Analitiche dell'apprendimento

Traduzione automatica della pagina in inglese, non ancora rivista da una persona di madrelingua.

Le analitiche dell'apprendimento sono la misura, raccolta, analisi e reportistica di dati sugli studenti e sui loro contesti allo scopo di comprendere e ottimizzare l'apprendimento. L'IA ha trasformato le analitiche dell'apprendimento da cruscotti descrittivi a sistemi predittivi e prescrittivi.

Domande da considerare

• La maggior parte delle persone assume che raccogliere più dati sull'apprendimento migliori automaticamente l'educazione. La pagina sostiene che le analitiche diventano significative solo quando si riversano in un intervento — altrimenti si limitano a descrivere o segnalare senza cambiare l'apprendimento. Dove avete visto dati raccolti che non hanno mai condotto ad alcuna azione?
• Immaginate che un cruscotto vi dica che uno studente è "a rischio" — una predizione. Che cosa lo separa da una guida davvero azionabile che un docente o un'istituzione possa effettivamente mettere in atto? La pagina suggerisce che la predizione da sola non basta.
• La pagina osserva che l'IA ha spostato le analitiche dell'apprendimento dal descrivere che cosa è accaduto al predire che cosa accadrà e al prescrivere che cosa fare dopo. Quale di queste tre generazioni avete sperimentato, e che cosa mancava nelle altre?
• In uno studio, tre diversi modelli di IA hanno prodotto piani di supporto nettamente diversi per gli stessi dati studenteschi, e i legami tra indicatori analitici e aiuto raccomandato erano per lo più deboli. Che cosa suggerisce ciò sul fidarsi del consiglio di un'IA a valore nominale?
• Le analitiche dell'apprendimento stanno in una tensione sulla privacy: più granulari sono i dati, più rivelatori — e più potente l'intervento. Dove traccereste il confine su che cosa viene raccolto su di voi o sui vostri studenti, e chi dovrebbe deciderlo?

