LMS-FAIR-India: A FAIR Compliant Synthetic LMS Interaction Dataset from a Private University for Privacy Preserving Learning Analytics

Nella moderna classe, l'apprendimento raramente avviene in isolamento. Si sviluppa attraverso piattaforme digitali dove gli studenti effettuano l'accesso per guardare lezioni, scaricare materiali di lettura, consegnare compiti e sostenere quiz. Ogni clic, ogni pausa e ogni consegna lascia una traccia digitale, creando un vasto registro di come le persone imparano. I ricercatori chiamano questo campo "learning analytics" (analisi dell'apprendimento) e credono che studiando questi modelli, possano comprendere cosa aiuti gli studenti a riuscire e cosa li metta a rischio. Tuttavia, un significativo ostacolo si frappone in questo progresso. I dati che rivelerebbero questi modelli contengono informazioni profondamente personali su studenti reali. Le leggi progettate per proteggere la privacy, come quelle in India ed Europa, rendono illegale la condivisione aperta di questi dati grezzi. Ciò crea una situazione difficile: gli scienziati vogliono studiare i dati per migliorare l'istruzione, ma non possono toccare i dati senza violare la privacy degli individui che descrivono.

Per risolvere questo dilemma, un ricercatore di nome Sanjay Agal, della Parul University, ha creato una nuova sorta di risorsa. Invece di condividere i veri record degli studenti, che rappresenterebbe una violazione della fiducia e della legge, il team ha generato un dataset completamente artificiale che imita il comportamento dei veri studenti. Questa collezione, chiamata LMS-FAIR-India, è una massiccia libreria di interazioni inventate che sembrano e si sentono esattamente come quelle reali, ma non contengono persone reali. Permette ai ricercatori di testare le loro idee e costruire migliori strumenti educativi senza mai dover vedere il nome o il voto di un singolo studente reale. Il lavoro dimostra che è possibile far avanzare la scienza dell'apprendimento rispettando rigorosamente il diritto alla privacy.

Il cuore di questo progetto è un dataset sintetico, che è essenzialmente una simulazione al computer di un semestre universitario. I ricercatori hanno costruito un modello di una tipica università privata in India, completa di diecimila studenti virtuali, centocinquanta corsi e un termine accademico di sei mesi. Non hanno utilizzato alcun vero record di studenti per creare questo modello. Si sono invece basati su regole pubbliche su come operano le università indiane, statistiche generali su come gli studenti si comportano tipicamente online e consigli dei docenti per garantire che la simulazione risultasse autentica. Il risultato è una collezione di dati che include dettagli demografici, informazioni sui corsi e oltre un milione sette centomila eventi registrati, come accessi, visualizzazioni di video e tentativi di quiz. Ogni singola informazione in questo dataset è stata creata da un programma informatico seguendo regole statistiche, il che significa che c'è zero rischio di identificare una persona reale perché nessuna persona reale è mai stata coinvolta nel processo.

Il dataset è strutturato per riflettere la complessità di un vero ambiente di apprendimento. Non elenca solo eventi casuali; li connette logicamente. Ad esempio, i dati mostrano a quali corsi sono iscritti gli studenti, quanto tempo hanno trascorso sulla piattaforma e quali punteggi hanno ricevuto nei loro compiti. I ricercatori si sono assicurati che i modelli in questi dati artificiali corrispondessero a ciò che si vede nella realtà. Nella simulazione, gli studenti che avevano percorsi accademici più solidi prima di iniziare il semestre tendevano ad essere più attivi sulla piattaforma, un modello che rispecchia la realtà. I dati catturano anche il ritmo della vita studentesca, mostrando che l'attività raggiunge il picco durante la metà della giornata nei giorni feriali e diminuisce significativamente nei fine settimana. Riproducendo questi comportamenti naturali, il dataset fornisce un terreno di prova realistico per i ricercatori che vogliono sviluppare strumenti per prevedere quali studenti potrebbero avere difficoltà o per progettare modi migliori per coinvolgere gli studenti.

