geologia 14

1. Secondo Skinner, quale problema persiste nella scuola contemporanea: la mancanza di passività degli studenti. la resistenza all'innovazione culturale. la scarsa diffusione della tecnologia audiovisiva. l'assenza di valutazioni sommative.

2. Una delle critiche di Skinner riguardo al feedback formativo: la velocità della correzione delle prove. l'eccessiva perdita di contesto per gli studenti. la scarsa diffusione dei risultati delle prove. la mancanza di attenzione all'individualità degli studenti.

3. Secondo Skinner, il ruolo principale dell'insegnante nell'era delle macchine per insegnare è: giudicare corretto o sbagliato. interagire e relazionarsi con gli studenti. programmare le macchine per insegnare. monitorare l'uso delle macchine per insegnare.

4. Uno dei vantaggi offerti dalle dual-teacher classroom è: maggiore personalizzazione dell'insegnamento per ogni singolo studente. standardizzazione dell'insegnamento per garantire le stesse informazioni a tutte le classi. riduzione della motivazione degli studenti a causa della presenza del robot umanoide. limitazione delle competenze degli insegnanti tradizionali.

5. La principale differenza tra la fase del Computer Assisted Instruction (CAI) e quella delle teaching machines precedenti è: l'introduzione del paradigma cognitivista. la sostituzione delle macchine meccaniche con i calcolatori. l'assenza di feedback nelle fasi precedenti. il ruolo centrale del comportamentismo nella fase CAI.

6. Uno dei principali sviluppi nella fase della CAI durante gli anni '70 e '80 è stato: l'introduzione del paradigma cognitivista. la progettazione di sistemi in grado di personalizzare i contenuti. la sostituzione dei calcolatori con le macchine meccaniche. il ruolo centrale del comportamentismo.

7. I quattro elementi principali di un sistema Intelligent Computer Assisted Instruction (ICAI), secondo Dede sono: una base di dati, un'interfaccia utente, un tutor umano e un modulo pedagogico. una base di conoscenza, lo studente modello, un modulo pedagogico e un'interfaccia utente. un motore inferenziale, una base di conoscenza, un modulo pedagogico e un sistema diagnostico. un motore inferenziale, una base di dati, un modulo pedagogico e un'interfaccia utente.

8. Il ruolo principale dei Learning Management System (LMS) nell'Adaptive Learning è: distribuire i contenuti didattici in modo uniforme a tutti gli studenti. adattare la presentazione dei materiali didattici in base al profilo individuale degli student. standardizzare il processo di apprendimento per garantire la parità tra gli studenti. fornire una piattaforma per la collaborazione tra insegnanti e studenti.

9. I Decision Tree Adaptive Systems vengono generati: utilizzando modelli di presa di decisione basati su grafi ad albero e dataset di esercizi. basandosi su regole strutturate a forma di albero e decisioni predefinite. analizzando il tempo necessario per padroneggiare un argomento e adattando di conseguenza la presentazione dei materiali. standardizzando il processo decisionale attraverso una sequenza di decisioni predeterminate.

10. Uno dei principali concetti enfatizzati nella fase dell'Adaptive Learning è: il ruolo centrale dell'insegnante nell'organizzazione del materiale didattico. la personalizzazione dell'apprendimento in base allo stile di apprendimento individuale degli studenti. la standardizzazione del processo di apprendimento per garantire la parità tra gli studenti. l'adozione di un approccio "one-fits-all" nella distribuzione dei contenuti didattici.

1. Un esempio di macchine per l'Istruzione Assistita dal Computer (CAI) è: Glider. Plato. Skinner. Bitzer.

2. Uno degli autori la cui epistemologia ha influenzato la terza fase dei Sistemi Educativi Auto-Adattivi è: John Backus. Seymour Papert. Don Bitzer. Norman Crowder.

3. I primi LMS che incorporano Intelligenza Artificiale nel campo dell'istruzione erano caratterizzati da: base dati di conoscenze statiche. algoritmi inferenziali per adattare i contenuti allo stile di apprendimento degli studenti. assenza di personalizzazione dell'apprendimento. utilizzo esclusivo di modelli di presa di decisione basati su grafi ad albero.

4. Due delle principali funzionalità consentite dal Data Mining (DM) e dal Cloud Computing (CC) nell'ambito educativo sono: archiviare e trasportare dati. elaborare e estrarre dati. creare e testare algoritmi di apprendimento automatico. monitorare e valutare le prestazioni degli studenti.