Introduzione

Analitiche potenziate dall'IA

• Analitiche predittive: l'apprendimento automatico sui dati di interazione degli studenti predice gli esiti — dall'identificazione degli studenti a rischio alla stima dello stato di conoscenza.
• La validazione conta quanto la predizione. Schuetze, Yan e Carvalho (2025) mostrano che i modelli predittivi dello stato di conoscenza (BKT, BKT-con-oblio, AFM) appaiono accurati quando adattati retrospettivamente a una storia di sessione completa, eppure sotto convalida incrociata basata sul tempo — predire la sessione successiva da quelle precedenti, come le analitiche sono effettivamente dispiegate — sovrastimano la prestazione degli studenti, perdono le dinamiche di spaziatura/oblio, e possono ordinare male le condizioni di pratica. L'avvertimento per le analitiche: l'adattamento retrospettivo può mascherare una scarsa validità predittiva in avanti su dati longitudinali, quindi i modelli di indicatori e di cruscotto andrebbero validati procedendo in avanti nel tempo.
• Validate la mappatura item-attributo dietro la stima. La Q-matrix che collega item ad attributi è un'assunzione, non un dato: le voci rifiutate su 14 item su 918 di pensiero analitico, una volta corrette, hanno ridotto uno schema di stato di conoscenza spurio dal 14,2% al 3,8% — quindi le analitiche di padronanza dovrebbero verificare la propria Q-matrix, non solo il proprio adattamento predittivo (Feng & Huang, 2026).
• Analitiche predittive ancorate al curricolo: Pradeesh et al. (2026) stimano gli stati di conoscenza all'interno dell'Outcome-Based Education tracciando direttamente i risultati di corso dai dati di interazione e di rendimento nell'LMS, usando le mappature di affinità OBE (relazioni tra risultati di corso e di programma) per strutturare i collegamenti tra concetti e una rete potenziata dalla memoria per modellizzare l'impatto trasversale tra risultati — raggiungendo l'89,81% di AUC e superando DKT, DKVMN, EKT e SimpleKT su dati reali di ingegneria universitaria, pur restando solo competitivi (non superiori) sui dati ASSISTments di uso generale.
• Predizione interpretabile del progresso con una finestra d'azione: Zhang, Jeffries & Koprinska (2025) predicono il progresso degli studenti a livello di modulo in corsi di programmazione online su larga scala a partire da feature dei log di interazione con i contenuti, usando alberi decisionali vetrosi che eguagliano l'accuratezza delle scatole nere (85–91) segnalando esiti di abbandono per "nessuna consegna" fino a 7–8 giorni prima delle scadenze di modulo — una finestra esplicita e in tempo reale per l'intervento anziché un nudo segnale di rischio, e una tipologia esplorativa di profili disimpegnati-a-rischio, disimpegnati-ma-di-successo e alto-rendimento-impegnati.
• Modellizzazione federata e spiegabile del rischio tra istituzioni (2026). Villegas-Ch et al. (2026) estendono la modellizzazione del rischio oltre la predizione su singola istituzione addestrando un modello multi-compito (prestazione + abbandono) su istituzioni simulate tramite apprendimento federato, così che i dati grezzi degli studenti non lascino mai ciascuna istituzione. Sotto eterogeneità controllata (asimmetria delle etichette, sbilanciamento delle classi, deriva temporale, mancanza strutturale) il modello preserva l'accuratezza di ordinamento (AUC OULAD 0,918) e graduatorie strutturalmente stababili dell'importanza delle feature, eppure la calibrazione probabilistica deriva — disaccoppiando la prestazione di ordinamento dall'affidabilità delle probabilità. Per i sistemi di allerta precoce questo è un avvertimento che gli interventi basati su soglie possono richiedere una calibrazione per istituzione, e un argomento per valutare le analitiche lungo discriminazione, calibrazione, robustezza e spiegabilità insieme.
• La validazione su dati sintetici è un prerequisito per analitiche che preservano la privacy. Un controllo strutturale su versioni sintetiche di quattro coorti annuali di abitudini di studio (117-120 studenti su diciotto settimane) ha trovato i descrittori di partizione in stretto accordo in due delle quattro coorti mentre la variazione da settimana a settimana risultava da 2,6 a 4,9 volte più bassa senza eccezioni (coefficiente di variazione 0,086-0,152 contro 0,399-0,539 per le coorti reali), e solo il 36% dei risultati raggiunti su dati pilota sintetici veniva confermato sui dati reali su venticinque richieste di validazione (Inoue & Yasutake (2026)).
• Analitiche dell'impegno: la misura dell'impegno e la modellizzazione dell'intensità quantificano come gli studenti interagiscono con i sistemi di IA.
• Analitiche del feedback: la classificazione del feedback e la valutazione della qualità analizzano il feedback che gli studenti ricevono.
• Analisi di rete: l'analisi di rete di co-occorrenza e l'analisi di rete epistemica rivelano le configurazioni di interazione.
• Tensioni sulla privacy: le preoccupazioni sulla privacy crescono man mano che le analitiche diventano più granulari e guidate dall'IA.
• Un quadro di revisione della governance per i dati degli studenti. LEAGUE propone sei pilastri — Lawfulness, Equity, Agency, Governance, Utility ed Ethics by Design — trattando la conformità a FERPA e GDPR come pavimento e raccomandando una rivalutazione programmata man mano che i modelli derivano (Varadaraju & Vijayakumar (2026)).

Modellizzare la concorrenza dei corsi, non solo la sequenza. TRACE attribuisce a ogni corso di un semestre lo stesso codificatore posizionale, e predire congiuntamente corsi e voti ha ridotto l'errore di predizione dei voti a 0,1339 MAE — una riduzione del 46,4% rispetto a un trasformatore basato solo sui voti — su dieci anni di dati istituzionali (Savala (2026)).

