Nelle classi moderne, una rivoluzione silenziosa è in corso, guidata non da nuovi libri di testo o metodi d'insegnamento, ma dal ronzio invisibile dei dati. Le scuole stanno diventando sempre più ambienti "intelligenti", pieni di dispositivi in grado di vedere, ascoltare e registrare il ritmo quotidiano dell'apprendimento. Questi sono gli strumenti dell'Internet delle Cose, una rete di oggetti connessi che raccolgono informazioni sul mondo che li circonda. In una scuola, ciò potrebbe significare un sensore che traccia quando uno studente entra in una stanza, un dispositivo indossabile che monitora il coinvolgimento, o un sistema digitale che registra ogni volta che uno studente clicca su un link in una lezione online. Accanto a questi sensori si trova la potenza del machine learning, un ramo dell'informatica in cui il software impara a trovare schemi in enormi quantità di informazioni senza che gli venga esplicitamente detto cosa cercare. Per anni, gli educatori si sono affidati ai punteggi dei test e ai registri delle presenze per ipotizzare l'andamento di uno studente, ma questi record sono spesso solo un'istantanea del passato. La domanda ora è se possiamo usare questo flusso di dati in tempo reale per comprendere il percorso di apprendimento di uno studente mentre avviene, e se, in tal caso, possiamo fidarci del computer nel dirci ciò che vede.

Deepali Sharma, una ricercatrice della Graphic Era Deemed to be University in India, ha proposto un nuovo modo per rispondere a questa domanda. Il suo lavoro si concentra sugli studenti delle scuole medie, un periodo critico in cui si formano le abitudini di apprendimento, e suggerisce un framework che combina i dati delle classi intelligenti con algoritmi informatici avanzati per prevedere la performance accademica. L'idea centrale è semplice ma profonda: invece di aspettare che uno studente fallisca un test, il sistema osserva il loro comportamento quotidiano — quanto spesso partecipano, come interagiscono con gli strumenti digitali e persino i livelli di temperatura e rumore nella loro classe — per prevedere il loro successo futuro. Tuttavia, esiste un ostacolo significativo. I modelli informatici più potenti in grado di fare queste previsioni spesso funzionano come una "scatola nera"; producono una risposta, ma nessuno sa come ci siano arrivati. Gli insegnanti non possono fidarsi di un sistema che non comprendono, specialmente quando quel sistema potrebbe suggerire che uno studente abbia bisogno di aiuto extra. La ricerca di Sharma affronta questo problema inserendo un terzo elemento: l'intelligenza artificiale spiegabile. Si tratta di un insieme di tecniche progettate per aprire la scatola nera, costringendo il computer a mostrare il proprio lavoro e spiegare esattamente quali fattori hanno portato alla sua previsione.

Il framework descritto dalla Sharma inizia con la raccolta di un ricco arazzo di dati. Immaginate un'aula in cui ogni studente è connesso a un ecosistema digitale. I sistemi RFID tracciano la presenza nel momento in cui uno studente entra, mentre i dispositivi indossabili e i sensori ambientali monitorano le condizioni fisiche della stanza, come la luce e il rumore. Allo stesso tempo, i sistemi di gestione dell'apprendimento registrano ogni compito consegnato, ogni quiz svolto e ogni minuto trascorso su una piattaforma digitale. Tutte queste informazioni fluiscono in un database centrale, creando un quadro dettagliato della vita scolastica di uno studente che va ben oltre il voto finale. Prima che il computer possa imparare da ciò, i dati devono essere puliti e organizzati, eliminando gli errori e colmando le lacune affinché i pattern siano chiari. I ricercatori selezionano quindi i pezzi più importanti di questo puzzle, come le percentuali di presenza, la frequenza con cui vengono completati i compiti e la frequenza con cui uno studente interagisce con il sistema di apprendimento online. Questi dettagli specifici diventano gli ingredienti per i modelli di machine learning.

Per dare senso a questi dati complessi, lo studio impiega due potenti tipi di algoritmi informatici noti come metodi ensemble. Uno è chiamato Random Forest, che funziona costruendo molti diversi alberi decisionali e chiedendo loro di votare sull'esito, proprio come un gruppo di esperti che dibatte un caso per raggiungere un consenso. L'altro è XGBoost, un metodo che costruisce un modello passo dopo passo, correggendo costantemente i propri errori per diventare più accurato a ogni iterazione. Entrambi questi metodi sono stati scelti perché sono eccezionalmente bravi a gestire dati reali disordinati e sono meno probabili che vengano ingannati dal rumore casuale. Una volta addestrati sui dati educativi raccolti, questi modelli possono prevedere con alta precisiono se uno studente è destinato a faticare o a riuscire. Ma la previsione è solo metà della battaglia. Se un insegnante viene informato che uno studente è "a rischio", deve sapere perché. È perché lo studente ha saltato troppe lezioni? È perché ha smesso di accedere al sistema dei compiti? O è perché l'aula era troppo rumorosa?

È qui che entra in gioco l'intelligenza artificiale spiegabile, agendo come il traduttore tra il complesso computer e l'insegnante umano. Il framework utilizza due strumenti specifici, SHAP e LIME, per scrostare gli strati della previsione. SHAP osserva il quadro generale, mostrando quali fattori contano generalmente di più per tutti gli studenti, mentre LIME si concentra su un singolo studente per spiegare perché quel bambino specifico ha ricevuto una particolare previsione. Se il sistema segnala uno studente che necessita di aiuto, può ora identificare le caratteristiche specifiche che hanno contribuito a quel risultato, come un calo nel completamento dei compiti o una mancanza di recenti accessi al sistema. Questa trasparenza è fondamentale. Trasforma il computer da un misterioso oracolo in un assistente utile che fornisce ragionamenti basati sull'evidenza. L'insegnante può quindi guardare la spiegazione, verificarla rispetto alle proprie osservazioni e progettare un intervento personalizzato che affronti il problema specifico, invece di tirare a indovinare cosa potrebbe non andare bene.

La ricerca suggerisce che combinando questi tre pilastri — i dati in tempo reale provenienti dall'Internet delle Cose, il potere predittivo del machine learning ensemble e la chiarezza dell'IA spiegabile — le scuole possono passare da un'educazione reattiva a una proattiva. Il risultato atteso è un sistema che identifica gli studenti in difficoltà prima che accada, non aspettando un brutto voto, ma notando i sottili cambiamenti di comportamento che lo precedono. Promette di dare agli insegnanti una visione chiara dei fattori che influenzano i loro studenti, permettendo loro di adattare il supporto alle esigenze individuali di ogni bambino. Sebbene lo studio sia attualmente un framework proposto e non sia ancora stato testato in una classe reale con studenti veri, la logica è solida e il potenziale è significativo. Offre una strada verso un futuro in cui la tecnologia non sostituisce l'insegnante, ma piuttosto lo potenzia con una comprensione più profonda e immediata del processo di apprendimento, assicurando che nessun studente cada tra le crepe senza essere notato.