Quando un trattamento di lettura non produce risultati visibili dopo poche settimane, il clinico si trova davanti a una domanda pratica: continuare, modificare l’intervento o interromperlo.
Fino a poco tempo fa, la risposta si basava soprattutto sull’osservazione diretta del singolo caso. I dati raccolti su 6.692 bambini e adolescenti che hanno svolto un trattamento di lettura con l’app di teleriabilitazione Reading Trainer della piattaforma RIDInet, analizzati con tecniche di machine learning non supervisionato, permettono ora di guardare la stessa domanda da una prospettiva diversa: quella delle traiettorie di apprendimento osservate su larga scala.
In questo webinar, Pierluigi Zoccolotti, Professore emerito di Psicologia generale alla Sapienza Università di Roma, e Chiara Pecini, Professoressa associata di Psicologia dello sviluppo e dell’educazione all’Università di Firenze, presentano lo studio che ha applicato il machine learning non supervisionato ai dati di Reading Trainer per identificare otto curve di apprendimento distinte, poi ricondotte a tre profili di risposta al trattamento: high responders (70% del campione), partial responders (16%) e non-responders (14%).