Il ciclo delle analitiche dell'apprendimento

Le analitiche dell'apprendimento sono canonicamente inquadrate come un ciclo che inizia con l'attività degli studenti che produce dati, i quali sono elaborati in misure e indicatori che vengono poi tradotti in interventi — e l'intervento si riversa nell'attività degli studenti chiudendo il ciclo. Il passo dell'intervento è ciò che distingue le analitiche dalla mera sorveglianza o predizione: senza di esso, le analitiche descrivono e segnalano ma non cambiano mai l'apprendimento. Questo ciclo è la cornice organizzatrice per capire dove si collocano nella catena gli strumenti di IA (cruscotti, generatori di feedback, raccomandatori prescrittivi) e quale passo essi automatizzano.

Un cruscotto rivolto agli studenti vale solo quanto la sua portata: in uno studio di scrittura di classe 9 a Hong Kong un classificatore di prompt ha raggiunto una macro-F1 di 0,757, circa un terzo dei 46 studenti ha aperto i tre cruscotti sull'uso della GenAI e le differenze di gruppo nella copiatura e nel prompting orientato all'apprendimento non erano affidabili (Fong et al. (2026)).

Una codifica in frequenze dei dati qualitativi è un punto di ingresso, non un verdetto: in uno studio su dieci partecipanti, alcuni docenti leggevano le codifiche in frequenze come una via d'accesso produttiva mentre altri avvertivano che esse oscurano le risposte rare ma critiche, quindi il progetto mantiene ogni vista aggregata ricondotta al testo letterale degli studenti (Nguyen et al. (2026)).

Dalla descrizione all'intervento

Le analitiche dell'apprendimento si sono evolute attraverso tre generazioni nella knowledge base: descrittiva (che cosa è accaduto?), predittiva (che cosa accadrà?) e prescrittiva (che cosa dovremmo fare?). L'IA abilita lo strato prescrittivo — analitiche che innescano direttamente interventi didattici. Una frontiera chiave è il divario di azionabilità: SC2R (Le, Abel & Laforge 2026) mostra che la predizione da sola è insufficiente per il supporto alle decisioni, e che il ricorso controfattuale diventa operazionalmente significativo solo quando le raccomandazioni sono semanticamente fattibili e verificabili a macchina — vincolate da tempismo, bilancio, immutabilità e disponibilità tramite validazione SHACL, anziché solo valide rispetto al modello. Questo sposta il campo oltre i punteggi di rischio verso raccomandazioni che le istituzioni possono effettivamente mettere in atto, con la supervisione umana preservata.

Una verifica empirica diretta dello strato prescrittivo viene da López-Pernas et al. (2026), che hanno chiesto a tre LLM di raccomandare piani di supporto per 4.500 vignette di studenti sintetici.

Una verifica complementare, centrata sui docenti, di come le analitiche raggiungono l'aula viene da Mejia-Domenzain et al. (2026), che hanno progettato un cruscotto di analitiche dell'apprendimento (DashED) per comunicare ai docenti in due contesti misti i profili di autoregolazione derivati dall'apprendimento automatico. Il loro studio su 100 docenti mostra che la presentazione delle analitiche è essa stessa una barriera all'azione: i docenti preferivano sistematicamente grafici più semplici e tradizionali (grafici a barre, grafici a torta) anche quando progetti più complessi (per esempio le mappe di calore) fornivano approfondimenti più ricchi, e una maggiore alfabetizzazione nella visualizzazione prediceva un'interpretazione più profonda e dettagliata (per esempio più docenti che identificavano tendenze nei dati di serie temporali). Per il confronto tra gruppi, i docenti preferivano la sovrapposizione alla giustapposizione e i grafici a informazione completa alla codifica esplicita delle differenze. Le azioni che i docenti proponevano erano plasmate dal contenuto rappresentato e dal loro livello Insegnamento anziché dal tipo di grafico — i docenti universitari favorivano prove settimanali e adattamento a livello di corso, mentre i docenti professionali proponevano un coaching diretto e individualizzato — a sottolineare che il passo prescrittivo dipende tanto da come le analitiche sono visualizzate e contestualizzate quanto dal modello sottostante. Il loro risultato è cautelativo: le correlazioni tra indicatori di LA e supporto raccomandato erano per lo più deboli, le raccomandazioni tra modelli divergevano nettamente per lo stesso studente, e il supporto veniva frequentemente allocato a prescindere da chi ne avesse più bisogno. Gli autori concludono che gli LLM attuali non sono ancora affidabili come modelli prescrittivi per il supporto agli studenti su larga scala, rafforzando che il passo prescrittivo richiede ancora validazione, messa a punto e supervisione umana anziché automazione preconfezionata.

