Software di Analisi semantica e di Sentiment di ampi volumi di testi aperti.

Gli algoritmi di Analisi Semantica e Sentiment analizzano le parole dei testi originali per scoprire quali temi li attraversano, come quest’ultimi sono collegati tra loro e come cambiano nel tempo.
Tali algoritmi permettono di superare i bias di classificazione manuale dei dati da parte di un team di valutatori, nonché di ridurre sensibilmente l’ampio effort richiesto.

Il software facilita e riduce il lavoro di analisi manuale, fornendo una sintesi oggettiva sulla quale i valutatori possono lavorare direttamente alla fase di interpretazione dei risultati.

Come utilizzare SemantiCase:

  • per intercettare gli argomenti effettivamente rilevanti per le persone, anche individuando argomenti nuovi o latenti fin dalle loro prime evidenze;
  • per misurare la gradualità delle opinioni (positive o negative) stratificate per categorie di persone, per singolo, per argomento/topic adottando una misurazione tarata sulla comunicazione interna;
  • per comprendere le tematiche “sensibili” e influenti sull’opinione;
  • per individuare le tipicità comunicative di ogni categoria di persone al fine di armonizzare la comunicazione con il linguaggio specifico dei vari gruppi;
  • per monitorare nel tempo i temi più o meno influenti sul giudizio delle persone.

Esempi di applicazione di SemantiCase:

  • ANALISI DI QUESTIONARI E SURVEY
  • ANALISI DI TEST E ESERCITAZIONI
  • MOTORE DI RICERCA DOCUMENTALE IN KNOWLEDGE BASE
  • ANALISI DATI DEL CUSTOMER CARE (RECLAMI)
  • ANALISI DI GIUDIZI IN COMMUNITY ONLINE

MISURARE IL SENTIMENT DEI DIPENDENTI NELL’INDAGINE DI CLIMA DI ENEL

 

Analizzare i commenti aperti per comprendere le sfumature di giudizio dei dipendenti nell’indagine di clima è stato l’obiettivo della collaborazione di Enel al progetto di Ricerca di Piazza Copernico.

La numerosità dei commenti raccolti nelle grandissime organizzazioni richiede un notevole sforzo di impegno e di tempo per la lettura, nonché un significativo accordo nei criteri di analisi da parte dei valutatori. Per questo Enel ha deciso di sperimentare con Piazza Copernico l’applicazione di tecniche semantiche e di analisi sentiment per comprendere, misurare e confrontare le opinioni in modo statisticamente valido e riducendo lo sforzo complessivo.

Per raggiungere l’obiettivo sono stati applicati:

– l’algoritmo semantico basato su Structural Topic Model;
– l’algoritmo di analisi del sentiment.

Il primo ha permesso di individuare la struttura dei contenuti più rappresentativa su base probabilistica. Mediante la lettura ragionata della struttura dei topic elaborati è stato possibile identificare le tematiche “calde” e comprenderne tutti i significati associati.

Successivamente è stata condotta l’analisi del sentiment per ogni commento, cioè la verifica della polarità (positiva o negativa) dei giudizi espressi nei commenti testuali. Questa analisi ha permesso di capire con quale valutazione intrinseca erano stati scritti i testi. Sono stati inoltre elaborati degli indici di sentiment diversificati per ruolo, età, genere, seniority e team leadership, potendo così valutare i diversi giudizi per ogni categoria.

In conclusione, questa analisi ha permesso di leggere i contenuti aperti dell’indagine di clima attraverso una loro sintesi significativa e comprenderne meglio il giudizio associato e le forme comunicative in cui esso è espresso.

 

Per PIAZZA COPERNICO LAB, questa applicazione è risultata significativa per l’applicazione degli algoritmi semantici nell’ambito settore dei questionari aperti (formativi e non), survey, analisi di community, contest, e ogni altro ambito di espressione scritta di contenuti ed opinioni.

D.L.A. - DATA LEARNING ANALYTICS

BIG DATA E INDICI STATISTICI E-LEARNING

Dashboard di analisi dell’andamento dei corsi, con possibilità di confronto tra diverse edizioni di un corso o nodi di organigramma, con capacità di analisi di pattern ricorrenti e classificazione dei comportamenti sui corsi.

