Social tagging in un ambiente di apprendimento digitale

Stefano Penge

Facoltà di Scienze della Comunicazione,

Università di Roma La Sapienza

Lynx

Andrea Sterbini

Dipartimento di Informatica

Facoltà di Scienze Matematiche, Fisiche e Naturali

Università di Roma La Sapienza

1. Introduzione

Il social tagging è un metodo ormai abbastanza diffuso nel Web per estrarre, rappresentare e

condividere la conoscenza informale tra un grande numero di utenti. Il termine folksonomy1 ben

riassume la necessità di andare oltre i sistemi di categorizzazione top-down utilizzando

l'implicita capacità di giudizio dell'utente qualunque – accumulata nel tempo – per organizzare

in maniera significativa le informazioni.

Anche i sistemi di bookmarking condiviso fanno parte della grande ondata di rinnovamento

che percorre il web, e che si dirige verso una concezione di “uso” come authoring leggero più

che come semplice navigazione-lettura.

Da un certo punto di vista, quest'approccio sembrerebbe perfettamente naturale nell'ambito

dell'e-learning, in cui l'utente tipico è motivato, abbastanza competente nel dominio e

interessato alla collaborazione.

Invece negli ambienti di apprendimento online questo meccanismo è poco usato. La prima

ragione che si può addurre è legata alle dimensioni della comunità di utenti coinvolta. A

differenza di un repository di video e foto, o di un blog, un tipico corso online contiene un

numero di unità differenti piuttosto ridotto, dell'ordine di una o due centinaia al massimo; a

differenza delle comunità online internazionali, i gruppi di apprendimento sono in generale

piuttosto piccoli (meno di 25 corsisti). In questa situazione, la semplice marcatura, per di più

1 Thomas Vander Wal, il primo ad usare questo termine, lo definisce in questo modo: “Folksonomy is the

result of personal free tagging of information and objects (anything with a URL) for one's own retrival.The

tagging is done in a social environment[...]”.

libera, sembrerebbe poco significativa: le probabilità che due corsisti marchino liberamente in

maniera simile due unità di contenuto sono piuttosto basse.

Alcuni autori2 hanno utilizzato un sistema di categorie predefinite (thinking types) per

marcare gli interventi nel forum associato ad un corso online riducendo così la scelta e

aumentandone la significatività.

Sembra in ogni caso fondamentale – in un contesto di apprendimento e non solo di

collaborazione/comunicazione - avere delle informazioni più ricche, cioè attribuire valore alle

etichette non solo sulla base del numero di utenti che le hanno proposte, ma anche sulla base

della rilevanza attribuita ai loro autori.

Il presente paper descrive un tentativo3 di ridefinire un uso delle tag significativo all'interno

di un ambiente di apprendimento digitale.

2. Il concetto di rilevanza

Rilevanza qui ha un senso particolare, trattandosi di un corso online, che è sempre un'attività

di apprendimento di gruppo: i marcatori usati da un corsista posso essere utili all’intero gruppo

di apprendimento solo se aiutano il gruppo a costruire una propria concettualizzazione dei

contenuti del corso, che non è semplicemente la somma delle concettualizzazioni di ciascun

corsista ma il risultato di una funzione più complessa che comprende interazioni multiple,

mediazioni e negoziazioni.

Se la fiducia nella categorizzazione dei contenuti del corso, in termini di relazioni concettuali

tra loro, è basata sull'assunto che l'autore dei contenuti sia un esperto della materia, oltre che

della comunicazione didattica, la fiducia nei contenuti e soprattutto nella valutazione dei

contenuti proposta dagli altri corsisti è soggetta a maggiori cautele. Tuttavia questa seconda

fonte di informazioni (come gli altri corsisti “vedono” i contenuti del corso) si rivela

fondamentale per l'autogestione del percorso di apprendimento in una situazione di e-learning

collettiva. Per ogni corsista imparare a valutare le proprie reazioni ad un contenuto, in termini

ad esempio di difficoltà di comprensione, non in maniera assoluta ma relativamente alle

reazioni espresse dagli altri partecipanti al gruppo, è addirittura un obiettivo di apprendimento

in sé, perché consente di migliorare le proprie capacità di autovalutazione attraverso la

2 Fini et al., “Design of Collaborative Learning Environments: bridging the gap between CSCL theories and

Open Source Platforms Bonaiuti”, Je-lks, 4. 2006.

3 Le idee proposte in questo articolo sono nate da una serie di discussioni fra gli autori, e dalla loro ripresa in

presenza e a distanza durante il Laboratorio di E-learning 2006-2007 del corso di laurea specialistica “Teoria

della comunicazione e ricerca applicata” della Facoltà di Scienze della Comunicazione dell'Università di

Roma La Sapienza

costruzione di un'immagine della valutazione dell'intero gruppo.