Il passo dopo il punteggio — chi riceve supporto, e se esso sia stato allocato dove serviva — appartiene al supporto e al successo degli studenti, che porta l'evidenza su contatto, rinvio e allocazione su cui si alimenta lo strato prescrittivo di questa pagina.

Un esito di integrità entra nello stesso strato predittivo. Akçapınar (2026) predice il rischio di scorrettezza assistita dall'IA dalle prime otto settimane di tracce di Moodle e del lettore video, raggiungendo un AUC di 0,763 con la regressione logistica, e sostiene che il segnale è utilizzabile proprio perché arriva prima dell'esame anziché durante.

Una linea complementare punta all'interpretazione delle analitiche stesse. Il quadro FACTRIA di Marques et al. (2026) organizza i fattori di condizionamento dietro un indicatore — di catena, istituzionali, di corso e demografici — e un chatbot di prompting riflessivo ha portato i sotto-fattori che 11 stakeholder soppesavano per caso da 1,41 a 3,45 (d = 2,15), spostandoli da letture dirette a letture condizionali.

Metodi e analisi di rete

I metodi di rete sono centrali per le analitiche dell'apprendimento: l'analisi di rete di transizione (TNA) modellizza sequenze temporali di azioni degli studenti (per esempio i cicli di revisione e di dialogo nella scrittura assistita da chatbot), e l'analisi di rete epistemica (ENA) mappa come codici/costrutti co-occorrono attraverso l'attività — rivelando insieme il processo dell'apprendimento e dell'interazione degli studenti con l'IA anziché solo il suo prodotto.(Penny: Transition Network Analysis of Learner-Chatbot Interactions in Scaffolded EFL Writing)(Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing)