Lo strumento di Learning Analytics può essere utilizzato sia in modalità stand alone che integrato alla piattaforma aziendale, e può processare dati di fonti terze quali anche piattaforme LMS terze.

Il presupposto dello strumento è che l’esperienza formativa del partecipante non si esaurisca nel lancio e studio di singoli materiali didattici, ma sia un processo più complesso in cui la piattaforma come ambiente di relazione con altri partecipanti e/o con un tutor di supporto allo studio, o perfino con la messaggistica programmata, rappresenta un sistema da comprendere più a fondo. Oltre tali aspetti altre “zone grigie” sono rappresentate dall’impatto delle variabili personali, delle caratteristiche del corso, del tempo a disposizione rispetto all’efficacia della formazione online.

Lo strumento implementa un sistema di analisi che dà la possibilità di comprendere:

  •  l’uso effettivo di un corso, per individuare non solo gli stili e le preferenze di studio, ma anche le aree di criticità del corso stesso (meta-valutazione didattica);
  •  i comportamenti degli utenti relativamente a uno specifico corso per valutare l’efficacia delle scelte progettuali e organizzative;
  •  le soluzioni didattiche maggiormente efficaci, l’attenzione alle diverse tipologie di corso, l’uso del tempo didattico, l’incidenza delle variabili esterne ai corsi.

Questa analisi sui dati permette di correlare le diverse variabili presenti in LMS, superando una logica di consultazione verticale dei report a favore di un’esplorazione tridimensionale dei fenomeni impliciti, per comprendere appieno il valore dell’esperienza didattica.

E’ possibile l’integrazione degli indici di performance dei partecipanti sui corsi (basato su 7 macro-variabili) con un sistema predittivo dei risultati a supporto delle attività di gestione della fase di erogazione dei corsi (forecasting formativo) e con eventuali regole di adattività.

ARTIFICIAL TUTORING SYSTEM CHATTERBOT

Sistema di assistente virtuale (tutor didattico automatico), configurabile in base alle esigenze di ogni progetto.

Il Tutor virtuale, programmato attraverso sistemi di Machine Learning, è attualmente in fase di sperimentazione, e sarà in grado di dialogare con il discente nella risoluzione di problemi, anche interfacciandosi con il motore semantico per l’esplorazione delle knowledge base.

Il Tutor virtuale dialogherà con il partecipante, sia sulle modalità di utilizzo del sistema didattico, sia su contenuti specifici.

Di fatto a regime rappresenterà un’interfaccia tra il sistema didattico e il partecipante per garantire un servizio continuativo H24 di sostegno all’apprendimento.

ASSESSMENT DINAMICO

Progetto finalizzato alla costruzione di sistema di Assessment Dinamico per la personalizzazione della prova valutativa.

l progetto si caratterizza come un sistema di adaptive testing orientato a somministrare prove valutative complesse di tipo dinamico in grado di adeguare il percorso di somministrazione delle domande in base al risultato conseguito in progress durante la prova.

Permette durante la somministrazione del questionario di consolidare velocemente i risultati sulle aree di maggiore competenza, e di indagare in modo più approfondito le aree di minore preparazione al fine di discriminare efficacemente i livelli di conoscenza dei medium e low performer.

Fornisce un sistema di back-office per il confronto dei risultati dei rispondenti.

FACIAL RECOGNITION

 

Grazie a un accordo di partnership con un’azienda leader dell’adaptive media, la nostra piattaforma LMS Labe-l Academy è stata integrata con il sistema MorphCastun editor che combina video interattivi, AI, Machine Learning e riconoscimento di espressioni facciali, nonché controllo dell’attenzione,  senza utilizzare dati personali e quindi nel pieno rispetto della Privacy.

 

Le principali applicazioni in E-Learning:

  • Supporto ai processi di autenticazione in LMS: il discente può evitare di inserire credenziali e  procedere a loggarsi nella piattaforma attraverso il riconoscimento facciale;
  •  introduzione nei WBT del controllo di presenza e di attenzione.