Adaptive Learning senza investire in LMS con Intelligenza Artificiale

Per implementare l’Adaptive Learning nel Digital Training in azienda può non essere necessario uno stravolgimento dal punto di vista delle tecnologie ma è possibile utilizzare alcuni metodi per raggiungere ugualmente gli obiettivi di personalizzazione pur utilizzando tecnologie già presenti in azienda.

L’apprendimento adattivo o Adaptive Learning è qualsiasi progetto di training che si adatta all’utente da differenti punti di vista considerando, ad esempio, competenze in ingresso, stili di apprendimento, preferenze di fruizione, comportamento online e tanti altri fattori non immediatamente percepibili da chi progetta la formazione in azienda.

Gli obiettivi dell’Adaptive Learning sono chiari e definiti e riguardano:

• Miglioramento nell’efficacia dell’apprendimento e della retention
• Ottimizzazione dei tempi dedicati all’apprendimento
• Aumentare la soddisfazione degli utenti in formazione.

Investire in LMS con funzioni di Adaptive Learning

Molti player nel mercato degli LMS propongono funzionalità di Adaptive Learning basate su algoritimi di intelligenza artificiale. I modi in cui questi algoritmi effettuano i “ragionamenti” e i dati che vengono coinvolti per l’analisi del comportamento dell’utente non sono “in chiaro” ed espressamente dichiarati.

L’implementazione degli algoritmi di intelligenza artificiale costituisce il segreto industriale dei produttori di software e possono rappresentare la “funzionalità killer” che differenzia un LMS da un altro rendendolo più o meno efficace nel raggiungimento degli obiettivi formativi.

Ovviamente per utilizzare le ultime tecnologie disponibili è necessario un investimento per l’implementazione di un nuovo LMS (o l’aggiornamento di quello già presente in azienda). Non solo, molto spesso è necessario cambiare il modus operandi in diversi settori per assecondare questo cambiamento e, come si può immaginare, questo può creare diversi problemi.

La domanda

Una domanda che molti manager impegnati nella pianificazione del Digital Training si pongono è: posso evitare di destinare budget per la tecnologia e dedicarlo al training raggiungendo ugualmente gli obiettivi dell’Adaptive learning?

In particolare, sostituendo l’intelligenza artificiale con la pianificazione e il learning design posso raggiungere gli stessi risultati riducendo il livello di automazione?

La risposta è SI!

Vi mostro 6 metodologie che si sono rivelate molto utili per implementare l’Adaptive learning in contesti in cui la piattaforma LMS non era dotata di intelligenza artificiale.

Non ho la presunzione di essere esaustivo con questa lista ma di condividere alcune best practices e di aprire un dibattito che porti ad evidenziare eventuali ulteriori tecniche efficaci.

1. Inserire contenuti “opzionali” nei percorsi formativi

Gli utenti in questo caso dovranno essere introdotti e guidati all’interno di un learning path chiaro e composto dai contenuti che veicolano i concetti fondamentali per raggiungere gli obiettivi formativi prefissati. Successivamente è possibile includere del materiale formativo facoltativo consultabile a discrezione dell’utente che decide di approfondire facendo una piccola deviazione al percorso principale.

Dobbiamo immaginare di progettare un’esperienza simile a quella museale in cui c’è un percorso guida obbligatorio con le opere principali. Il visitatore però può decidere di allungare il percorso soffermandosi su quello che gli interessa di più o semplicemente saltando qualcosa che già conosce perché magari ha già visto in passato. Le “deviazioni” al percorso principale arricchiscono l’esperienza utente e veicolano contenuti di sicuro interesse perché scelti dall’utente stesso.

In questo senso è quindi possibile inserire materiale facoltativo sotto forma di PDF, di video di approfondimento, di ulteriori contenuti multimediali o, ad esempio di tooltip o popup contestuali.

Un aspetto fondamentale in questo contesto è la cura con cui si realizzano i contenuti opzionali. Questi infatti devono essere realizzati con la stessa qualità dei contenuti principali, altrimenti si genererà nell’utente la percezione che questi siano argomenti poco curati perché facoltativi (e quindi evitabili) e che eventuali approfondimenti risultino inutili o addirittura rappresentino una perdita di tempo.

Tra gli aspetti molto importanti per attuare questa strategia vi deve essere un buon livello di coinvolgimento di base da parte degli utenti che dovrebbero avvertire la necessità di essere formati su determinati argomenti perché di loro interesse o perché grazie alla formazione potrebbero colmare un preciso gap individuato durante il lavoro quotidiano.

La motivazione e l’engagement devono essere alte per poter accomunare i risultati di questa tecnica a quelli dell’Adaptive Learning in cui un algoritmo sceglierà autonomamente sulla base di una attività di reasoning, gli oggetti didattici che l’utente dovrà seguire.