• Analisi di sequenza e a catene di Markov del comportamento autodiretto. An, Hammock & Goel (2025) hanno combinato analisi di sequenza di attività, aggregazione gerarchica e modelli a catene di Markov sui flussi di clic di 315 studenti online che hanno costruito 822 modelli ecologici in VERA, distillando nove cluster comportamentali di granularità fine basati sulla transizione in tre configurazioni più ampie (Osservazione, Costruzione, Esplorazione). Il loro lavoro dimostra che combinare l'analisi di sequenza con la modellizzazione a catene di Markov può scoprire comportamento significativo in compiti non strutturati e autodiretti anche in completa assenza di dati demografici o contestuali.
• LA e GenAI plasmano il design dell'apprendimento in modo diverso (2026). Claassen et al. (2026) hanno usato l'ENA su 11 gruppi di discussione di docenti per confrontare come le analitiche dell'apprendimento rispetto all'IA generativa informino le decisioni di design dell'apprendimento. Le discussioni sulla LA si sono concentrate su informazione contestuale, design a livello di corso e risoluzione creativa dei problemi (LA per diagnosticare l'impegno e indirizzare il supporto), mentre le discussioni sulla GenAI si sono concentrate sul design della valutazione e sul progettare per l'autodeterminazione degli studenti (GenAI per l'ideazione e lo sviluppo della valutazione). Contesto e creatività erano centrali in entrambe — un monito che le analitiche informano il design solo entro un contesto pedagogico e l'autonomia dei docenti.
• Le tracce comportamentali non sono misure di stato cognitivo — specialmente per gli studenti con bisogni speciali. Vasileiou et al. (2026) avvertono che le tracce di interazione (tempo sul compito, errori ripetuti, ricerca di aiuto, progresso irregolare) possono aiutare i docenti a localizzare dove uno studente ha bisogno di supporto, ma non sono misure trasparenti di stati interni: una risposta lenta può riflettere pensiero accurato, elaborazione linguistica, distrazione, design inaccessibile o difficoltà tecnica. "Gli algoritmi non dovrebbero inferire un deficit esecutivo o uno stato diagnostico dai soli dati comportamentali" — le analitiche sono difendibili come una fonte di informazione all'interno della valutazione professionale e del dialogo con lo studente.
• Analitiche del design: estrarre sequenze di attività progettate anziché tracce (2026). Divjak, Svetec e Horvat (2026) hanno applicato catene di Markov ed estrazione di sequenze frequenti alla sequenza progettata di 29.064 attività di insegnamento e apprendimento su 554 corsi pianificati in uno strumento aperto di design dell'apprendimento. La matrice di transizione aveva il suo picco da Valutazione a Discussione (0,332), le auto-transizioni dominavano in Pratica (0,317) e Acquisizione (0,292), e la regola consecutiva più forte era Acquisizione-Valutazione-Pratica-Pratica (confidenza 0,743, lift 1,449), mentre il percorso a quattro passi più frequente era Acquisizione, Pratica, Pratica, Valutazione (120 occorrenze). Discussione e Valutazione erano i tipi più raggiungibili e Produzione il più distante e sporadico. Lo studio è un monito che le analitiche dell'apprendimento non devono iniziare dalle tracce dell'LMS: i dati in fase di design possono esporre la grammatica pedagogica di un corso prima che qualsiasi studente arrivi, benché gli autori sottolineino che la somiglianza a design capovolti, basati sull'indagine o basati su progetti non è evidenza di intenzione.
• LLM auto-esplicativi distillati (2026): una catena a due stadi distilla uno stimatore di analitiche dell'apprendimento a scatola nera e la sua interpretazione post-hoc in un piccolo LLM a pesi aperti che restituisce sia una stima a livello individuale sia una spiegazione in linguaggio naturale. Un'audit che mette al primo posto la fedeltà valuta se le narrazioni corrispondono alle attribuzioni che descrivono; la simulazione mostra un recupero quasi senza perdita (r > 0,90) con un mentore oracolo, offrendo una via più trasparente e dispiegabile per le analitiche (Distilling Black-Box Machine Learning into a Small, Self-Explaining Language Model for Learning Analytics).
• Abilitatori degli interventi educativi basati sulla LA (2026). Svetec, Divjak & Kadoić (2026) identificano e prioritizzano sette abilitatori di interventi educativi affidabili basati sulla LA tramite Delphi + AHP + SNAP: orientamento strategico istituzionale, fondamenti di ricerca pedagogici e altri, risorse disponibili, supporto pedagogico, etica e governance dei dati, coinvolgimento degli stakeholder, e assicurazione della qualità. L'orientamento strategico istituzionale si è classificato primo (e più influente sugli altri abilitatori), con le risorse disponibili seconde. La fidatezza (conformità etica, algoritmi trasparenti e non distorti, validità pedagogica) è inquadrata come il prerequisito senza il quale gli interventi basati sulla LA non sono significativi.
• La profondità dell'interazione con gli LLM predice la qualità del compito ma non il richiamo (2026). Tsiligkiris (2026) collega la telemetria conversazionale con gli LLM a livello di turno (Profondità/Volume/Ritmo) agli esiti dell'apprendimento: la "profondità" nella ricerca di spiegazioni prediceva la qualità del compito valutata in modo indipendente (β = 6,27) ma non il richiamo immediato — una dissociazione tra comprensione guidata dall'elaborazione e consolidamento guidato dal recupero che ha implicazioni per il modo in cui l'interazione con gli LLM viene misurata e valutata nella LA.
• Manca un'unità di interazione condivisa. Su 46 categorizzazioni tratte da 33 studi non esiste una meta-caratteristica condivisa — etichette simili nominano fenomeni diversi — quindi la revisione propone l'episodio di interazione, uno scambio delimitato e diretto a un obiettivo, come unità per correlare il dialogo all'acquisizione di abilità (Borchers, Jansen & Weidlich (2026)).
• Simulare il discorso collaborativo per le analitiche dell'apprendimento. Fang (2026) usa agenti LLM messi a punto per ciascun partecipante per riprodurre dialoghi di risoluzione collaborativa di problemi, validati con l'Analisi di Rete Epistemica (distanza ENA 0,17, p di permutazione 0,65). L'approccio offre agli studiosi di analitiche dell'apprendimento una via scalabile per generare discorso collaborativo autentico allo scopo di studiare le dinamiche di interazione, l'alternanza dei turni e le traiettorie tematiche dei codici senza raccogliere nuovi dati umani.
• Dati aperti e riproducibili e analitiche pronte alle tracce. ASTRA rilascia un benchmark sintetico con uno schema pronto alle tracce (N=540; 360 sessioni; 1.440 episodi) per analizzare l'interazione e l'equilibrio di partecipazione nella programmazione collaborativa. Dati di log e di traccia sono il naturale contrappeso all'autovalutazione in questa letteratura: lo stesso costrutto è spesso misurato due volte, una volta chiedendo e una volta osservando, e le due non sempre concordano. Separatamente, un quadro esplorativo di apprendimento automatico con analisi SHAP ha identificato i costrutti legati all'apprendimento più associati all'uso accademico previsto di ChatGPT tra studenti universitari, dando priorità all'interpretabilità (An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education).
• Infrastruttura di analitiche riutilizzabile, validata solo in casa (2026). Bai et al. (2026) hanno riprodotto risultati pubblicati di tre assistenti di IA del Georgia Tech modificando i valori di configurazione anziché il codice, benché l'affermazione poggi sulla rianalisi di dataset esistenti di singola istituzione e l'unica estensione di capacità sia stata realizzata da addetti ai lavori.

