Tematiche di ricerca

Questa linea di ricerca studia la didattica dell'informatica e, in particolare, della programmazione. I contributi comprendono un'analisi dell'insegnamento dell'informatica nelle scuole italiane [Bellettini et al., 2014a] e una critica alla concezione che riduce la programmazione alla codifica di algoritmi in un linguaggio [Lonati et al., 2015]. Sono stati studiati l'introduzione alla programmazione mediante progetti e strumenti specifici [Bulgheroni e Malchiodi, 2009; Paterson et al., 2015], i percorsi interdisciplinari che collegano programmazione e musica [Ludovico et al., 2017; Baratè et al., 2017a; Baratè et al., 2017b] e l'insegnamento di aspetti avanzati della programmazione [Lonati et al., 2016; Lonati et al., 2017d]. Un approccio costruzionista all'insegnamento della programmazione è stato analizzato in [Monga et al., 2018; Lodi et al., 2019], mentre [Condorelli e Malchiodi, 2022] descrive la progettazione di un insegnamento sulle architetture per big data, realizzata in collaborazione con un partner industriale.

In collaborazione con laboratorio ALaDDIn (Università degli Studi di Milano)

Queste attività, svolte con il laboratorio ALaDDIn, mirano a diffondere la conoscenza dei fondamenti dell'informatica nelle scuole e presso un pubblico più ampio. Comprendono gare di informatica per studenti, come il Kangourou dell'Informatica [Lissoni et al., 2012; Lissoni et al., 2013; Lissoni et al., 2014; Lissoni et al., 2015] e l'edizione italiana di Bebras. I quesiti di quest'ultima iniziativa sono stati studiati come risorse didattiche e analizzati in termini di difficoltà [Bellettini et al., 2015b; Lonati et al., 2017c; Calcagni et al., 2017; Lonati et al., 2017a; Morpurgo et al., 2018]. Sono state inoltre proposte attività costruzioniste per l'apprendimento della programmazione e del pensiero computazionale, basate anche sulla musica e sui mattoncini LEGO® [Baratè et al., 2017b; Baratè et al., 2017a; Monga et al., 2018; Lodi et al., 2019]. A queste iniziative si affiancano la formazione degli insegnanti [Bellettini et al., 2015a; Bellettini et al., 2018a; Bellettini et al., 2018b] e contributi rivolti agli insegnanti e al grande pubblico [Monga et al., 2017; Bellettini et al., 2020].

In collaborazione con laboratorio ALaDDIn (Università degli Studi di Milano)

In [Bellettini et al., 2014c] viene introdotto l'approccio algomotorio, che pone al centro dell'insegnamento dell'informatica l'elaborazione automatica dell'informazione. L'obiettivo è superare una didattica incentrata quasi esclusivamente sul funzionamento di specifici strumenti tecnologici [Lonati et al., 2015; Bellettini et al., 2014a; Bellettini et al., 2020]. L'approccio è stato valutato nei percorsi di abilitazione all'insegnamento [Bellettini et al., 2015a], con particolare attenzione alla prospettiva costruttivista [Bellettini et al., 2018b; Bellettini et al., 2018a]. È stato inoltre studiato l'uso didattico delle gare di informatica in contesti non competitivi [Lonati et al., 2017c], analizzando come le modalità di presentazione dei quesiti ne influenzino l'efficacia didattica [Lonati et al., 2017a].

In collaborazione con laboratorio ALaDDIn (Università degli Studi di Milano)

Questa attività studia l'uso delle gare di informatica come risorse per l'apprendimento nelle scuole primarie e secondarie, privilegiando la dimensione educativa rispetto a quella competitiva. Comprende l'organizzazione di gare sul territorio nazionale [Lissoni et al., 2012; Lissoni et al., 2013; Lissoni et al., 2014; Lissoni et al., 2015], l'analisi critica dei loro esiti [Bellettini et al., 2015b; Lonati et al., 2017a] e lo studio del loro impiego didattico [Lonati et al., 2017c; Calcagni et al., 2017; Morpurgo et al., 2018].

In collaborazione con laboratorio ALaDDIn (Università degli Studi di Milano)

L'approccio algomotorio introdotto in [Bellettini et al., 2014c; Bellettini et al., 2014b] è stato applicato all'insegnamento di concetti fondamentali dell'informatica, quali la rappresentazione dell'informazione [Bellettini et al., 2012; Bellettini et al., 2013; Baratè et al., 2017a], i fondamenti della programmazione [Baratè et al., 2017b] e le strategie algoritmiche ricorsive e greedy [Lonati et al., 2016; Lonati et al., 2017d; Lonati et al., 2017b].

