• Ritorna alla home page
• Apprendimento e istruzione

Ripensare la valutazione per studenti con diverse esigenze di apprendimento.

Pubblicato il: 19 Settembre 2018

Questo articolo ha più di 5 anni

Articoli Apprendimento e istruzione Società Tecnologia Competenze del X secolo Tecnologia dell'istruzione Differenze individuali STEM Tecnologia e società Variabilità dell'apprendimento

chrstphre, flickr.com, CC-BY 2.0

Autore

Jodi Asbell-Clarke

Ricercatore senior, TERC

Immaginate di dover richiedere la patente di guida in un paese straniero. I moduli sono scritti in un alfabeto sconosciuto e la segnaletica stradale vi è ignota. Anche se siete guidatori esperti, le parole e i simboli presenti nell'esame di guida potrebbero impedirvi di ottenere la patente.

Ecco come si sente la scuola per molti studenti. Studenti che padroneggiano la probabilità e la statistica sofisticate richieste per giochi popolari come Pokémon and magia, ma che non riescono a superare un test di matematica. Studenti che magari non sanno leggere o scrivere bene, ma che sanno smontare e rimontare un'auto. O creare splendide animazioni 3D, produrre video musicali o programmare un videogioco. Questi studenti non hanno delle carenze; ​​semplicemente imparano e producono in modi che i test accademici non misurano.

Molti studenti possiedono talenti non riconosciuti che non vengono coltivati ​​e valorizzati. Gli studenti con differenze cognitive, come ADHD, dislessia e autismo, possono superare queste difficoltà se i loro obiettivi sono in gioco. L'apprendimento guidato dagli interessi è positivo per tutti gli studenti, ma è fondamentale soprattutto per coloro che presentano difficoltà nelle funzioni esecutive.

Gli studenti con difficoltà di autoregolazione e controllo degli impulsi spesso riescono a concentrarsi o a mantenere la calma nei progetti che amano perché il lavoro stesso li coinvolge. Coloro che faticano con compiti come la pianificazione, la decifrazione di parole e simboli e la memorizzazione di sequenze di passaggi richiesti persevereranno e persino eccelleranno se motivati ​​dalle proprie passioni.

"L'apprendimento guidato dagli interessi è utile per tutti gli studenti, ma è fondamentale soprattutto per coloro che presentano difficoltà nelle funzioni esecutive."

Gli studenti con differenze cognitive spesso portano punti di forza unici come la creatività, il pensiero divergente, la risoluzione collaborativa dei problemi o un'estrema accuratezza. Questo modello di risorse delle differenze cognitive è diventato evidente per le industrie che desiderano queste diverse competenze nelle loro forze lavoro. Programmi come quello di Microsoft Programma di assunzione per l'autismo hanno aperto la strada allo sfruttamento di risorse precedentemente considerate come "disabilità di apprendimento".

Come misurano dunque i ricercatori queste risorse cognitive? Come le sfruttano gli educatori per fornire un apprendimento individualizzato a studenti con diverse esigenze? Questi sforzi richiedono valutazioni di implicito conoscenza—conoscenza che gli studenti potrebbero non essere in grado di esprimere a parole durante un test, ma che dimostrano attraverso i comportamenti quotidiani.

Il chimico e filosofo Michael Polanyi ha scritto in 1966«Sappiamo più di quanto possiamo esprimere». Sosteneva che la conoscenza implicita – ciò che sappiamo ma non possiamo dire – costituisce il fondamento di ogni apprendimento. I ricercatori studiano come le organizzazioni costruiscono la conoscenza implicita collettiva e come gli operai di una catena di montaggio acquisiscono competenze implicite per una maggiore efficienza, ma l'utilizzo dell'apprendimento implicito in contesti educativi ha lasciato perplessi i ricercatori.

"In che modo gli educatori sfruttano le risorse cognitive per offrire un apprendimento individualizzato a studenti con diverse esigenze?"

Gli insegnanti richiedono prove di conoscenza esplicita, ovvero di conoscenza espressa in un test, di solito per iscritto. Sfortunatamente, tali test, anche quelli utilizzati per valutare le capacità cognitive, in genere non misurano le conoscenze e le abilità quotidiane degli studenti.

L'anno scorso ho partecipato a un conferenza di ricerca riguardo alla dislessia, alle materie STEM e alle differenze di apprendimento ospitate dalla National Science Foundation degli Stati Uniti e dall'Institute of Educational Sciences. Esistono interventi promettenti per aiutare i bambini che apprendono la matematica in età prescolare con dislessia e discalculia (ad esempio Fuchs&Fuchs), ma spesso utilizzano complessi problemi di testo per i test pre/post al fine di studiarne l'efficacia. In questo caso, la valutazione rappresenta un ostacolo per gli studenti che si cerca di raggiungere.

