L'algoritmo Apriori rivela schemi di impotenza appresa nel tutoraggio di matematica

Uno studio recente pubblicato su arXiv (2604.26237) ha utilizzato l'algoritmo Apriori per indagare le tendenze di interazione comportamentale legate all'impotenza appresa (LH) nei log di un sistema di tutoraggio di matematica. I ricercatori hanno analizzato i dati di interazione in tre aree chiave: livelli di LH (basso vs. alto), presenza di interventi basati sul sistema (con vs. senza) e risultati di risoluzione dei problemi (risolti vs. non risolti). I risultati hanno indicato che il comportamento più comune associato a problemi non risolti era saltare le domande senza suggerimenti, mentre la persistenza, come non saltare, era meno frequente. Gli studenti con basso LH mostravano una connessione più forte tra risoluzione dei problemi e non saltare, insieme a correlazioni positive tra l'uso di suggerimenti e problemi risolti. Al contrario, gli studenti con alto LH mostravano più comportamenti di evitamento, con il saltare strettamente associato a risultati non risolti. Inoltre, coloro che non ricevevano interventi saltavano spesso senza suggerimenti, suggerendo che gli interventi potrebbero ridurre i comportamenti di evitamento. Questo studio evidenzia l'efficacia del mining di regole associative nell'analisi dei dati educativi per individuare comportamenti di apprendimento disadattivi.