Articoli di approfondimento - Un grande passo avanti nell'elaborazione del linguaggio naturale per l'istruzione
L'elaborazione del linguaggio naturale (NLP) è un campo delle scienze informatiche e linguistiche che sta attirando l'interesse di diversi settori del mondo accademico, degli affari e del governo. Il NLP copre molte applicazioni: software per trasformare il testo in parlato, traduzione automatica tra diverse lingue o recupero di dati per concetti specifici. Non è ancora perfetto però. Gli strumenti di analisi quantitativa sono da tempo usati nel campo in rapida crescita dell'apprendimento potenziato dalla tecnologia, nel quale i computer e i programmi software hanno un ruolo fondamentale nel modo in cui gli studenti raccolgono le informazioni, studiano e comunicano con gli insegnanti e tra di loro. Anche se l'analisi quantitativa può dare informazioni su quanto lavora uno studente, quanto spesso fa riferimento a materiale educativo, frequenta le lezioni o comunica con gli altri, non può misurare il valore di tali interazioni. È qui che entra in gioco l'analisi qualitativa. "La maggior parte degli strumenti sviluppati per la comunità dell'apprendimento potenziato dalla tecnologia ad oggi misurano quanto gli studenti lavorano, ma c'è bisogno di strumenti e tecnologie che esprimano quanto bene gli studenti lavorano. Queste informazioni possono poi essere usate per aiutarli a fare meglio," spiega Wolfgang Greller, professore associato di Nuove tecnologie dei media e innovazione delle conoscenze presso la Open University of the Netherlands. Il dott. Greller ha coordinato il progetto LTfLL ("Language technologies for lifelong learning") nel quale 11 accademici e aziende in sette paesi europei hanno sviluppato soluzioni innovative con particolare attenzione all'aspetto dell'apprendimento potenziato dalla tecnologia. Sovvenzionato con 2,83 milioni di euro in finanziamenti di ricerca da parte della Commissione Europea, il progetto ha sviluppato e testato sul campo sei strumenti per aiutare gli studenti e gli insegnanti in settori che vanno dal dialogo e l'analisi testuale al posizionamento dello studente e allo sviluppo concettuale. Nel frattempo, hanno fatto anche considerevoli progressi tecnologici nel campo del NLP. "Se avete usato Google Translate, il software di riconoscimento vocale Dragon o strumenti simili, avrete notato che non sono precisi al 100%. È un problema relativo comunque, perché se ci si aspetta il 100% e si ottiene l'80% il risultato non è buono, ma se ci si aspetta zero e si ottiene una precisione dell'80%, allora è molto meglio di niente," osserva il dott. Greller. Per sviluppare la prossima generazione di servizi di assistenza e supporto intelligenti e di strumenti per l'apprendimento individuale e collaborativo, i ricercatori del LTfLL hanno dovuto fare progressi in due delle difficoltà fondamentali del NLP: precisione e prestazioni. Valutare gli studenti in modo accurato Per quanto riguarda la precisione, i ricercatori hanno sviluppato una tecnica per misurare la precisione del prodotto dei loro strumenti rispetto a parametri fissati da persone esperte. Questa tecnica è stata usata, per esempio, per migliorare gli strumenti di LTfLL che si occupano di posizionare - e cioè stabilire a quale livello di una certa materia deve essere assegnato un nuovo studente sulla base delle sue conoscenze precedenti della stessa - e quanto uno studente comprende ed elabora la materia una volta cominciate le lezioni. "Per il posizionamento, agli studenti sono state poste delle domande cui dovevano rispondere con un testo libero. Le loro risposte sono state quindi analizzate dallo strumento in relazione al cosiddetto libro di testo delle risposte fornito da esperti e insegnanti, una procedura che si basa in gran parte sulla precisione della tecnologia NLP", spiega il dott. Greller. Il sistema non è progettato per assegnare automaticamente i nuovi studenti a