Lecturers’ Use and Perceptions of Machine Learning Informed Educational Interventions for the Early Identification of Learning Difficulties among Students with Intellectual Disabilities in Nigerian Universities

Sintesi Tecnica: Uso e Percezioni dei Docenti riguardo agli Interventi Educativi Informati dal Machine Learning per l'Identificazione Precoce delle Difficoltà di Apprendimento tra Studenti con Disabilità Intellettiva nelle Università Nigeriane

Problematica
Nonostante la ratifica da parte della Nigeria dei quadri internazionali (SDG 4 e 10 delle Nazioni Unite) e delle politiche nazionali che promuovono l'istruzione inclusiva, l'implementazione delle pratiche inclusive nell'istruzione superiore rimane frammentata. Nello specifico, l'identificazione precoce delle difficoltà di apprendimento tra gli studenti con disabilità intellettiva si basa pesantemente su pratiche di valutazione manuali, episodiche e soggettive. Questi metodi convenzionali portano spesso a interventi ritardati, marginalizzazione degli studenti colpiti e scarsi risultati educativi. Sebbene l'Intelligenza Artificiale (IA) e il Machine Learning (ML) offrano un potenziale trasformativo per lo screening precoce basato sui dati, la loro applicazione nelle università nigeriane rimane in gran parte concettuale. Esiste una lacuna critica nella comprensione di come i docenti percepiscano e utilizzino gli approcci informati dal ML come strumenti di supporto alle decisioni per colmare il divario tra i quadri diagnostici tradizionali (DSM-5, ICD-11, AAIDD) e l'analisi predittiva emergente. Inoltre, la letteratura esistente manca di prove empiriche sulla prontezza dei docenti nell'adottare tali strumenti per l'identificazione precoce e il potenziamento del coinvolgimento.

Metodologia

• Disegno di Ricerca: Lo studio ha impiegato un disegno di ricerca di tipo survey descrittiva. Gli autori chiariscono crucialmente che il ML è stato utilizzato esclusivamente come quadro concettuale e interpretativo, non come metodologia computazionale empirica. Non sono stati sviluppati, addestrati o testati algoritmi di ML; non sono stati partizionati dataset, né sono state calcolate metriche di prestazione (es. accuratezza, F1-score).
• Partecipanti: La popolazione consisteva in 600 docenti provenienti dalle Facoltà di Educazione e dai Dipartimenti di Bisogni Speciali di 12 università selezionate, sia federali che statali, nella zona geopolitica Sud-Sud della Nigeria. I partecipanti sono stati selezionati tramite campionamento accidentale (di convenienza), richiedendo esperienza con studenti con disabilità intellettiva e familiarità con la tecnologia educativa.
• Strumentazione: I dati sono stati raccolti utilizzando il Questionario sugli Interventi Educativi Basati sul Machine Learning per l'Identificazione Precoce delle Difficoltà di Apprendimento (MLEIDQ). Lo strumento includeva 20 item su una scala Likert a 4 punti che misuravano: (i) l'entità dell'uso di strumenti ML per l'identificazione precoce, e (ii) le percezioni dell'impatto degli interventi di ML sull'identificazione precoce e sul coinvolgimento accademico.
• Analisi dei Dati: Le statistiche descrittive (media, deviazione standard) e le statistiche inferenziali (t-test per campioni indipendenti, regressione lineare multipla) sono state analizzate utilizzando SPSS versione 26. Lo studio ha testato tre ipotesi nulle riguardanti le differenze di genere, le differenze di tipo istituzionale e il potere predittivo dell'uso del ML sul coinvolgimento accademico.

