categoria, arricchisce le informazioni descrittive incomplete tramite AI e rende le risorse disponibili sotto forma di raccomandazioni pertinenti al corso che il docente sta costruendo.

Il risultato è una base di conoscenza che cresce e migliora a ogni nuova risorsa inserita, riducendo lo scouting manuale, valorizzando materiali oggi sottoutilizzati e aumentando progressivamente la qualità delle raccomandazioni.

Impatto atteso: riduzione del tempo dedicato alla ricerca e validazione dei materiali; maggiore valorizzazione delle risorse non classificate o descritte in modo incompleto; crescita continua della base di conoscenza nel tempo.

Dalla sfida...

Le piattaforme e-learning accumulano risorse di ogni tipo: PDF, video, slide e materiali web. Ma queste provengono da fonti diverse, hanno informazioni descrittive incomplete e spesso non sono nemmeno classificate.  I docenti perdono ore a cercare manualmente materiali coerenti, mentre i sistemi di raccomandazione tradizionali, pensati per dataset già strutturati, non riescono a operare su questa eterogeneità. Il risultato è una piattaforma ricca di contenuti ma povera di valore espresso, in cui ogni nuova risorsa rischia di restare invisibile. 

....al risultato

Cliente

Azienda < 50 dipendenti

Settore

EdTech; E-Learning

Fatturato

Contenuto Cover Dimensions

Cliente

Azienda < 50 dipendenti

Settore

EdTech; E-Learning

Fatturato

Contenuto Cover Dimensions

Dalla sfida...

Le piattaforme e-learning accumulano risorse di ogni tipo: PDF, video, slide e materiali web. Ma queste provengono da fonti diverse, hanno informazioni descrittive incomplete e spesso non sono nemmeno classificate.  I docenti perdono ore a cercare manualmente materiali coerenti, mentre i sistemi di raccomandazione tradizionali, pensati per dataset già strutturati, non riescono a operare su questa eterogeneità. Il risultato è una piattaforma ricca di contenuti ma povera di valore espresso, in cui ogni nuova risorsa rischia di restare invisibile. 

....al risultato

Abbiamo definito un metodo con domanda di brevetto depositata, integrabile in piattaforme e-learning, capace di organizzare risorse didattiche eterogenee in una banca dati ontologica basata sullo standard LOM.

Il sistema classifica automaticamente i contenuti privi di categoria, arricchisce le informazioni descrittive incomplete tramite AI e rende le risorse disponibili sotto forma di raccomandazioni pertinenti al corso che il docente sta costruendo.

Il risultato è una base di conoscenza che cresce e migliora a ogni nuova risorsa inserita, riducendo lo scouting manuale, valorizzando materiali oggi sottoutilizzati e aumentando progressivamente la qualità delle raccomandazioni.

Impatto atteso: riduzione del tempo dedicato alla ricerca e validazione dei materiali; maggiore valorizzazione delle risorse non classificate o descritte in modo incompleto; crescita continua della base di conoscenza nel tempo.

La soluzione

Abbiamo sviluppato un metodo con domanda di brevetto depositata per costruire una base di conoscenza e raccomandare risorse didattiche al docente. La soluzione è pensata per essere integrata in qualsiasi piattaforma e-learning e organizza documenti, video, audio, slide, immagini e materiali web in un’unica struttura coerente basata sullo standard LOM.

Il sistema confronta le nuove risorse con i contenuti già presenti, assegna automaticamente una categoria quando viene superata una soglia di affidabilità e ricostruisce le informazioni descrittive mancanti attraverso componenti di AI specializzate.

Ogni nuova risorsa viene così descritta, classificata e resa immediatamente disponibile per la raccomandazione, tenendo conto della disciplina, del livello degli studenti e del contesto didattico del corso.

Cosa abbiamo implementato:

  • Organizzazione delle risorse didattiche in una banca dati ontologica basata sullo standard LOM
  • Gestione di documenti, video, audio, slide, immagini e materiali web
  • Classificazione automatica delle risorse prive di categoria
  • Confronto statistico tra nuove risorse e contenuti già presenti
  • Assegnazione della categoria in base a una soglia di affidabilità
  • Arricchimento automatico delle informazioni descrittive mancanti
  • Estrazione di parole chiave dai contenuti testuali
  • Trascrizione e analisi dei contenuti audio e video
  • Descrizione semantica delle immagini
  • Raccomandazione contestuale dei materiali al docente

Stack tecnologico

Standard LOM Modello dati ontologico Algoritmi di similarità testuale Classificazione statistica AI per data enrichment Agenti multimodali Text extraction Audio / video transcription Image semantic analysis Recommendation engine

La soluzione combina una base di conoscenza ontologica, algoritmi statistici e componenti di AI in una pipeline coordinata.

Il modello dati, conforme allo standard LOM, permette di rappresentare in modo coerente risorse didattiche, docenti, studenti e contesti formativi. Gli algoritmi di similarità confrontano i nuovi contenuti con quelli già classificati e assegnano automaticamente una categoria quando il livello di corrispondenza supera la soglia prevista.

Gli agenti multimodali arricchiscono le informazioni descrittive riconoscendo il formato della risorsa e attivando il processo più adatto: estrazione del testo, analisi delle parole chiave, trascrizione di contenuti audio e video o descrizione semantica delle immagini. Il motore di raccomandazione utilizza infine queste informazioni per proporre al docente i materiali più pertinenti rispetto al corso in fase di costruzione.

Social Thingum®
Social Things SRL
C.F. e P.IVA: 08941810965

  Viale Umbria 63, 20135 - Milano
Via Francesco Paolo Campanella 2, 70021- Acquaviva delle Fonti (BA)
Via Chiellini 22, 57125 - Livorno (LI)
Sede legale: Via De Rolandi Battista 1, 20156 - Milano

 info@socialthingum.com


socialthings@pec.it

C.C.I.A.A. Milano | R.E.A. 2057562 | Reg. Imprese 08941810965
  02 83538781


Finanziato dall'Unione Europea
QSCert 27001 QSCert 9001

© Copyright 2025 Social Things srl - All rights reserved. Designed in Milan, Italy Privacy Policy | Cookie Policy | Trasparenza