Lorem ipsum dolor sit amet, consectetur adipiscing elit, sed do eiusmod tempor incididunt ut labore. Excepteur sint lorem cupidatat.
You may like:
Sorry, no posts matched your criteria.
Dopo aver dedicato una parte consistente del nostro studio all’analisi delle percezioni degli studenti, abbiamo ritenuto fondamentale estendere la nostra indagine anche alle impressioni e ai feedback forniti dai docenti. Questo approccio speculare non solo arricchisce il nostro quadro complessivo dell’esperienza formativa, ma ci permette anche di tracciare linee di convergenza e divergenza tra le percezioni di docenti e studenti.
Nell’ambito di questa analisi, abbiamo concentrato la nostra attenzione su diversi aspetti chiave dei corsi, cercando di individuare le tendenze predominanti nelle risposte fornite dai docenti. Attraverso l’analisi abbiamo cercato di identificare le linee guida che potrebbero emergere, fornendo così un punto di vista complementare a quello degli studenti.
Nell’esaminare le risposte dei docenti in riferimento a diversi aspetti dei corsi, è possibile identificare alcune tendenze chiare che emergono dai dati. Questo lavoro di analisi approfondita ci permette di avere una visione a 360° del contesto formativo, valorizzando le diverse prospettive e creando un quadro ricco e dettagliato delle esperienze vissute in aula.
Il boxplot della variabile “Organizzazione” mostra una tendenza verso valutazioni alte, con una mediana che si attesta su un punteggio elevato. Questo indica che la percezione generale dell’organizzazione è positiva, con la maggior parte delle valutazioni concentrate intorno al valore mediano.
Anche in questo caso, il boxplot rivela una tendenza verso valutazioni positive, con una mediana che si colloca verso l’estremo superiore della scala di valutazione. Questo suggerisce che il livello di informazione fornito durante i corsi è percepito come adeguato dalla maggior parte degli individui.
La distribuzione delle valutazioni per la variabile “Argomenti” nel boxplot indica una soddisfazione molto alta per gli argomenti trattati nei corsi. La mediana posizionata verso l’estremo superiore della scala dimostra che la maggior parte delle persone ha dato una valutazione alta in questo aspetto.
Il boxplot mostra una distribuzione delle valutazioni per “Strumenti” più ampia, con una significativa presenza di valutazioni sia moderate che alte. Questo indica una percezione generalmente positiva, ma con opinioni più variegate rispetto alle altre categorie esaminate.
Analizzare le correlazioni tra differenti variabili è una strategia chiave nel nostro studio per comprendere come diversi aspetti di un fenomeno siano interconnessi e influenzino reciprocamente le opinioni delle persone. Nel nostro caso, esaminare le correlazioni tra “organizzazione” e “strumenti” e tra “informazione” e “argomenti” ci aiuta a capire se e come le valutazioni in una dimensione possano essere legate alle valutazioni in un’altra.
Per quanto riguarda la correlazione tra “organizzazione” e “strumenti”, abbiamo scoperto che c’è una relazione positiva, sebbene non molto forte. Una correlazione di 0.32 indica che, pur esistendo una tendenza positiva, le opinioni su questi due aspetti non sono strettamente legate: un giudizio positivo sull’organizzazione non garantisce automaticamente un giudizio altrettanto positivo sugli strumenti utilizzati. Questo ci dice che, sebbene correlati, sono due aspetti che possono essere valutati in modo indipendente dagli individui, evidenziando la presenza di altri fattori che influenzano le valutazioni.
Passando alla correlazione tra “informazione” e “argomenti”, abbiamo notato una correlazione più forte, con un coefficiente di 0.47. Questa correlazione più marcata suggerisce una maggiore affinità tra le valutazioni di queste due dimensioni: in generale, chi ha apprezzato il livello di informazione tende a valutare positivamente anche gli argomenti trattati. La correlazione, pur non essendo estremamente alta, indica una relazione più consolidata tra queste due variabili rispetto alla precedente.
Sottolineare queste correlazioni nel nostro studio può fornire un quadro più completo e sfaccettato delle opinioni raccolte.