Connessioni

Le analitiche dell'apprendimento si collegano al tracciamento delle conoscenze (l'analitica centrale), alla valutazione formativa (valutazione guidata dalle analitiche), alla modellizzazione dello studente (la rappresentazione dello studente che le analitiche popolano), alla privacy (il vincolo etico), e all'edtech-platform (dove le analitiche sono dispiegate). Poiché le analitiche prescrittive sono sempre più valutate su studenti simulati — dove coorti di studenti sintetici sostituiscono coorti reali in test controllati — le analitiche dell'apprendimento si collegano anche alla simulazione degli studenti.

• Ciò che i cruscotti rendono visibile decide su che cosa i docenti agiscono. Köroğlu et al. (2026) hanno rivisto 27 studi empirici (2016–2025) e costruito una tassonomia sociotecnica delle decisioni dei docenti supportate dall'IA su otto tipi di decisione: didattiche, curricolari, di valutazione, di feedback, di ambiente di apprendimento, emotive, amministrative ed etiche. I cruscotti di analitiche dell'apprendimento erano il sistema riportato più di frequente, e la codifica mostra il supporto concentrato nelle decisioni didattiche, di feedback e di valutazione che i dati testuali e di log comportamentali possono informare, mentre le decisioni emotive, etiche, curricolari e di ambiente di apprendimento erano raramente supportate. Gli autori lo leggono come un effetto di attenzione anziché un limite di capacità: poiché i sistemi rendevano visibili e azionabili i dati comportamentali degli studenti, le preoccupazioni su motivazione, metacognizione, emozione e ambiente cadevano fuori da ciò che i dati invitavano i docenti a considerare.