L’aspetto che abbiamo scelto di esplorare è quello della costruzione di un piano di

concettualizzazione condiviso nel gruppo di apprendimento online (parallelo a quello originario

costruito dall’autore del corso), che è organizzato attraverso il tracciamento di sottinsiemi di

etichette basati sulla somiglianza dei loro autori calcolata dal sistema.

La soluzione che abbiamo implementato come prima approssimazione all’interno di una

piattaforma opensource, ADA,4 poggia da un lato sull’uso dei bookmark interni come

meccanismo di marcatura personale e condivisibile nel gruppo, e dall’altro su di un'analisi

automatica semplificata degli stili generali di interazione nell'ambiente da parte dei corsisti che

tiene conto di tre dimensioni: il grado adesione al patto formativo, il grado di partecipazione e

quello di competenze acquisite.

3. Tagging

Da un lato, quindi, abbiamo esteso la funzione di bookmarking di ADA da meccanismo di

concettualizzazione privata a strumento di collaborazione di gruppo.

Una tag è definita in ADA come una relazione tra un nodo del corso (o una nota del forum) e

un utente (corsista o tutor). L'utente è libero di marcare ogni nodo, anche più volte, con parole a

piacere.

Nella navigazione lungo la rete di nodi che in ADA costituisce il corso, ogni utente vede le

tag apposte dai colleghi di classe, insieme con il loro autore.

Navigando in un nodo, il corsista può vedere le informazioni associate ad esso dall'autore:

– approfondimenti

– link ad altri nodi

– esercizi

– media

– keyword

ma anche quelle associate dagli altri partecipanti al corso (inclusi i tutor):

– note di classe e personali

– media inviati

– tag

Il primo è il piano dei contenuti, come è stato originariamente concepito dall'autore. Il

secondo è il piano delle concettualizzazioni elaborate da tutti i corsisti durante il corso.

4 ADA è una piattaforma GPL progettata e realizzata da Lynx e scaricabile da http://ada.lynxlab.com

Il corsista può allora approfondire le informazioni sull'autore della tag in due direzioni:

– vedere quali altri nodi sono stati marcati con la stessa tag da quel corsista.

– vedere quali altre tag sono state inserite da un corsista su nodi diversi

Nel primo caso, il navigatore approfondisce la sua comprensione del significato attribuito

dagli altri corsisti ad un tag; nel secondo caso il navigatore espande la sua conoscenza del

profilo degli altri corsisti. Le due attività esplorative, suggerite ma non imposte ai corsisti, si

incrociano ed hanno degli effetti l'una sull'altra.

Per ogni tag presente nel sistema, il corsista può così farsi un'idea personale di quanto debba

essere considerata rilevante, attendibile, e di quanto possa basarsi su quella per cercare di

andare al di là della categorizzazione proposta dall'autore dei contenuti del corso ed esplicitata

con titoli, keyword e link.

Un aspetto non secondario è costituito dall'ordine con cui le tag vengono presentate.

La classica soluzione delle “tag cloud”, oltre a veicolare in maniera del tutto percettiva

informazioni semantiche, costituendo un problema per l'accessibilità del sistema, evidenzia solo

l'aspetto dell'accumulazione statistica (quanti corsisti hanno marcato il nodo con quella

particolare tag). Assumono sempre più rilevanza le tag più condivise, le concettualizzazioni che

ben rappresentano l'identità del gruppo. In questo modo, il gruppo rischia di convergere sulle

stesse concettualizzazioni. Eventuali misconcezioni vengono premiate e mai messe in

discussione.

Una possibilità diversa e interessante appare quella di mostrare sempre le tag in

collegamento ai loro autori, in modo che il corsista possa utilizzare tutte le informazioni che ha

su di loro – prese da altri contesti comunicativi, come le chat, o i messaggi, o il forum stesso -

per valutare la rilevanza di ogni tag.

Le tag non vengono perciò ordinate per frequenza o per data, ma in base alla somiglianza dei

loro autori rispettivi.

4. Meccanismo di ordinamento

La seconda parte del lavoro è consistita nella modifica delle funzioni di analisi dell'intero

spettro dei comportamenti dei corsisti in modo da permettere diversi tipi di ordinamento dei

partecipanti della classe. Nella versione standard, ADA tiene traccia del numero di interazioni

tra corsisti (note nel forum, messaggi, chat), del numero di accessi ai nodi del corso e del

numero di esercitazioni svolte. Questi dati vengo usati come indicatori delle tre direttrici

principali lungo le quali i corsisti si muovo durante un corso: il grado adesione al patto

formativo, il grado di partecipazione alle attività di gruppo e il livello di competenze acquisite.

Per consentirne la visualizzazione sintetica in un report di classe, il sistema calcola inoltre un

indicatore di attività per ogni corsista che è una funzione pesata dei dati sopra menzionati.