Uno degli aspetti più importanti di questo lavoro è il modo in cui gestisce la questione della privacy. In passato, i ricercatori cercavano talvolta di proteggere i dati reali rimuovendo i nomi o nascondendo dettagli specifici, un processo noto come anonimizzazione. Tuttavia, gli esperti hanno dimostrato che anche i dati anonimizzati possono talvolta essere ricondotti agli individui se combinati con altre informazioni. Questo nuovo approccio evita totalmente tale rischio. Poiché i dati sono generati da zero utilizzando distribuzioni casuali e modelli statistici, è impossibile collegare qualsiasi record a uno studente reale. I ricercatori hanno testato questo tentativo cercando di ingannare un computer affinché pensasse che uno studente inventato fosse reale, e il computer ha fallito nel trovare alcuna connessione. Questo metodo di "privacy by design" significa che i dati possono essere condivisi liberamente con chiunque nel mondo, permettendo una collaborazione aperta senza il timore di violazioni legali o etiche.

Per rendere i dati utili alla comunità scientifica globale, i ricercatori hanno seguito un insieme di principi noti come FAIR, che sta per Findable (trovabile), Accessible (accessibile), Interoperable (interoperabile) e Reusable (riutilizzabile). Il dataset è ospitato in un archivio online pubblico con un indirizzo digitale permanente, in modo che possa essere facilmente trovato e citato. È disponibile gratuitamente sotto una licenza che consente a chiunque di usarlo, modificarlo e condividerlo, a condizione di dare credito ai creatori. I dati sono organizzati in file chiari e standard che possono essere aperti da quasi ogni programma informatico, e sono accompagnati da una guida dettagliata che spiega esattamente cosa significhi ogni colonna e ogni numero. Inoltre, i ricercatori hanno reso pubblico il codice informatico utilizzato per creare i dati. Questa trasparenza permette ad altri scienziati di verificare i risultati, adattare la simulazione per le proprie università o generare nuovi dataset su misura per diversi contesti educativi.

Il valore di questo dataset è stato dimostrato attraverso una serie di test progettati per vedere se potesse supportare la ricerca reale. I ricercatori hanno utilizzato i dati artificiali per addestrare modelli informatici per prevedere l'impegno degli studenti e per identificare gli studenti che potrebbero abbandonare i loro corsi. I modelli hanno performato tanto bene su questi dati falsi quanto modelli simili hanno performato su dati reali in studi precedenti. Ad esempio, quando i ricercatori hanno cercato di prevedere quali studenti avrebbero completato i loro corsi, il sistema ha identificato correttamente gli studenti a rischio con un alto grado di precisione. Hanno anche confermato che la relazione tra la frequenza con cui uno studente effettua l'accesso e i suoi voti finali è stata preservata nella simulazione, corrispondendo alle scoperte di studi del mondo reale. Questi risultati suggeriscono che il dataset sintetico è un sostituto affidabile dei dati reali quando si tratta di sviluppare e testare nuove tecnologie educative.

Questo lavoro affronta una lacuna critica nel campo della learning analytics, in particolare per il contesto dell'istruzione superiore in India. Sebbene esistano alcuni dataset pubblici provenienti da paesi occidentali, essi spesso riflettono sistemi educativi e contesti culturali differenti. Il dataset LMS-FAIR-India colma questo vuoto fornendo una simulazione su larga scala e realistica di un'università privata indiana. Offre un'opportunità unica per i ricercatori di studiare come gli studenti in questo specifico ambiente imparano e interagiscono con la tecnologia. Fornendo uno strumento che è sia sicuro per la privacy che scientificamente robusto, il progetto abilita una nuova ondata di innovazione nell'istruzione. Permette agli scienziati di porre domande difficili sul successo degli studenti e di trovare risposte senza compromettere la dignità o la sicurezza degli individui che stanno studiando.

Le implicazioni di questo lavoro vanno oltre un singolo dataset. Dimostrano una via pratica percorribile per l'intero campo della ricerca educativa. Mostrando che dati di alta qualità e che preservano la privacy possono essere generati e condivisi apertamente, i ricercatori hanno rimosso un grande ostacolo che ha rallentato il progresso per anni. Altre istituzioni possono ora utilizzare gli stessi metodi per creare i propri dataset sintetici, su misura per le loro specifiche esigenze, senza dover navigare attraverso complessi ostacoli legali. Questo approccio favorisce una cultura di apertura e collaborazione, dove l'attenzione rimane sul miglioramento dei risultati di apprendimento per tutti gli studenti. Il dataset è una testimonianza dell'idea che proteggere la privacy e far avanzare la scienza non siano obiettivi opposti, ma piuttosto obiettivi complementari che possono essere raggiunti insieme attraverso una progettazione attenta e creativa.