La strumentazione a livello di processo è il passo successivo in basso dello strato descrittivo. Prol et al. (2026) hanno esteso una piattaforma open source per problemi di Parsons registrando ogni posizionamento, rimozione e consegna di blocco come traccia cronologica, accoppiando ogni consegna con una colorazione di correttezza per blocco e una cronologia di tentativi, e facendo opzionalmente passare le tracce attraverso una catena LLM che etichetta le configurazioni ricorrenti di difficoltà per la revisione del docente. Su 68 studenti in un corso di design software in Java di livello avanzato e 36 in un corso introduttivo di Python l'analisi ha portato in superficie le stesse tre difficoltà — scegliere il tipo di eccezione sbagliato, sostituire throw con return e ordinare in modo errato il flusso di controllo — che i conteggi di correttezza e di tentativi non possono esporre, perché rispondono se la disposizione era giusta anziché che cosa fosse il processo. L'IA agisce come interprete per il docente anziché come correttore dello studente, e il suo esito è inquadrato come un'ipotesi esaminabile sulle difficoltà di una classe anziché come un voto.

• Il muro dei sistemi di apprendimento: i dati di log non si generalizzano tra piattaforme. MATHia, i-Ready e IXL definiscono in modo diverso persino i costrutti di base — un "tentativo", un "suggerimento" — quindi i modelli non possono trasferirsi tra essi. Una risposta in corso d'opera attacca il problema dal lato video: una catena Gemini distilla registrazioni dello schermo di tutoraggio in un singolo trascritto di sceneggiatura allineato ai log nativi di MATHia come verità a terra. Ciò che il video recupera e che nessun flusso singolo recupera: la strutturazione sulla lavagna, il lavoro silenzioso con la calcolatrice in strumenti esterni, e il contesto fuori schermo che i log nativi riducono a "inattività". Restano sfide aperte nell'ancoraggio temporale, nella deriva degli orologi e nel separare gli eventi di piattaforma da altri processi di apprendimento. (Towards breaking the learning system wall using multimodal tutoring transcriptions)

Concetti collegati

• IA spiegabile
• Tracciamento delle conoscenze
• Modellamento dello studente e istruzione adattiva
• Valutazione formativa
• Privacy
• Piattaforma edtech
• Engagement degli Studenti
• Valutazione dell'IA in educazione
• Feedback
• Istruzione superiore
• K-12
• Grandi modelli di linguaggio (LLM)
• Simulazione di studenti
• Misure di autodichiarazione
• Sistemi di raccomandazione e percorsi di apprendimento
• Sostegno e successo degli studenti — il lato del supporto su cui la predizione si alimenta: rinvio, allocazione, e gli esiti che essi muovono o non muovono

Articoli collegati

• Responsible Institutional Analytics: Interpreting Bias with AI Support — Responsible Institutional Analytics: Interpreting Bias with AI Support

• AI-Supported Lecturer Decision-Making in Higher Education: A Socio-Technical Perspective — AI-Supported Lecturer Decision-Making in Higher Education

• Federated and Explainable Learning Analytics for Privacy-Preserving Academic Risk Modeling Across Heterogeneous Educational Institutions — Federated and explainable learning analytics for privacy-preserving academic risk modeling (Villegas-Ch et al. 2026)

• What Students Ask Matters: LLM Interaction Depth, Task Quality, and Immediate Recall in Higher Education — What students ask matters: LLM interaction depth, task quality, and immediate recall (Tsiligkiris 2026)

• From Learning Analytics to Educational Interventions: Enhancing Decision-Making and Learning Design — From learning analytics to educational interventions: enablers of trustworthy LA-based interventions (Svetec, Divjak & Kadoić 2026)

