A Multidimensional Analysis of User Experience and AI Personalization in Indonesian University Websites

Sintesi Tecnica: Un'Analisi Multidimensionale dell'Esperienza Utente e della Personalizzazione tramite IA nei Siti Web delle Università Indonesiane

Problematica
La rapida trasformazione digitale dell'istruzione superiore, accelerata dalla pandemia di COVID-19, ha stabilito i siti web universitari come interfacce critiche per il coinvolgimento degli studenti, il branding istituzionale e il reclutamento internazionale. Tuttavia, la letteratura esistente sulla valutazione dei siti web universitari rimane frammentata, concentrandosi spesso in modo limitato sulla usabilità tecnica o sulla soddisfazione generale, trascurando l'integrazione della strategia dei contenuti, della percezione internazionale e delle emergenti funzionalità di personalizzazione basate sull'Intelligenza Artificiale (IA). Questa lacuna è particolarmente acuta nel contesto indonesiano, dove le istituzioni di istruzione a distanza affrontano sfide sistemiche riguardanti l'infrastruttura digitale, la garanzia della qualità e la necessità di ottimizzare la comunicazione web sia per il pubblico nazionale che per quello internazionale sotto la filosofia "Merdeka Belajar". Manca un quadro empiricamente fondato e multidimensionale che valuti come questi distinti domini interagiscano per plasmare l'esperienza utente (UX) nelle piattaforme educative abilitate dall'IA.

Metodologia
Questo studio ha impiegato un disegno convergente di metodi misti trasversali per valutare le percezioni degli utenti in quattro istituzioni di istruzione superiore indonesiane: Universitas Terbuka, Universitas Negeri Surabaya (UNESA), Universitas Pradita e l'Indonesia Cyber Education Institute (ICEI).

• Partecipanti: Il campione finale è composto da 75 rispondenti, inclusi cittadini indonesiani (n=44, 58,7%) e utenti internazionali (n=31, 41,3%) provenienti da otto paesi (Filippine, Giappone, Myanmar, Sri Lanka, Pakistan, Messico, Timor Est, Turchia).
• Strumento: I dati sono stati raccolti tramite un questionario online strutturato ospitato su Google Forms, con 62 item di valutazione organizzati in cinque costrutti e quattro domande qualitative aperte. Gli item di valutazione hanno utilizzato una scala semantica differenziale bipolare a sette punti (1 = attributi negativi a 7 = attributi positivi).
• Costrutti: La valutazione ha coperto quattro domini primari: Strategia dei Contenuti, Usabilità, Percezione Internazionale e Personalizzazione IA, insieme a una metrica di Soddisfazione Complessiva.
• Analisi: L'analisi quantitativa ha previsto statistiche descrittive, l'alfa di Cronbach per la coerenza interna, la correlazione di Pearson, t-test per campioni indipendenti, ANOVA a una via e regressione lineare multipla utilizzando librerie Python (scipy, statsmodels, pandas). I dati qualitativi sono stati sottoposti ad analisi tematica per identificare le aree di miglioramento prioritarie.

Risultati Chiave
Lo studio ha prodotto un'elevata affidabilità della coerenza interna in tutti i costrutti (alfa di Cronbach compreso tra 0,929 e 0,982).

