| Pagina di benvenuto | EduLearn: lettera M |

Machine Learning

Algoritimi matematici permettono alle macchine di apprendere in modo che possano effettuare e completare un'attività richiesta, senza che siano preventivamente programmate attraverso un codice che dica loro esattamente cosa fare.

L'intelligenza artificiale (IA) apprende direttamente dai dati (enormi quantità) e corregge gli errori, per svolgere autonomamente un determinato compito. Migliora le sue prestazioni in modo adattivo e proporzionalmente al numero di esempi.

Modelli di apprendimento ML:

1. Apprendimento supervisionato
I. mediante esempi di input e output,
II. obiettivo: identificare la regola generale,
III. esempi: riconoscimento vocale; identificazione scrittura manuale.

2. Apprendimento non supervisionato
a. mediante dati di input,
b. obiettivo: identificare la struttura logica,
c. esempi: risultati dei motori di ricerca.

3. Apprendimento per rinforzo
a. mediante ricompense/punizioni,
b. obiettivo: migliorare risultati precedenti,
c. esempi: Intelligent Tutoring Systems.

Altri esempi di applicazioni:
1. Previsione del rischio di drop-out.
2. Learning Analytics (LA) per:
I. incrementare la motivazione e la soddisfazione studenti,
II. orientare e valutare il processo formativo per progettare una didattica efficace.


Explainable AI (XAI). Disciplina recente nell'ambito del ML. Insieme di strumenti e tecniche per comprendere perché un modello di IA generi certe decisioni, attraverso la descrizione del suo funzionamento.

Il livello di interpretabilità dei modelli di ML è il modo in cui un essere umano può comprendere la causa di una decisione o essere in grado di riprodurre ciò che fa il modello. Un'elevata interpretabilità permette di rilevare e correggere varie forme di distorsione per rendere un modello robusto. Anche se sono state sviluppate tecniche in grado di spiegare a posteriori come un modello produca previsioni senza chiarirne la struttura (è il caso delle reti neurali profonde).

Spostamento verso un approccio alla tecnologia socialmente situato, in cui il contesto assume un ruolo sempre più rilevante nella spiegazione del processo decisionale mediato dall'IA (tecnologie di comunità).

Potenziali vantaggi della XAI in ambito Educational:
1. Agentività; co-progettazione e co-creazione; comprensione funzionale.
2. Tecniche di spiegazione nei contesti educativi e scolastici: es. feedback agli studenti.
3. Alfabetizzazione. I. comprensione di cosa sia l'IA. II. capacità di apprendere con l'IA. III. abilità di collaborare con l'IA in modo sempre più integrato; spiegabilità nell'ambito della progettazione dell'IA.
4. Miglioramento delle prestazioni istituzionali nel contesto di un'azione politica più ampia; considerare a chi vengono rivolte le spiegazioni, quali siano gli scopi, come comunicare efficacemente le spiegazioni ai propri interlocutori.

| Pagina di benvenuto | EduLearn: lettera M |