Come può l'IA scoprire gli studenti più brillanti in un corso di teatro online?

Le università stanno sperimentando corsi online che insegnano non solo recitazione, ma anche i principi della sostenibilità. In un recente studio, ricercatori hanno usato un algoritmo di Analisi Discriminante Lineare (LDA) per capire chi, tra gli iscritti, avrebbe ottenuto un voto di almeno sette. Il risultato? Un modello capace di indovinare il risultato finale con il 90 % di precisione.

Quali dati hanno alimentato l’IA? Il numero totale di accessi alla piattaforma e il completamento di compiti collaborativi. In pratica, più volte uno studente si collega e più partecipa a progetti di gruppo, più alta è la probabilità che ottenga un buon voto. Questo conferma quello che già sapevamo: l’apprendimento attivo e la collaborazione sono chiavi per il successo.

Il modello ha anche mostrato un 80 % di specificità, cioè è stato bravo a distinguere chi non avrebbe superato la soglia. Gli autori suggeriscono di aggiungere indicatori di coinvolgimento emotivo, come il tempo speso a guardare video o a commentare, per rendere le previsioni ancora più accurate.

Per le università, questi risultati aprono la porta a interventi mirati: se un algoritmo segnala che uno studente è a rischio, i docenti possono offrirgli supporto extra, migliorando ritenzione e risultati. In futuro, la stessa metodologia potrebbe essere testata su altri corsi, creando un ecosistema educativo più sostenibile e personalizzato.

L'Analisi Discriminante Lineare (LDA) è una tecnica statistica supervisionata che cerca di trovare una combinazione lineare di variabili predittive che massimizza la separazione tra classi predefinite. Nel contesto di questo studio, le classi erano "achiever" (voto ≥ 7) e "non‑achiever" (voto < 7). L'algoritmo calcola i vettori di media per ciascuna classe e la matrice di covarianza comune, per poi derivare la direzione che massimizza il rapporto tra varianza inter‑classe e varianza intra‑classe.

I predittori più influenti sono risultati essere il numero totale di login (logins_tot) e il numero di compiti collaborativi completati (collab_assign). Queste variabili riflettono due dimensioni chiave dell'apprendimento sostenibile: l'impegno cognitivo (presenza frequente sulla piattaforma) e l'impegno sociale (collaborazione). La loro importanza è coerente con la teoria dell'apprendimento socio‑cognitivo, che sottolinea l'interazione tra motivazione, comportamento e contesto.

Le metriche di performance del modello includono:
- Accuratezza (90 %): percentuale di previsioni corrette su tutti i casi.
- Specificità (80 %): capacità di identificare correttamente i non‑achiever.
- Tasso di classificazione corretta (88 %): media ponderata di sensibilità e specificità.

Per migliorare ulteriormente il modello, si potrebbero integrare indicatori di engagement emotivo, come l'analisi del sentiment nei forum di discussione o la frequenza di visualizzazione di contenuti multimediali. Inoltre, l'uso di tecniche di validazione incrociata su più corsi consentirebbe di valutare la generalizzabilità del modello, riducendo il rischio di overfitting. Infine, l'adozione di algoritmi più complessi, come Random Forest o Gradient Boosting, potrebbe catturare relazioni non lineari tra le variabili, potenzialmente aumentando la precisione predittiva.