una classe o livello specifico, ma per fornire una guida agli insegnanti sul livello esistente delle conoscenze dello studente su una materia in modo molto più veloce ed economico rispetto ai test a risposta multipla e ai colloqui faccia a faccia che si usano oggi. Allo stesso modo, l'analisi dello sviluppo concettuale aiuta a valutare il rendimento degli studenti esaminando il contenuto che producono e misurando quanto il linguaggio che usano per esprimere i concetti si avvicina a quello usato dagli esperti del settore. "Non si tratta solo di misurare il numero di parole chiave che uno studente usa in un tema (se così fosse sarebbe molto facile per uno studente prendere in giro il sistema) ma piuttosto di determinare se usa queste parole in modo appropriato per definire il concetto che vuole esprimere," osserva il coordinatore del progetto. Questo a sua volta, richiede una tecnologia di NLP con un'alta tolleranza degli errori e che sia in grado di capire che due parole con un'ortografia diversa o sbagliata possono significare la stessa cosa e che parole all'apparenza identiche possono avere significati molto diversi a seconda del contesto. "Il sistema deve poter capire che "webcam", "web cam" o "cyber cam" significano la stessa cosa ed essere in grado di determinare se la parola "Java" si riferisce all'isola o al linguaggio di programmazione, deve essere in grado insomma di capire il contesto," osserva il dott. Greller. Sia gli strumenti per il posizionamento che quelli per l'analisi dello sviluppo sono stati testati dal partner del progetto LTfLL Bit Media. Questo fornitore austriaco di soluzioni di e-apprendimento tiene corsi per aiutare i disoccupati a ritornare al lavoro offrendo loro formazione nell'uso del computer per ottenere la Patente europea del computer, un certificato che attesta l'ottima conoscenza delle tecnologie dell'informazione e della comunicazione (TIC). Migliorare le prestazioni del NLP Per quanto riguarda il miglioramento delle prestazioni dei sistemi di NLP, i ricercatori del LTfLL hanno implementato l'analisi semantica latente, tecniche di pre-elaborazione e ambienti contestuali costruiti per diverse materie. "Una delle principali difficoltà tecniche nel NLP è che ha bisogno di molta potenza di elaborazione. Ogni volta che uno studente immette delle informazioni o fa una domanda è necessaria una grande quantità di elaborazione. Costruire l'ambiente contestuale prima e pre-elaborare molti dei termini in un dato campo (sia esso medicina o scienze dell'informazione) significa che i risultati si possono ottenere nel giro di secondi invece che giorni", spiega il dott. Greller. "Era una questione fondamentale per noi poiché volevamo che i nostri strumenti funzionassero a richiesta e quanto più possibile in tempo reale." Il lavoro dei ricercatori di LTfLL per migliorare le tecnologie di NLP mette i loro risultati all'avanguardia dei campi emergenti dell'"analitica dell'apprendimento", che si occupa di misurare, raccogliere, analizzare e presentare dati sugli studenti e il loro contesto per capire meglio e ottimizzare l'apprendimento e gli ambienti di apprendimento. Un aspetto fondamentale di ciò è l'associazione di NLP ad altre tecnologie che si occupano dell'analisi dei sentimenti e dei rapporti sociali, con l'intento di rendere l'apprendimento in qualunque campo e di qualunque argomento più divertente, interattivo e simpatico. LTfLL ha ricevuto finanziamenti per la ricerca nell'ambito del Settimo programma quadro (7˚ PQ) della Commissione europea. Link utili: - Sito web del progetto LTfLL ("Language technologies for lifelong learning") - Scheda informativa del progetto LTfLL su CORDIS Articoli correlati: - Articoli di approfondimento - Strumenti di elaborazione del linguaggio per aiutare studenti e insegnanti - Banche dati ad attivazione vocale agevolano l'accesso alle informazioni - Maggiore interattività uomo-sistema grazie a un progetto TIC