• Understanding the Role of Learning Analytics and Generative Artificial Intelligence on Decision-Making and Learning Design Practice in Higher Education — LA and GenAI in learning design decision-making

• Analysis and Prediction of At-Risk Students Using Machine Learning Algorithms

• Engagement Intensity as a Learner-Modeling Signal for Adaptive AI Ethics Instruction

• Cognitive Offloading in Student–AI Collaboration: A Longitudinal Analysis of Prompting Strategies

• A Durability and Cross-Language Transfer Benchmark for a Validated Teaching-Feedback Classification Protocol

• Through the WordStream Glass: Revisiting Quantitative Encoding for Qualitative Learning Analytics

• Jointly Predicting Courses and Grades Using a Transformer-Based Model (TRACE)

• Toward Convergence in Student-LLM Interactions: A Rapid Scoping Review and Taxonomy for Learning-Oriented Use

• From Student Risk Prediction to SC2R: Semantics-Constrained Counterfactual Recourse for Educational Decision Support — From Student Risk Prediction to SC2R: Counterfactual Recourse

• Bayesian cognitive diagnosis optimizes personalized learning paths via mediation of cognitive load and Hidden Markov Model state transitions — Bayesian cognitive diagnosis for personalized learning paths

• Distilling Black-Box Machine Learning into a Small, Self-Explaining Language Model for Learning Analytics — Distilling self-explaining LM for learning analytics

• Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation — Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation

• Modelling Individual Participants as LLM Agents in Collaborative Problem Solving Simulations — Fine-tuned participant-specific LLM agents reproducing collaborative problem solving dialogues (Fang 2026)

• ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring — ASTRA synthetic benchmark for multi-agent tutoring and participation-balanced collaboration

• An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education — ML/SHAP determinants of future ChatGPT use in higher education

• Making machine learning findings accessible to teachers in blended classrooms — Making ML findings accessible to teachers in blended classrooms

• Outcome-based knowledge tracing with affinity mapping and memory augmented outcome impact — Outcome-based knowledge tracing with affinity mapping

• How Online Learners Engage in Self-Directed Modeling: A Behavioral Analysis

• Capturing Session-to-Session Dynamics of Learning and Forgetting: Testing the Limits of Knowledge Tracing Models

• A Machine Learning Approach for Predicting Student Progress in Online Programming Education

• Learning paths and patterns in learning design: Insights from 500+ courses — Markov chain and pattern mining of 29,064 planned activities in 554 courses, revealing a design grammar led by Acquisition and consolidating Practice

• Pulla: A Parsons Problem Tool for Fine-Grained Behavioral Tracing and Instructor-Facing Problem-Solving Analysis — Pulla: process-level behavioral tracing and instructor-facing difficulty analysis in Parsons problems (Prol et al. 2026)

• Generalizing a Highly Configurable Analytics Pipeline to Replicate and Support Educational Research Across Multiple Domains

• Beyond Compliance: A Proposed Framework for Ethical Governance of Student Data in Learning Analytics

• Using Learning Analytics to Support Secondary School Students' Writing with Generative AI — Using Learning Analytics to Support Secondary School Students' Writing with Generative AI

• "We'll Fix It Later": Education, AI, and the Deferral of Student Privacy in EdTech — "We'll Fix It Later": Education, AI, and the Deferral of Student Privacy in EdTech

• What Fidelity Metrics Miss: A Structural Check on Synthetic Educational Data — What Fidelity Metrics Miss: A Structural Check on Synthetic Educational Data

• Early Prediction of AI-Assisted Cheating Risk in Online Exams Through Learning Analytics — Akçapınar (2026) — Predicting AI-assisted cheating risk from early-semester LMS traces (AUC 0.763)

• Towards breaking the learning system wall using multimodal tutoring transcriptions — Towards breaking the learning system wall using multimodal tutoring transcriptions (Thomas et al. 2026)