Nel nostro studio abbiamo voluto indagare come il numero di “ore di docenza” potrebbe influenzare le percezioni relative a differenti aspetti del corso, quali “organizzazione”, “informazione fornita”, “argomenti trattati” e “strumenti utilizzati”. Per questa ragione, abbiamo deciso di calcolare il coefficiente di correlazione di Pearson tra il numero di “ore di docenza” e ciascuna di queste variabili.
I risultati ottenuti mostrano che tutte le correlazioni tra il numero di “ore di docenza” e le altre variabili sono positive, ma relativamente basse. Questo indica che, pur essendoci una tendenza verso una valutazione leggermente più alta in tutti gli aspetti considerati con un aumento delle ore di docenza, questa relazione non è forte.
I dettagli sono i seguenti:
Quando osserviamo i grafici che abbiamo creato per rappresentare queste correlazioni, possiamo notare come la dispersione dei punti attorno alla linea di tendenza ci conferma che le correlazioni che abbiamo trovato sono effettivamente deboli.
In conclusione, sebbene esista una tendenza positiva che lega le ore di docenza alla valutazione degli altri aspetti del corso, questa relazione è abbastanza debole. Questo suggerisce che ci siano altri fattori, non analizzati nel nostro studio, che potrebbero avere un impatto più significativo sulle valutazioni in questi ambiti.
Per garantire l’accuratezza e la profondità dell’analisi testuale, abbiamo preso la decisione di tradurre i commenti dall’italiano all’inglese. Questa scelta è stata dettata dalla maggiore disponibilità di strumenti e risorse per l’analisi del testo in lingua inglese. Sebbene ci rendiamo conto che il processo di traduzione potrebbe sollevare questioni relative alla preservazione del significato originale dei commenti, siamo convinti che l’essenza dei feedback sia rimasta sostanzialmente invariata. Questo ci consente di mantenere un alto grado di affidabilità nell’analisi che abbiamo condotto, garantendo che le interpretazioni derivanti dai dati siano fedeli alle intenzioni originali degli autori dei commenti.
L’analisi testuale è stata scelta come metodologia centrale nel nostro studio per diverse ragioni valide e strategiche. Innanzitutto, permette di scavare più a fondo rispetto solo all’analisi quantitativa, esplorando le sfumature delle percezioni e delle opinioni espresse dai docenti attraverso i feedback forniti. Questo tipo di analisi ci consente di accedere a una ricchezza di informazioni che vanno oltre i dati numerici, svelando le tematiche e i sentimenti prevalenti che caratterizzano l’esperienza di docenza.
In questo contesto, l’analisi testuale si rivela uno strumento indispensabile per individuare tendenze e temi ricorrenti nei commenti, offrendo una visione più dettagliata e profonda delle aree di successo e di quelle che richiedono interventi di miglioramento.
La scelta di tradurre i commenti dall’italiano all’inglese è stata guidata dalla maggiore disponibilità di risorse e strumenti per l’analisi del testo in lingua inglese, una decisione che, sebbene potrebbe potenzialmente alterare alcune sfumature dei commenti originali, è stata attentamente ponderata per preservare l’essenza e l’affidabilità dei feedback.
Abbiamo intrapreso questa analisi con la creazione di un wordcloud, un strumento che, seppur semplice, offre una potente visualizzazione immediata delle parole più frequentemente utilizzate, dando una prima chiara indicazione delle aree di focus principali. Questo rappresenta un punto di partenza efficace per delineare gli ambiti su cui concentrare le analisi successive, fornendo una panoramica iniziale che facilita la comprensione delle tematiche dominanti.
In conclusione, l’analisi testuale non solo arricchisce il nostro studio fornendo insights qualitativi profondi e dettagliati, ma ci consente anche di delineare con maggiore precisione i profili emotivi e i sentimenti prevalenti nei feedback dei docenti, creando così una base solida per interventi futuri mirati e strategici nel mondo dell’istruzione.