Risultati Chiave

1. Entità dell'Uso: I docenti hanno riportato un basso livello di utilizzo (Media di Cluster = 2,37, categorizzato come "Bassa Entità") riguardo agli strumenti digitali informati dal ML. Aree specifiche di bassa adozione includevano l'applicazione del ML ai bisogni di apprendimento individuali (Media = 1,29), l'integrazione curricolare (Media = 1,58) e l'uso di interventi di routine (Media = 1,83). Tuttavia, i docenti hanno riportato un maggiore coinvolgimento con il supporto istituzionale per il ML (Media = 3,29) e il monitoraggio dei progressi degli studenti (Media = 3,16).
2. Percezione dell'Efficacia: Nonostante il basso utilizzo effettivo, i docenti mantengono percezioni positive degli interventi di ML (Media di Cluster = 3,02, categorizzata come "Grande Entità"). Essi percepiscono il ML come efficace nel migliorare l'attenzione, la motivazione, la comunicazione e il completamento dei compiti degli studenti. Circa il 70% degli indicatori di percezione ha superato la media di riferimento di 3,0.
3. Analisi Predittiva:
   • Ipotesi 1 (Genere): Non è stata trovata alcuna differenza significativa nell'uso degli strumenti di ML in base al genere ($p > 0,05$). Il genere non è stato un predittore significativo dell'uso del ML nel modello di regressione ($\beta = -0,04, p = 0,398$).
   • Ipotesi 2 (Tipo Istituzionale): Non è stata trovata alcuna differenza significativa nelle percezioni del supporto ML in base al tipo di università (Federale vs. Statale) ($p > 0,05$). Il tipo istituzionale non è stato un predittore significativo del coinvolgimento accademico ($\beta = 0,03, p = 0,450$).
   • Ipotesi 3 (Predizione del Coinvolgimento): L'ipotesi nulla è stata rigettata. L'uso da parte dei docenti di interventi informati dal ML è stato il predittore più forte e l'unico significativo del coinvolgimento accademico tra gli studenti con disabilità intellettiva ($\beta = 0,60, p < ,001$). Il modello di regressione ha spiegato il 38% della varianza nel coinvolgimento ($R^2 = 0,38$).

Contributi Chiave

• Chiarificazione Concettuale: Lo studio fornisce un quadro concettuale strutturato che illustra come il ML possa funzionare come meccanismo di supporto alle decisioni senza sostituire la diagnosi clinica formale (DSM-5/ICD-11). Delinea il percorso dagli indicatori predittivi al referral professionale e alla pianificazione dell'educazione individualizzata (IEP).
• Evidenza Empirica del "Gap tra Percezione e Uso": La ricerca evidenzia una significativa discrepanza nell'istruzione superiore nigeriana: mentre i docenti riconoscono il valore potenziale del ML per l'istruzione inclusiva, l'implementazione pratica è ostacolata da formazione limitata, infrastrutture e competenza tecnica.
• Determinanti del Coinvolgimento: Lo studio stabilisce che la pratica dell'uso degli strumenti di ML è un determinante più critico del coinvolgimento accademico degli studenti rispetto ai fattori demografici (genere, grado) o alle strutture istituzionali (Federale vs. Statale).

Significatività e Rivendicazioni
L'articolo sostiene che i suoi risultati contribuiscono alla ricerca emergente sull'istruzione inclusiva abilitata dall'IA fornendo approfondimenti basati sull'evidenza sulla prontezza dei docenti in un contesto in via di sviluppo. Argomenta che l'adozione del ML non è solo una sfida tecnologica, ma un imperativo di sviluppo delle capacità. Lo studio conclude che, affinché il ML possa supportare efficacemente l'identificazione precoce delle difficoltà di apprendimento e migliorare il coinvolgimento accademico, deve esserci un focus strategico su:

1. Il rafforzamento delle capacità dei docenti attraverso l'alfabetizzazione all'IA e la formazione sull'analisi dei dati.
2. Il miglioramento delle infrastrutture digitali e dei sistemi di supporto istituzionale.
3. Lo sviluppo di quadri di governance etica che integrino lo screening tramite ML con i percorsi di diagnosi e intervento stabiliti.

Gli autori mantengono una posizione modesta, riconoscendo che i loro risultati si basano su dati auto-riferiti e su un campionamento di convenienza, il che ne limita la generalizzabilità. Enfatizzano che il ML serve come strumento supplementare per lo screening e il referral, non come sostituto del giudizio clinico professionale, e invitano a ricerche future che coinvolgano campionamenti probabilistici e valutazioni longitudinali empiriche di sistemi ML reali.