L'indicatore non ha un valore assoluto, ma viene usato dal tutor per monitorare nel tempo

l'andamento dell'intero gruppo, rispetto all'andamento di gruppi precedenti per lo stesso corso, o

di un corsista in rapporto al gruppo di cui fa parte. Ogni corsista, da questo punto di vista, è

collocato in ogni istante in una posizione precisa rispetto agli altri corsisti.

L'idea che ci ha guidato è quella di utilizzare questo ordinamento per costruire

dinamicamente la sequenza delle tag associate ad ogni nodo. Dati due corsisti che hanno lo

stesso stile generale di interazione con l'ambiente di apprendimento (per quello che è possibile

capire dai dati quantitativi a disposizione) supponiamo che le tag apposte dall'uno siano le più

rilevanti per l'altro, e viceversa. Rilevanti qui ha il significato che abbiamo chiarito sopra: che

aiutano a rivedere la propria concettualizzazione dei contenuti del corso alla luce di quella degli

altri.

Per poter utilizzare in maniera efficiente i dati raccolti, è stato messo a punto un meccanismo

di salvataggio automatico dello stato della classe in un determinato istante. E' così possibile

costruire l'ordinamento di una tag senza ricalcolare ogni volta gli indicatori per ogni corsista

della classe.

Gli indicatori utilizzati per calcolare l'ordinamento dipendono dall'attività dei corsisti, e

quindi variano continuamente (se pur lentamente). La prima implementazione di questo calcolo,

realizzata senza modificare la struttura del database che soggiace al sistema ADA, ha un tempo

di elaborazione che non ne permette l'uso direttamente on-line, per cui si è preferito elaborare

gli indicatori periodicamente (ogni giorno) e salvarne i valori.

Un effetto collaterale di questo meccanismo è la possibilità di rivedere l'evoluzione di un

gruppo classe durante tutto il corso, e non soltanto in un momento dato. E' così possibile

rappresentare, e analizzare, come in una moviola l'evoluzione degli indicatori di attività dei

discenti nel tempo. Chiariamo ancora che si tratta di uno degli elementi a disposizione del

gruppo di apprendimento – non solo del tutor – per valutare il processo di apprendimento.

5. Conclusioni e sviluppi

In sintesi, grazie al meccanismo del tagging personale, ci sembra possibile incrociare

– il piano dei contenuti (nodi dell'autore, note della classe)

– il piano delle concettualizzazioni (keyword dell'autore, tag dei corsisti)

– le conoscenze informali sugli altri corsisti.

La sperimentazione di questi strumenti dovrà permettere di verificare se nella lettura di un

nodo le informazioni appartenenti al secondo piano possono aiutare nella costruzione di una

comprensione più estesa, che si avvicina al concetto-limite di apprendimento di gruppo.

Si dovrà perciò verificare se l'ordinamento della tag costruito sulla base dell'indice di attività

risulta significativo soggettivamente per il corsista stesso, attraverso indagini dirette (interviste,

sondaggi) e indirette (analisi del numero di corsisti che seguono le tag proposte). Si dovrà

introdurre un meccanismo per il tracciamento delle interazioni dei corsisti con le tag in modo da

poter analizzare l'impatto di questo particolare modo di ordinamento nell'interazione col

sistema.

Anche l'espressione usata per il calcolo dell'indice usato nell'ordinamento delle tag – che si

basa su un “peso” assegnato alle diverse componenti dell'interazione – andrà valutata

sperimentalmente.

Prevediamo inoltre di introdurre alcune modifiche al database di ADA in modo da realizzare

un algoritmo di calcolo degli indicatori in cui il tempo di elaborazione sia ammortizzato; ovvero

in modo tale che la maggior parte delle elaborazioni necessarie vengano frammentate e

distribuite sulle interazioni col sistema (ma senza impattare sulle performance), così da rendere

il calcolo dell'ordinamento dei tag efficiente e realizzabile in tempo reale.

Indicazioni bibliografiche

Bowker C., Leihg Star S., Sorting things out: classification and its consequences, Cambridge,

Mass., MIT press, 1999

Fini A., Bonaiuti G., Pettenati M.C., Sarti L., Masseti M., “Design of Collaborative Learning

Environments: bridging the gap between CSCL theories and Open Source Platforms”, Je-LKS -

Journal of e-Learning and Knowledge Society, Vol 2, n. 4, 2006.

Mathes, A. “Folksonomies: cooperative classification and communication through shared

metadata”, Computer mediated communication, 12/2004

Penge S., Mazzoneschi M., Terraschi M., “How to design an open(source) e-learning platform.

The ADA experience”, Je-LKS - Journal of e-Learning and Knowledge Society, Vol 2, n. 1,

Marzo 2006.

Penge S., Mazzoneschi M., Terraschi M., "Strumenti di analisi per la valutazione di un gruppo

di apprendimento online", Colloque TICEMED, Genova, Facoltà di Scienze della Formazione,

Maggio 2006.

Petrucco C., “Folksonomie, social software e apprendimento collaborativo”, Atti del 3°

congresso nazionale SIEL, Roma, Luglio 2006