Interesse e coinvolgimento dell’utente sono i fattori chiave per il successo di questa metodologia.

2. Programmare degli assessment per valutare le competenze e la fruizione di contenuti supplementari

In questo caso l’idea è quella di somministrare ad intervalli periodici dei test di autovalutazione su specifici argomenti. Qualora l’assessment evidenzi che i concetti non siano stati completamente acquisiti la piattaforma LMS abiliterà dei contenuti specifici per colmare i gap emersi. In caso contrario l’utente avrà dimostrato di aver interiorizzato i concetti e potrà quindi accedere ai successivi argomenti.

Ovviamente questo approccio deve essere precisamente progettato nella fase iniziale in cui andranno definite le “condizioni di accesso” di alcuni oggetti didattici e saranno costruiti gli assessment periodici.

In questa e nelle fasi successive di realizzazione dei contenuti didattici è indispensabile tenere a mente che gli oggetti somministrati per riprendere e rafforzare alcuni concetti dopo aver fallito un test, devono essere differenti rispetto a quelli già fruiti precedentemente. In questo caso, infatti, l’approccio didattico per i primi contenuti non è stato efficace, e sarà utile quindi modificarlo negli oggetti somministrati per il recupero.

Al contrario del metodo precedente in cui era l’utente che sceglieva autonomamente di fruire o meno di un contenuto facoltativo, in questo caso è il progettista del Digital Training che impone la strada da seguire e l’eventuale fruizione di uno specifico oggetto didattico.

Questo metodo assume particolare rilevanza in corsi particolarmente complessi in senso orizzontale. Un esempio potrebbe essere quello di una normativa che cambia a seconda del paese in cui un dipendente opera. Per i dipendenti che si trovano a lavorare in diversi paesi è necessaria una conoscenza orizzontale. In questo caso l’assessment può porre l’utente in uno scenario di lavoro e chiedere di operare delle scelte che presuppongano la conoscenza della normativa. Quando l’utente dimostra di aver scelto consapevolmente la giusta alternativa allora si può considerare la conoscenza acquisita.

I punti critici per chi effettua la pianificazione sono i learning path (percorsi da seguire) e gli assessment. Su questi ultimi è indispensabile riflettere su quali somministrare e qual è la percentuale di successo da raggiungere per poter considerare i concetti acquisiti e “saltare” ai contenuti formativi successivi.

I vantaggi di un tale approccio se ben pianificato e implementato sono evidenti. In primo luogo, gli utenti non dovranno impiegare tempo per formarsi su concetti già acquisiti evitando di fruire di contenuti che potrebbero risultare ripetitivi e noiosi. In secondo luogo, aumenta la motivazione nel raggiungimento degli obiettivi perché un continuo assessment rende competitiva l’acquisizione di competenze.

3. Personalizzare i percorsi formativi a seconda della posizione in azienda

Come visto in precedenza è possibile impostare delle condizioni di accesso e personalizzare il percorso didattico. Nel punto precedente abbiamo esplorato la differenziazione a seconda della conoscenza specifica dell’utente, in questo caso esploriamo la differenziazione in base al suo ruolo in azienda.

È infatti possibile che alcuni argomenti debbano essere trattati con differenti gradi di approfondimento per ciascuna funzione aziendale oppure che siano destinati esclusivamente ad alcune posizioni. È il caso, ad esempio, di un corso dedicato ai soli manager o al solo reparto IT. Ad esempio, se consideriamo un argomento particolare e trasversale come la Cybersecurity, ci accorgiamo subito che questo debba essere trattato diversamente per il reparto IT rispetto al reparto amministrazione.

In questo contesto è quindi possibile erogare formazione personalizzata in base al ruolo dell’utente.

Per accertare il ruolo dell’utente può essere utile utilizzare specifiche funzionalità dell’LMS che dovrebbe avere una funzionalità di censimento utenti in grado di differenziarli per ruolo in azienda costruendo un organigramma. In alternativa è possibile utilizzare la sopraccitata funzionalità “condizioni di accesso” già vista nel precedente punto. Possiamo quindi chiedere all’utente di rispondere ad un breve questionario in modo acquisire il suo ruolo in azienda ed erogare i contenuti a lui dedicati.

4. Rendere disponibili dei contenuti in microlearning per la libera consultazione

Soprattutto in determinati contesti come i percorsi di onboarding quelli sulle soft skills, un approccio che permette una esperienza personalizzata tipica dell’Adaptive Learning è quello che consente di offrire un bouquet di contenuti di Digital Training liberamente fruibili agli utenti. In questo modo è possibile creare un percorso formativo personalizzato basato sulle proprie necessità percepite. La retention di questi percorsi di apprendimento è molto alta così come la motivazione, a patto che l’utente abbia la piena consapevolezza di sè e dei suoi bisogni formatici specifici.

