💻 computer science

What makes an Expert? Comparing Problem-solving Practices in Data Science Notebooks

Questo studio dimostra che l'esperienza nella scienza dei dati non risiede in fasi di lavoro diverse rispetto ai principianti, ma nella struttura complessiva del flusso di lavoro e nei pattern di azione a livello di cella, dove gli esperti adottano strategie iterative e concise anziché processi lineari e lunghi.

Autori originali: Manuel Valle Torre, Marcus Specht, Catharine Oertel

Pubblicato 2026-02-18

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Manuel Valle Torre, Marcus Specht, Catharine Oertel

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

🕵️‍♂️ Il Segreto degli Esperti: Non è cosa fanno, ma come lo fanno

Immagina di voler imparare a cucinare un piatto complesso, come un ragù.
Hai due cuochi:

Il Principiante: Segue la ricetta rigida passo dopo passo. Taglia le verdure, le butta nella pentola, aspetta 2 ore, assaggia, e se non è buono, butta tutto e ricomincia da capo. È un processo lineare: "Faccio A, poi B, poi C".
Lo Chef Esperto: Anche lui segue la ricetta, ma la sua mente lavora in modo diverso. Assaggia mentre cuoce, corregge il sale subito, cambia il fuoco, e se un ingrediente non va bene, lo sostituisce immediatamente senza buttare via tutto. È un processo iterativo: "Faccio A, assaggio, correggo, rifaccio A meglio, poi B".

Questo studio scientifico ha analizzato migliaia di "ricette digitali" (chiamate notebook Jupyter) usate dai data scientist per risolvere problemi con i dati. L'obiettivo era capire: Cosa rende un esperto diverso da un principiante?

🧪 L'Esperimento: Osservare i "Diari di Bordo"

Gli scienziati hanno guardato 440 di questi diari di bordo digitali. Hanno diviso i cuochi in due gruppi:

Novizi: Chi ha appena iniziato (come chi ha appena comprato il primo grembiule).
Esperti: I maestri, quelli che hanno vinto medaglie e competizioni.

Hanno usato un "microscopio digitale" per guardare le loro azioni a tre livelli diversi, proprio come guardare un film a tre velocità diverse.

1. Il Livello "Macro": La Mappa del Viaggio 🗺️

Hanno guardato l'ordine generale delle cose.

La Scoperta: Sorprendentemente, sia i novizi che gli esperti fanno le stesse cose principali: importano i dati, li puliscono, creano modelli, fanno grafici.
L'Analogia: È come se entrambi dovessero andare da Roma a Milano. Entrambi passano per Firenze e Bologna. La mappa è la stessa. Non c'è una "strada segreta" che solo gli esperti conoscono.

2. Il Livello "Micro": La Struttura del Viaggio 🚗

Qui è dove le cose si fanno interessanti.

I Novizi: Guidano come se fossero su un binario. Andare dritti, senza deviazioni. Se sbagliano strada, devono tornare indietro fino all'inizio. I loro percorsi sono lunghi e lineari.
Gli Esperti: Guidano come in una città trafficata. Fanno piccole deviazioni, tornano indietro di un isolato per correggere un errore, provano una strada alternativa e poi riprendono. I loro percorsi sono più brevi e circolari.
Il Messaggio: L'esperto non segue una mappa diversa, ma la struttura del suo viaggio è più flessibile. Sa che può tornare indietro senza perdere tempo.

3. Il Livello "Super Micro": I Movimenti delle Mani 🤲

Qui guardiamo i singoli movimenti, come se fosse un video in slow-motion.

I Novizi: Fanno movimenti ripetitivi e lenti. Esempio: "Carico i dati -> Guardo i dati -> Carico di nuovo -> Guardo di nuovo". È come se provassero a capire il piatto assaggiandolo solo alla fine.
Gli Esperti: Fanno movimenti precisi e veloci. Esempio: "Carico -> Provo un modello -> Controllo il risultato -> Aggiusto subito". È come se assaggiassero la salsa ogni 5 minuti e aggiustassero il sale immediatamente.

🤖 Il Pericolo dell'Intelligenza Artificiale (AI)

Lo studio fa una riflessione molto importante sul futuro. Oggi esistono strumenti di Intelligenza Artificiale che scrivono il codice per noi.