Nel nostro studio abbiamo deciso di implementare la Sentiment Analysis come uno degli strumenti chiave per analizzare i feedback forniti dai docenti. La scelta di questa metodologia è fondata su diverse ragioni che andiamo ora a esporre.
La Sentiment Analysis è una tecnica di analisi del testo che si concentra sulla determinazione della polarità dei sentimenti espressi in un dato testo, classificandoli come positivi, negativi o neutri. Questo tipo di analisi è particolarmente utile per avere un’idea chiara e immediata del tono generale dei feedback.
Inoltre, ci permette di:
Per determinare la polarità, la Sentiment Analysis prende in considerazione vari aspetti del testo, come le parole chiave, le frasi utilizzate, e in alcuni casi più avanzati, l’intera struttura del testo, consentendo una comprensione più matizzata e profonda del sentiment espressi.
Implementando la Sentiment Analysis, miriamo a ottenere una panoramica dettagliata e sfaccettata delle emozioni e dei sentimenti prevalenti nei feedback, contribuendo a delineare un profilo più completo delle opinioni dei docenti e fornendo un quadro chiaro delle aree di forza e di quelle che richiedono miglioramenti nei corsi erogati.
Nel nostro studio, abbiamo effettuato un’analisi del sentimento utilizzando il metodo “syuzhet” per valutare il sentimento di ogni osservazione nel dataset. Questa metodologia ci ha permesso di assegnare un punteggio a ciascuna osservazione, indicando se il tono fosse più positivo o più negativo.
Dall’analisi emergono osservazioni con tonalità sia molto positive che decisamente negative. Tuttavia, considerando le tendenze centrali, si nota una predisposizione verso toni leggermente positivi.
Per dare una rappresentazione visiva dei risultati, abbiamo creato un grafico utilizzando geom_density, il che ci ha permesso di visualizzare la distribuzione dei punteggi di sentimento in modo più fluido e continuo, evidenziando la tendenza predominante nel dataset.
L’Emotional Analysis rappresenta un’estensione e un approfondimento della Sentiment Analysis, e abbiamo scelto di incorporarla nel nostro studio per una serie di ragioni valide e strategiche.
Mentre la Sentiment Analysis si limita a classificare i testi in categorie ampie come positivo, negativo o neutro, l’Emotional Analysis va oltre, identificando e categorizzando emozioni specifiche espresse nei testi, come gioia, tristezza, rabbia, sorpresa, paura e disgusto. Questo tipo di analisi ci permette di:
La scelta di impiegare l’Emotional Analysis è guidata dalla volontà di ottenere una comprensione più profonda e matizzata delle risposte emozionali dei docenti, superando le limitazioni della Sentiment Analysis, che fornisce una visione più generale e meno differenziata.
Integrando l’Emotional Analysis, puntiamo a delineare un panorama emozionale più ricco e dettagliato, permettendoci di accedere a una gamma più vasta di insights e di approfondire ulteriormente la nostra comprensione delle percezioni e delle esperienze dei docenti.
Nel nostro studio abbiamo condotto un’analisi delle emozioni sul dataset utilizzando una tecnica che categorizza le parole secondo diverse classi di emozioni e sentimenti, tra cui rabbia, anticipazione (aspettativa positiva verso eventi futuri), disgusto, paura, gioia, tristezza, sorpresa, fiducia, oltre a una valutazione generale di positività o negatività.
Dall’analisi emerge che le emozioni e i sentimenti più prevalenti sono positivi, con una particolare enfasi su sentimenti di fiducia e una visione generalmente positiva. Sono presenti anche significative manifestazioni di anticipazione positiva e gioia, il che suggerisce una tendenza ottimistica nei feedback analizzati.
Tuttavia, è importante sottolineare che nel dataset sono presenti anche indicazioni di emozioni e sentimenti negativi, sebbene in una misura minore rispetto a quelli positivi. Tra questi, abbiamo registrato espressioni di rabbia, disgusto, paura, tristezza e una valutazione generalmente negativa, evidenziando che, nonostante la predominanza di feedback positivi, esistono anche criticità e aree di insoddisfazione.