5. Uno degli obiettivi principali dell'Educational Data Mining (EDM) è: sviluppare algoritmi di apprendimento supervisionato. risolvere problematiche legate all'apprendimento utilizzando tecniche di raccomandazione. utilizzare algoritmi di raggruppamento (clustering) per identificare cluster significativi nei dati. monitorare l'interazione degli studenti in tempo reale per personalizzare l'apprendimento.

6. Una delle capacità degli Intelligent Adaptive Learning Systems (IALS) è: modellare l'insieme di Knowledge Components (KC) per gli studenti. utilizzare un'analisi supervisionata delle tracce digitali degli studenti. prevedere le prestazioni degli studenti e associarle ai loro stili di apprendimento. fornire feedback standardizzati agli studenti basati sulle loro prestazioni.

7. L'algoritmo di clustering consiste: nella creazione di gruppi di oggetti simili per formare cluster. nella etichettatura dei dati non etichettati per la classificazione supervisionata. nella definizione di un insieme di Knowledge Components (KC) per modellare la conoscenza. nell'interazione uno-a-uno con lo studente per offrire benefici di apprendimento.

8. I Big Data nell'ambito educativo rappresentano: informazioni generate dai social network. dati amministrativi e di processo di apprendimento. modelli numerici e scanner. dati raccolti da dispositivi di acquisizione.

9. Le "5V dei Big Data" indicano: varietà, velocità, valore, valutazione, volume. volume, velocità, varietà, veridicità, valore. validità, volume, visualizzazione, valutazione, varietà. velocità, visualizzazione, varietà, valutazione, volume.

10. Uno degli obiettivi principali dell'analisi dei Big Data nell'ambito educativo è: gestire efficacemente le tecnologie di archiviazione. pulire e organizzare i dati non strutturati. supportare decisioni per migliorare la vita quotidiana. esplorare l'applicazione di algoritmi per gestire il potenziale dei dati.

1. L'idea di una "algocrazia" nel contesto del capitalismo digitale si deva a: Daniel Innerarity. Douglas Engelbart. Elliott. Sherry Turkle.

2. Uno dei diritti proposti da Elliott per l'ampliamento della cittadinanza digitale è: il diritto alla disintossicazione digitale. il diritto all'invisibilità online. il diritto alla trasparenza digitale. il diritto alla privacy assoluta.

3. Uno dei pericoli correlati allo sviluppo dell'intelligenza artificiale è: l'espansione della libertà e della privacy. l'aumento delle disuguaglianze sociali. l'incremento della fiducia nelle istituzioni pubbliche. il rafforzamento dei legami emotivi.

4. L'obiettivo principale dell'educazione ai media è: promuovere la credulità degli spettatori. decostruire la rappresentazione mediatica. accettare passivamente ciò che viene trasmesso dai media. limitare l'accesso ai media.

5. Per "materialità significante" nel contesto della rappresentazione mediatica si intende: la trasparenza dei media. la visibilità e la forma testuale dei media. l'opacità dei dati. l'ambiguità delle immagini.

6. Una delle principali sfide nell'educazione all'intelligenza artificiale: la trasparenza dei dati e degli algoritmi. la facilità di interpretare gli algoritmi. la fiducia totale nella tecnologia. l'accessibilità universale agli algoritmi.

7. Il concetto chiave che collega l'analisi dei dati alla competenza nella lettura e nell'interpretazione dei dati è: Data Literacy. Media Literacy. tecnologia digitale. educazione all'intelligenza artificiale.

8. L'obiettivo principale della Explainable AI (XAI) è: nascondere il funzionamento interno degli algoritmi per proteggere la proprietà intellettuale. chiarire il processo decisionale degli algoritmi di intelligenza artificiale. aumentare la complessità degli algoritmi per renderli più efficienti. eliminare la necessità di comprendere il funzionamento degli algoritmi.

9. Un vantaggio dell'interpretabilità dei modelli di machine learning è: aumentare la parzialità nel processo decisionale. ridurre la robustezza del modello. migliorare la capacità di individuare e correggere distorsioni nel processo decisionale. complicare ulteriormente il processo decisionale.

10. E' importante integrare l'alfabetizzazione all'IA nel curriculum educativ. per limitare la comprensione critica delle tecnologie IA. per promuovere una partecipazione attiva e informata nell'era digitale. per mantenere segrete le tecnologie IA agli studenti. per escludere le tecnologie IA dagli ambienti educativi.