Il Rischio: Se un principiante usa l'AI solo per "finire il compito", rischia di diventare un "cucina-robot". L'AI gli darà la ricetta perfetta passo dopo passo, ma lui non imparerà mai a assaggiare e correggere. Diventerà un esecutore lineare, proprio come un principiante.
La Soluzione: Dobbiamo insegnare agli studenti a usare l'AI non come un "sostituto" che pensa per loro, ma come un partner. L'AI può suggerire, ma l'umano deve guidare il processo, fare domande, tornare indietro e riflettere.

💡 Cosa significa per chi insegna?

Non valutare solo il risultato finale: Non guardare solo se il piatto è buono (il modello funziona), ma guarda come è stato cucinato. Un piatto perfetto ottenuto con un processo rigido e lineare è meno prezioso di un piatto ottenuto con un processo creativo e iterativo.
Insegnare a "tornare indietro": Bisogna incoraggiare gli studenti a non aver paura di cancellare una riga di codice e riprovare. L'errore non è la fine, è parte del processo.
Sfruttare l'AI con intelligenza: Usare l'AI per aiutare a riflettere ("Ehi, perché questo modello non funziona?"), non per saltare la riflessione.

In Sintesi

Essere un esperto in Data Science non significa conoscere una sequenza di passi magici che gli altri non conoscono. Significa avere la flessibilità mentale di non seguire la riga, di saper tornare indietro, di fare piccoli aggiustamenti continui e di vedere il lavoro come un ciclo che si ripete, non come una linea retta.

È la differenza tra chi segue ciecamente una mappa e chi sa orientarsi nel territorio, sapendo che a volte la strada migliore è quella che hai appena lasciato per provare un'altra direzione.

Titolo: Cosa fa un Esperto? Confronto delle Pratiche di Problem-Solving nei Notebook di Data Science

Autori: Manuel Valle Torre, Marcus Specht, Catharine Oertel (Università Tecnica di Delft)
Data: 18 Febbraio 2026

1. Il Problema

L'educazione alla Data Science (DS) è un campo complesso che richiede non solo competenza tecnica, ma soprattutto abilità di problem-solving tacite e orientate al processo. Sebbene la letteratura concordasse sul fatto che l'esperto si distingua per la capacità di navigare l'ambiguità e adottare un approccio iterativo, manca una comprensione empirica profonda di come i processi di risoluzione dei problemi differiscano effettivamente tra esperti e principianti.
Le competenze procedurali sono spesso "tacite" (di seconda natura per gli esperti, ma opache per i novizi), rendendole difficili da osservare e insegnare direttamente. La recente ascesa degli strumenti di Intelligenza Artificiale Generativa (GenAI) aggrava questa sfida, poiché potrebbero incoraggiare un approccio superficiale basato sul completamento del compito, rafforzando comportamenti tipici dei novizi (come la dipendenza da AI e la "pigrizia metacognitiva") invece di sviluppare il pensiero critico e adattivo.

2. Metodologia

Lo studio utilizza un approccio di analisi sequenziale multi-livello su un dataset di 440 notebook Jupyter, derivati dalla competizione Kaggle "Quora Insincere Questions Classification" (dataset Code4ML).

Dati: 440 notebook (339 di "Novizi" - tier Novice/Contributor; 101 di "Esperti" - tier Expert/Master/Grandmaster). Sono stati rimossi il 5% superiore e inferiore per lunghezza per mitigare gli outlier.
Framework Teorico: Adozione del modello a cinque componenti di Wang et al. (2023) per mappare le fasi tecniche della DS (11 fasi Code4ML) su pratiche di problem-solving cognitive (5 livelli):
1. Definizione e decomposizione del problema.
2. Raccolta dati.
3. Registrazione dati.
4. Interpretazione dati.
5. Riflessione.
Tecniche di Analisi:
1. Struttura del Processo Generale: Agglomerative Hierarchical Clustering (AHC) con Optimal Matching (OM) per identificare archetipi di workflow macroscopici.
2. Transizioni a Livello di Fase: Process Mining (PM) e Modelli di Markov (MM) per analizzare le probabilità di transizione tra le fasi specifiche (es. da EDA a Training del Modello).
3. Pattern di Azione Finita (Fine-Grained): Sequential Pattern Mining (SPM) con l'algoritmo PrefixSpan per scoprire sequenze ricorrenti di azioni a basso livello all'interno di ogni fase (es. sequenze di importazione, feature engineering, ecc.).