• Statistiche Descrittive: Tutti e quattro i domini di valutazione hanno ricevuto punteggi di soddisfazione da medi a alti (medie > 5,0 su una scala di 7). La Personalizzazione IA ha raggiunto la media di dominio più alta (M=5,26), seguita da vicino dalla Strategia dei Contenuti (M=5,20) e dalla Percezione Internazionale (M=5,20), con l'Usabilità leggermente inferiore (M=5,13).
• Analisi di Regressione: Un modello di regressione multipla ha rivelato che i quattro domini spiegano collettivamente l'87,6% della varianza nella Soddisfazione Complessiva (R² = 0,876).
  • La Personalizzazione IA è emersa come il predittore unico più forte (β = 0,512, p < .001).
  • L'Usabilità è stata il secondo predittore significativo (β = 0,189, p = .007).
  • La Strategia dei Contenuti e la Percezione Internazionale non hanno raggiunto la significatività statistica come predittori unici controllando gli altri domini, sebbene siano rimaste altamente correlate con la soddisfazione.
• Risultati Sub-dimensionali: All'interno della Strategia dei Contenuti, "Alloggio e costi della vita" ha ricevuto la valutazione più bassa (M=4,36), indicando una lacuna informativa critica per gli studenti internazionali.
• Analisi Comparativa: Non sono state trovate differenze statisticamente significative tra i rispondenti nazionali e quelli internazionali in nessuno dei domini, suggerendo percezioni culturalmente coerenti. Tuttavia, è stata osservata una differenza di genere significativa nella percezione della Personalizzazione IA, con le rispondenti donne che hanno valutato il parametro più alto rispetto agli uomini. L'Universitas Terbuka ha ottenuto i punteggi di soddisfazione complessiva più elevati (M=6,07) rispetto alle altre istituzioni.
• Approfondimenti Qualitativi: L'analisi tematica ha evidenziato che gli utenti apprezzano la facilità d'uso e la chiarezza della presentazione delle informazioni. Le principali richieste di miglioramento includevano prestazioni del server potenziate (24,2% dei commenti di miglioramento), migliore navigazione, funzionalità di ricerca migliorata e funzionalità di personalizzazione più robuste (es. chatbot, raccomandazioni adattive). Gli utenti internazionali hanno richiesto specificamente l'accessibilità multilingue e traduzioni professionali rispetto agli strumenti automatizzati.

Contributi Chiave

1. Framework Multidimensionale: Lo studio introduce un quadro di valutazione completo che valuta simultaneamente la strategia dei contenuti, l'usabilità, la percezione internazionale e la personalizzazione tramite IA, andando oltre le tradizionali metriche di usabilità isolate.
2. Validità Predittiva dell'IA: La ricerca fornisce prove empiriche che la personalizzazione tramite IA è il driver dominante della soddisfazione dell'utente nel contesto dei siti web universitari indonesiani, superando i fattori tradizionali di contenuto e usabilità in termini di potere predittivo.
3. Coerenza Cross-Culturale: I risultati sfidano le assunzioni di una significativa variazione cross-culturale nelle preferenze dei siti web, dimostrando che le piattaforme ben progettate possono ottenere esperienze utente comparabili tra diversi background nazionali.
4. Specificità Contestuale: Lo studio affronta una lacuna nella letteratura riguardante l'istruzione a distanza in Indonesia, offrendo dati specifici sulle prestazioni di istituzioni sia pubbliche che private in un contesto di infrastruttura digitale in via di sviluppo.

Significato e Rivendicazioni
Il documento sostiene che i suoi risultati rappresentano un cambio di paradigma nel modo in cui gli ambienti educativi digitali dovrebbero essere progettati e valutati. Identificando la personalizzazione tramite IA come il predittore più forte della soddisfazione, lo studio suggerisce che il Modello di Accettazione della Tecnologia (TAM) potrebbe richiedere un aggiornamento per incorporare esplicitamente la personalizzazione tramite IA come un costrutto predittivo distinto e ad alto impatto.

Praticamente, i risultati offrono una guida azionabile per gli amministratori istituzionali e gli sviluppatori web. Gli autori sostengono che le istituzioni dovrebbero dare priorità agli investimenti nello sviluppo di chatbot, sistemi di raccomandazione di contenuti personalizzati e funzionalità di ricerca adattiva per migliorare il coinvolgimento degli utenti. Inoltre, lo studio sottolinea l'urgenza di affrontare lacune informative specifiche, come le informazioni su alloggio e costi della vita, e i limiti infrastrutturali come le prestazioni del server, per supportare il reclutamento e la ritenzione degli studenti internazionali. La ricerca conclude che l'attenzione sistematica alla qualità del sito web, in particolare l'integrazione di una personalizzazione tramite IA efficace e affidabile, è un imperativo strategico per le istituzioni che cercano di potenziare la propria portata internazionale e offrire esperienze di apprendimento digitale equitable.