Focus importante è sulla qualità dei contenuti distribuiti. Contenuti di bassa qualità portano gli utenti ad un rapido abbandono del corso. Contenuti utili e ad alto tasso di coinvolgimento, porteranno gli utenti a fruire dei corsi anche in momenti diversi dalle tradizionali ore lavorative.

È il caso dei corsi sulle soft skills, sulle lingue straniere o sull’utilizzo di comuni strumenti digitali. L’utente può scegliere il corso che ritiene più utile e seguirlo. Successivamente è compito della funzione HR effettuare il monitoraggio e le attività di follow-up sull’utente che ha dimostrato una preferenza specifica, magari suggerendo un approfondimento o erogando una formazione specifica.

5. Coinvolgere gli utenti in simulazioni interattive di “decision-making”

Strutturare un contenuto interattivo come ad esempio un serious game è una delle espressioni tipiche dell’Adaptive Learning. In questo caso infatti il contenuto è progettato e realizzato in maniera tale da comprendere tutte le differenti possibilità di scelta dell’utente e di proporre conseguenti scenari alternativi.

Se immergiamo l’utente in una situazione reale e lo poniamo di fronte ad una scelta, egli potrà scegliere come comportarsi facendo riferimento al suo background di competenze e alle sue soft skills.

Se la decisione presa si è rivelata corretta, il gioco può procedere e presentare i successivi livelli, altrimenti l’utente può essere riportato ad una situazione “di feedback” che illustra il comportamento corretto oppure “paga” virtualmente i danni della scelta errata. In questo caso si attua il paradigma del learning by doing all’interno di un ambiente simulato che “adatta” il contenuto alla libera scelta dell’utente.

In questo caso il Digital Training è coinvolgente, interattivo e molto efficace perché pone l’utente nelle migliori condizioni per essere “ricettivo” di nuovi concetti e nozioni.

6. Fornire risposte tempestive e personalizzate alle domande degli utenti

In questo contesto gli approcci sono sostanzialmente due:

• Automatico attraverso un chatbot che attinge da una knowledge-base
• Manuale attraverso la cultura del cosiddetto “social learning” grazie al quale avviene lo scambio tra esperti.

Nel primo caso, un chatbot può essere configurato per fornire risposte automatiche a domande frequenti. Esistono piattaforme commerciali (come ad es. instabot.ai) che consentono di programmare facilmente dei chatbot in grado di analizzare il testo della domanda e rispondere attingendo alla knowledge base aziendale. In questo caso i risultati non sono dei migliori per la mancanza di empatia rilevata durante le interazioni e per la maggiore facilità nel reperire le informazioni attraverso una classica ricerca (a patto che il search engine interno sia efficace e performante).

Il secondo caso è quello che garantisce i risultati migliori a fronte di un maggiore sforzo. Creare una cultura di “social learning” non è operazione semplice e immediata, ma consente già nel medio periodo di ottenere risultati sbalorditivi in termini di efficacia formativa. In questo caso la formazione è libera e “tra pari” e avviene attraverso la condivisione di idee, best practices, e lo scambio di esperienze. Gli utenti “tutor” possono essere individuati tra i più esperti e possono fornire assistenza su specifiche aree di competenza. In questo caso si configura un rapporto umano vero che consente la più efficace forma di apprendimento attraverso la condivisione delle esperienze.

Conclusioni

Negli ultimi anni si è assistito alla progressiva implementazione di algoritmi di intelligenza artificiale che hanno automatizzato diverse attività all’interno dei percorsi di Digital Training. Questo tipo di approccio è incentrato sulla tecnologia e fa già proprie alcune delle best practices metodologiche nel settore dell’apprendimento digitale. Tuttavia non è possibile entrare nel merito degli algoritmi di “reasoning” che personalizzano l’esperienza formativa di ciascun utente.

Uno degli ostacoli che rallenta l’implementazione di una tecnologia simile è senza dubbio l’investimento sia in termini economici sia di risorse IT impiegate.

In determinati contesti e ponendo un grosso accento sulle fasi di progettazione del Digital Training, è possibile ragionare nell’ottica dell’ottimizzazione delle risorse, senza sacrificare l’efficacia degli interventi formativi. Come abbiamo dimostrato con questi 6 metodi, i vantaggi tipici del paradigma dell’Adaptive Learning sono comunque raggiungibili attraverso approcci alternativi che non prevedono grandi investimenti in tecnologia. Pianificazione e progettazione sono gli aspetti fondamentali su cui concentrarsi.

Che ne pensate? Avete adottato un approccio di Adaptive Learning pur non utilizzando particolari tecnologie di Intelligenza artificiale?