Le piattaforme di apprendimento con AI sono davvero più coinvolgenti?

Un gruppo di 23 studenti ha messo alla prova tre famose piattaforme di apprendimento online – Khan Academy, Coursera e Codecademy – per capire come le funzioni AI influenzino l’esperienza d’uso. Il test, incentrato sull’apprendimento dell’HTML, ha misurato il tempo impiegato per completare i compiti, la soddisfazione, il coinvolgimento e la precisione delle risposte. Codecademy si è distinta per la rapidità: gli studenti hanno finito le esercitazioni più velocemente. Khan Academy, invece, ha ottenuto il punteggio più alto in termini di soddisfazione, grazie a un’interfaccia più accogliente.

Sorprendentemente, le caratteristiche adattive basate su AI sono risultate quasi invisibili. I partecipanti hanno percepito che l’interattività di base della piattaforma (feedback immediato, esercizi pratici) avesse un impatto maggiore rispetto agli algoritmi di personalizzazione. Questo ha portato a una conclusione chiave: c’è un trade‑off tra efficienza di apprendimento e coinvolgimento, mediato dalla capacità di scoprire e apprezzare le funzioni AI.

Perché le piattaforme non sfruttano appieno il potenziale dell’AI? Gli autori suggeriscono di rendere le funzionalità adattive più evidenti, intuitive e integrate nel flusso di studio. Solo così gli studenti potranno beneficiare di un percorso di apprendimento più personalizzato senza sacrificare la motivazione.

Lo studio utilizza un approccio misto, combinando metriche quantitative (tempo di completamento, accuratezza) con dati qualitativi (interviste semi‑strutturate). La scelta di HTML come contenuto di prova è strategica: si tratta di un linguaggio di markup con sintassi semplice, ma che richiede comunque una comprensione concettuale di tag, attributi e struttura gerarchica. Questo permette di isolare l’effetto delle interfacce senza introdurre variabili cognitive troppo complesse.

Le piattaforme analizzate implementano diversi modelli di adattività. Khan Academy usa un algoritmo basato su Bayesian Knowledge Tracing, che stima la probabilità che lo studente abbia appreso un concetto in base alle risposte precedenti. Coursera, invece, si affida a un sistema di raccomandazione ibrido, combinando collaborative filtering con analisi del contenuto del corso. Codecademy adotta un approccio più reattivo, fornendo feedback immediato e suggerimenti contestuali basati su regole predefinite.

I risultati mostrano che la mera presenza di algoritmi non garantisce un miglioramento percepito. La “discoverability” – ovvero la capacità dell’utente di riconoscere e comprendere le funzionalità adattive – risulta cruciale. Quando le funzioni AI sono nascoste o poco spiegate, gli studenti tendono a fare affidamento sull’interfaccia tradizionale, riducendo l’impatto dell’adattività. Questo fenomeno è supportato da teorie di cognitive load, secondo le quali l’introduzione di elementi non familiari può aumentare il carico extrinseco, ostacolando l’apprendimento.

Per ottimizzare l’efficacia delle piattaforme, gli autori propongono tre linee guida: (1) rendere le funzionalità AI esplicite attraverso tutorial brevi e visualizzazioni dei progressi; (2) integrare i suggerimenti adattivi direttamente nel flusso di lavoro, evitando interruzioni; (3) personalizzare il livello di trasparenza in base al profilo dell’utente, offrendo opzioni di “modalità esperto” per chi desidera un controllo più fine. Implementare queste strategie potrebbe ridurre il gap tra efficienza e coinvolgimento, sfruttando appieno il potenziale dell’intelligenza artificiale nell’educazione digitale.