Il laboratorio H.E.R.A.C.L.E. dell’Università degli Studi Niccolò Cusano è impegnato da anni nello studio dei diversi campi di indagine afferenti al contesto delle neuroscienze educative. I filoni di ricerca oggetto di studio da parte dei diversi gruppi di lavoro che compongono il laboratorio, hanno come focus comune l’analisi dei processi di apprendimento attraverso metodologie scientificamente validate. In tal senso, le nostre ricerche sono condotte mediante l’utilizzo di procedimenti analitici rigorosi che si avvalgono dell’utilizzo di tecniche di analisi accurate. Queste ultime non si limitato esclusivamente ai metodi di calcolo provenienti dalle branche statistiche di respiro psicometrico e mutuate nelle varie declinazioni proprie della pedagogia sperimentale. Infatti, per contribuire con risultati sempre più significativi nel panorama scientifico in campo educativo, il laboratorio H.E.R.A.C.L.E. si occupa anche di implementare le strategie di analisi volte alla valorizzazione dell’ampia mole di dati proveniente dal contesto formativo. Quindi, risultano di grande utilità le tecniche provenienti dal mondo dell’Intelligenza Artificiale che permettono di classificare e sistematizzare in cluster definiti set di dati anche molto eterogenei. In particolare, per quanto riguarda la realtà educativa, di grande rilevanza risulta il filone di studi legato all’Educational Data Mining, che si occupa di progettare modelli e algoritmi utili allo sviluppo di nuove strategie educative attraverso la formulazione di previsioni accurate sul comportamento e sulle performance di studenti e insegnanti. Inserendosi all’interno della cornice concettuale esposta, il gruppo di studio coordinato dal Prof. Luigi Piceci, e composto dal Dott. Emanuele Marsico e dalDott. Umberto Barbieri si occupa di studiare le applicazioni del Machine Learning in ambito formativo, principalmente analizzando le diverse variabili che influenzano i processi di apprendimento a livello intersoggettivo e ambientale.
Tra i progetti portati avanti da questo gruppo di ricerca, un ruolo di primo piano occupa lo studio della motivazione all’apprendimento nella popolazione universitaria in un’ottica predittiva. Nello specifico, tale campo di indagine ha la finalità di strutturare un nuovo modello della motivazione all’apprendimento che valorizzi il peso differenziale di una serie di fattori di natura cognitiva, affettiva, sociodemografica e intraindividuale attraverso l’utilizzo di un algoritmo di Machine Learning. I dati in questione sono ricavati mediante l’applicazione di un protocollo sperimentale di valutazione che consiste nella somministrazione di una serie di test validati in formato digitale che indaghino le varie componenti dei processi motivazionali e che ne determinano la manifestazione effettiva sia a livello consapevole che inconscio. In tal senso, l’algoritmo utilizzato consentirà la creazione di un modello predittivo della motivazione all’apprendimento che, sulla base dei dati raccolti attraverso la somministrazione del protocollo presentato, permetta l’individuazione di profili motivazionali strutturati sulla base di un processo computazionale di sistematizzazione dei valori indicativi in cluster di riferimento tarati sulle caratteristiche soggettive. Tale modello fornirà utili informazioni ai docenti universitari per l’impostazione di percorsi formativi personalizzati atti a valorizzare le manifestazioni motivazionali individuali. In tal modo sarà possibile evidenziare i punti di forza e le criticità degli studenti e, di conseguenza, i fattori che influenzano in modo più o meno marcato un apprendimento efficace.