3. Risultati Chiave

L'analisi ha rivelato differenze significative a diversi livelli di granularità:

Livello Macro (Struttura del Processo):
- I novizi tendono a seguire processi lungi e lineari, aderendo rigidamente a un flusso di lavoro canonico (Cluster 1).
- Gli esperti adottano strategie più brevi e iterative, con picchi di attività di "Raccolta Dati" che si verificano più volte durante il processo, indicando un ciclo di feedback continuo (Cluster 2).
- Esiste un'associazione significativa tra il cluster di appartenenza e il livello di competenza ( $\chi^2 = 11.85, p = 0.0027$ ).
Livello Meso (Transizioni tra Fasi):
- Contrariamente alle aspettative, non ci sono differenze fondamentali nell'ordine delle fasi tra esperti e novizi. Entrambi seguono approssimativamente lo stesso flusso (Importazione -> EDA -> Training -> Valutazione).
- Le transizioni di Markov mostrano probabilità simili; le differenze minime (es. esperti che tornano più spesso da EDA a Data Transform) non sono sufficienti a distinguere i gruppi in modo significativo tramite clustering.
Livello Micro (Pattern di Azione):
- Qui emergono le differenze più tangibili che spiegano l'efficienza degli esperti:
  - Definizione Problema: Gli esperti mostrano pattern ripetuti di import modules, mentre i novizi seguono pattern lineari come load from csv -> show table.
  - Raccolta Dati: I novizi tendono a ripetere azioni di feature engineering (feature engineering, feature engineering), mentre gli esperti usano pattern legati al modello (model class, fit, compile).
  - Riflessione: Gli esperti mostrano pattern di salvataggio iterativo (save to csv, save to csv), assenti nei novizi.

4. Contributi Principali

Spostamento del Foco: Dimostra che l'espertizia nella Data Science non risiede nel seguire una sequenza di fasi diversa o unica, ma nel modo in cui il processo viene attuato: flessibilità, iteratività ed efficienza nelle azioni microscopiche.
Validazione Empirica: Fornisce evidenze quantitative che smentiscono l'idea che gli esperti seguano un flusso di lavoro radicalmente diverso a livello macroscopico, confermando invece che la differenza sta nella "granularità fine" delle azioni.
Framework Analitico: Propone e applica un framework multi-livello (Struttura, Transizioni, Azioni) per rendere visibili i processi di apprendimento taciti nei notebook, superando le analisi statiche basate solo sul prodotto finale.

5. Significato e Implicazioni

I risultati hanno profonde implicazioni per l'educazione alla Data Science, specialmente nell'era dell'IA Generativa:

Progettazione Didattica: I curricula devono spostarsi dall'insegnamento di un flusso di lavoro rigido e step-by-step verso la promozione di pensiero iterativo e adattivo. È necessario insegnare esplicitamente il ciclo di feedback e la riflessione.
Valutazione: La valutazione non dovrebbe basarsi solo sul notebook finale o sull'accuratezza del modello, ma sulla struttura del processo (la sequenza delle azioni). Un workflow lineare e lungo potrebbe indicare un approccio da principiante, anche se il risultato è corretto.
Gestione dell'IA Generativa: Gli strumenti AI rischiano di automatizzare le azioni dei novizi (codice lineare), impedendo lo sviluppo del pensiero strategico. Gli educatori devono usare l'AI come partner per il brainstorming e la raffinazione, non come sostituto del pensiero critico.
Sistemi di Supporto Intelligente: I pattern identificati possono alimentare sistemi di feedback automatico che, rilevando comportamenti lineari (es. ripetizione eccessiva di feature engineering), possono suggerire agli studenti di riflettere sui risultati o di iterare, simulando il supporto di un mentore esperto.

In sintesi, lo studio conclude che per formare veri esperti, l'educazione deve focalizzarsi sullo sviluppo di schemi mentali flessibili e sulla capacità di iterare rapidamente, piuttosto che sulla semplice esecuzione di una checklist di fasi tecniche.