Una buona valutazione dell'apprendimento implicito dovrebbe misurare la conoscenza dimostrata naturalmente attraverso le attività, piuttosto che tramite un test. È un obiettivo difficile da raggiungere, ma fortunatamente ora è il momento ideale per affrontare questa sfida.

L'analisi dei dati aiuta a comprendere meglio ciò che gli studenti sanno realmente.

Gli studenti trascorrono sempre più tempo in ambienti digitali. I giochi digitali sono dove molti scegliere per dedicare del tempo. Un gioco di apprendimento ben progettato invoglia i giocatori a sviluppare le conoscenze e le competenze necessarie per progredire nel gioco. Un gioco di apprendimento ben progettato produce anche prove dell'apprendimento acquisito dai giocatori, e può quindi fungere da valutazione implicita dell'apprendimento.

"Un gioco educativo ben progettato fornisce prove del fatto che i giocatori hanno acquisito conoscenze e competenze, e può quindi fungere da valutazione implicita dell'apprendimento."

Le valutazioni basate sull'apprendimento implicito nei giochi sfruttano il tempo che gli studenti trascorrono nei videogiochi, combinandolo con metodi di apprendimento automatico all'avanguardia che utilizzano strumenti di data mining per individuare prove di apprendimento. Registrando l'attività nei giochi digitali, i ricercatori possono tracciare ogni mossa di un giocatore, insieme al feedback di gioco corrispondente, e associare a ogni registrazione un timestamp e un ID giocatore anonimo.

Utilizzando strumenti specializzati, come EdGE presso TERC Architettura dei dati di apprendimento basata sul gioco, DataArcadeI dati del registro digitale vengono visualizzati come una riproduzione video simulata del gioco di un individuo. Questo strumento di riproduzione consente l'etichettatura remota ed efficiente delle strategie comuni nel gioco. La Figura 1 mostra un esempio di etichettatura da parte dei ricercatori delle prove del pensiero computazionale nel gioco di logica chiamato Zoombinis.

Per ogni gioco che studiamo, il nostro team di ricerca guarda i video delle partite di un'ampia gamma di giocatori e concorda su cosa costituisca prova di un potenziale apprendimento. Successivamente, sviluppa modelli di apprendimento automatico per rilevare automaticamente tali prove su larga scala. Questa valutazione scalabile dell'apprendimento implicito apre nuove opportunità per un insegnamento e un apprendimento inclusivi.

Ricerca recente utilizzato DataArcade e data mining per costruire rilevatori automatici di apprendimento scientifico implicito in un gioco di fisica chiamato Impulso. Questo lavoro È stato dimostrato che quando gli insegnanti collegano l'apprendimento basato sul gioco ai contenuti didattici in classe, l'apprendimento esplicito delle scienze da parte degli studenti migliora. Quando uno studente usa più forza nel gioco per spostare particelle pesanti rispetto a quelle leggere, un insegnante può dire: "Lasciatemi dire cosa diceva Sir Isaac Newton a riguardo".

"Quando gli insegnanti integrano l'apprendimento basato sul gioco con i contenuti scolastici, l'apprendimento esplicito delle scienze da parte degli studenti migliora."

Utilizzando il data mining per analizzare ciò che gli studenti fanno, e non solo ciò che dicono, possiamo cogliere meglio ciò che realmente sanno. I rilevatori automatici possono individuare quando ogni singolo studente raggiunge un momento cruciale di "illuminazione" o quando incontra difficoltà. L'applicazione di questi metodi in contesti in cui gli studenti scelgono di perseverare nella risoluzione di problemi complessi può raggiungere un pubblico eterogeneo di studenti.

Non solo gli insegnanti possono sfruttare queste informazioni per l'apprendimento differenziato, ma anche i progettisti possono creare esperienze che si adattano ai punti di forza e di debolezza di ogni studente. Ad esempio, le informazioni provenienti dalle valutazioni dell'apprendimento implicito possono essere integrate in un'esperienza di gioco in tempo reale per personalizzare l'apprendimento in base al comportamento di ogni studente.

Le valutazioni implicite dell'apprendimento non si limitano ai giochi. Qualsiasi ambiente digitale in cui l'attività degli studenti può essere tracciata offre la base per una valutazione dell'apprendimento. Ambienti di programmazione introduttivi, come Scratch or App Inventor provenienti dal MIT, potrebbero essere ambienti di test avanzati in cui viene misurato l'apprendimento implicito.

"Andare dove si svolge l'apprendimento e utilizzare strumenti per analizzare i dettagli più a fondo, potrebbe rivelare ogni sorta di risorsa cognitiva di cui non eravamo a conoscenza."

Andare dove avviene l'apprendimento e utilizzare strumenti per analizzare a fondo i processi cognitivi potrebbe rivelare risorse inesplorate. Immaginate cosa succederebbe se ogni insegnante potesse vedere cosa sa realmente ogni studente.