Apprendere e operare in un ecosistema digitale apre scenari totalmente nuovi, ampliando l’orizzonte di ricerca sulle modalità con le quali le studentesse e gli studenti imparano e acquisiscono informazioni. Cambiare lo strumento con il quale gli allievi svolgono le loro attività e sostengono le loro prove di valutazione non ha implicazioni solo sul piano tecnologico, ma coinvolge aspetti molto più ampi che possono favorire la conoscenza dei processi cognitivi sottesi all’apprendimento. Sono quindi evidenti le prospettive di ricerca e didattiche che si possono aprire per la promozione del miglioramento dei livelli di apprendimento dei giovani, ma ancora più in generale di chiunque apprenda.

Operare e apprendere in ambiente digitale rende possibile la raccolta di informazioni che altrimenti non possono essere reperite a meno di grandi sforzi che, comunque, non darebbero esiti comparabili a quelli che si ottengono in un contesto digitalizzato.

In linea di principio, l’ambiente digitale permette di registrare nei cosiddetti log file (LF) tutte le interazioni tra il soggetto in apprendimento e l’ambiente nel quale lo studente o la studentessa operano. Queste informazioni, denominate in letteratura come process data (PD), consentono di studiare i processi che portano lo studente e la studentessa a fornire una determinata risposta, a compiere una specifica scelta, ecc.

I PD forniscono informazioni potenzialmente molto ricche per osservare i processi di apprendimento del rispondente. Essi consentono, ad esempio, di tracciare le modalità con le quali uno studente si relaziona con un compito (ad ¶{p. 250}es. tempo di lettura del compito, tempo che intercorre tra la lettura e la prima o l’ultima interazione con il compito, numero di tentativi effettuati per la soluzione del compito, ecc.), fornendo quindi molte informazioni su stili cognitivi e approcci al compito differenti. Risulta quindi del tutto evidente il cambio di prospettiva rispetto alle tradizionali valutazioni, maggiormente focalizzate sull’osservazione dell’esito finale, anziché sul processo che determina quell’esito. Lo studio dei PD diviene pertanto un oggetto di ricerca molto importante di una relativamente nuova disciplina che in ambito internazionale è denominata learning analytics (LA), le cui potenzialità sono considerevoli e che apre prospettive profondamente innovative e interessanti nelle scienze pedagogiche e dell’educazione [Lang et al. 2017]. Lo studio dei PD permette di individuare delle variabili di prossimità (proxy) in grado di fornire informazioni sulla motivazione del rispondente, sul suo coinvolgimento nel compito (engagement), sulla sua perseveranza, ecc. Si aprono quindi possibili scenari di approfondimento su competenze cosiddette soft, sulla cui importanza c’è ampia condivisione, ma sulle cui modalità di osservazione e misurazione rimangono ancora molte questioni aperte e controverse [Heckman, Humphries e Kautz 2015].

Tuttavia, l’interpretazione dei LF non è semplice, sia dal punto di vista tecnico, sia soprattutto dal punto di vista teorico. Al momento i LF sono spesso strutturati in base alle caratteristiche tecniche della piattaforma usata e non sono invece pensati e progettati come parte integrante dell’azione valutativa. Per quanto gli sviluppi dei LA negli anni abbiano compiuto passi molto importanti, è però cruciale definire quadri di riferimento teorici in grado di dare loro un’adeguata sistematicità, rendendoli quindi funzionali alle istanze conoscitive sui processi di apprendimento e sulle determinanti che ne possono produrre l’innalzamento. I PD hanno quindi un grosso potenziale per fornire informazioni rilevanti sia nell’ambito della valutazione formativa sia in quello della valutazione sommativa. Inoltre, essi aprono un nuovo punto di osservazione sul comportamento dello studente, la cui importanza era già nota in letteratura da tempo [Bunderson, ¶{p. 251}Inouye e Olsen 1989], ma che gli attuali sviluppi tecnologici rendono finalmente accessibile.

In un quadro così promettente di sviluppi, il DigCompEdu definisce l’aspetto 2 come la capacità di «generare, selezionare, analizzare e interpretare i dati digitali relativi all’attività degli studenti e ai risultati progressivamente raggiunti. Utilizzare tali dati per comprendere meglio e ottimizzare i processi di insegnamento e apprendimento».

Risulta quindi molto sfumata la distinzione tra valutazione dell’apprendimento e per l’apprendimento, ma soprattutto la valutazione diviene parte integrante dell’insegnamento, in una posizione di mutua contaminazione e reciproca fertilizzazione. Aspetti tutti ulteriormente valorizzati attraverso le attività esemplificative proposte dal DigCompEdu:

1. progettare e predisporre attività di apprendimento che generino dati sull’attività e la prestazione degli studenti;

2. utilizzare le tecnologie digitali per registrare, confrontare e sintetizzare i dati relativi agli apprendimenti degli studenti;

3. essere consapevoli che le attività svolte in ambienti digitali generano dati potenzialmente utili alla didattica;

4. analizzare e interpretare i dati disponibili sulle attività e i progressi degli studenti, inclusi i dati generati dalle tecnologie digitali utilizzate;

5. considerare, aggregare e valutare dati provenienti da fonti diverse relative alle prestazioni e ai progressi degli studenti;

6. analizzare criticamente i dati disponibili per migliorare il processo di insegnamento e apprendimento.

Si tratta di attività cruciali per la valutazione formativa, utili per promuovere e sostenere l’apprendimento degli studenti e delle studentesse. Non è un caso che nella prima attività si parta dalla progettazione della raccolta dei dati affinché essa sia inserita dentro un quadro di senso pedagogico e metodologico. L’enorme quantità di dati che si produce in ambiente digitale a lato delle azioni dei discenti e dei docenti non deve essere un semplice sottoprodotto, ma va considerata e gestita come una parte strategica di tutto il processo di insegnamento-apprendimento.¶{p. 252}