In collaborazione con laboratorio ALaDDIn (Università degli Studi di Milano)

Questa linea di ricerca studia algoritmi di apprendimento da dati con etichette parziali o incerte e metodi per l'induzione di insiemi fuzzy. In particolare, [Malchiodi e Legnani, 2014] propone un'estensione di algoritmi di classificazione basati su vettori di supporto che consente di trattare sia dati parzialmente etichettati sia etichette incerte, mentre [Malchiodi e Pedrycz, 2013] introduce un algoritmo per apprendere le funzioni di appartenenza di insiemi fuzzy, successivamente adattato all'induzione di shadowed set in [Malchiodi e Zanaboni, 2019].

Le tecniche bootstrap utilizzano il ricampionamento dei dati per stimare la distribuzione campionaria di una statistica e quantificare l'incertezza delle stime. Questa linea di ricerca studia una variante proposta inizialmente in [Apolloni et al., 2006a] e successivamente approfondita in [Apolloni et al., 2009; Apolloni et al., 2007a], che consente di costruire regioni di confidenza per curve di regressione senza ricorrere alle usuali assunzioni sulla distribuzione degli errori di misurazione. Le applicazioni alla regressione lineare e non lineare sono descritte in [Apolloni et al., 2008c], mentre [Apolloni et al., 2007c] presenta applicazioni in ambito medico.

Questa linea di ricerca sviluppa l'Inferenza Algoritmica, un quadro teorico che unifica problemi inferenziali della statistica, come la stima puntuale e per intervalli dei parametri di distribuzioni, e dell'informatica, come la stima dell'errore di approssimazione nell'apprendimento computazionale [Apolloni et al., 2006a; Apolloni et al., 2005e; Apolloni et al., 2002e; Apolloni et al., 2002d; Apolloni e Malchiodi, 2001b; Malchiodi, 2000]. Il quadro sviluppa precedenti risultati teorici sulla complessità campionaria dei problemi di apprendimento [Apolloni e Malchiodi, 2001a]. È stato applicato alla stima del rischio di classificazione mediante support vector machine [Apolloni et al., 2007e; Apolloni et al., 2005b; Apolloni e Malchiodi, 2002; Apolloni e Malchiodi, 2001b] e alla costruzione di regioni di confidenza per rette di regressione senza assumere una distribuzione gaussiana degli errori [Apolloni et al., 2005f; Apolloni et al., 2002f]. In ambito medico, è stato utilizzato per costruire regioni di confidenza per la funzione di rischio associata al tempo di recidiva di specifiche patologie tumorali [Apolloni et al., 2007c; Apolloni et al., 2005g; Apolloni et al., 2002i].

L'uso di circuiti hardware dedicati al calcolo di stime a partire dai dati consente di ridurre i tempi di elaborazione, ma richiede algoritmi compatibili con i vincoli dell'architettura. Questa linea di ricerca ha applicato il modello di inference among gossips, sviluppato in [Malchiodi, 1996], alla costruzione di una famiglia di stimatori per popolazioni bernoulliane, implementabile direttamente su schede pRAM [Apolloni et al., 1997]. Lo stesso modello è stato successivamente applicato allo studio dello scambio di informazioni nelle reti sociali [Apolloni et al., 2013].

Nella teoria dell'apprendimento computazionale, il principio di minimizzazione del rischio strutturale bilancia la complessità di un modello con il suo errore sui dati di addestramento, con l'obiettivo di favorirne la capacità di generalizzazione. Questa linea di ricerca applica tale principio a classificatori basati su espressioni logiche in forma normale disgiuntiva o congiuntiva. In [Apolloni et al., 2006b; Apolloni et al., 2005h; Apolloni et al., 2003a; Apolloni et al., 2002h; Apolloni et al., 2002b] è stato sviluppato un algoritmo per semplificare queste espressioni mediante l'ottimizzazione stocastica dei parametri degli insiemi fuzzy che le descrivono.

I sistemi ibridi di apprendimento combinano moduli subsimbolici, spesso basati su reti neurali, e moduli simbolici basati su costrutti logici. Questa linea di ricerca studia come integrare queste rappresentazioni e altri modelli di apprendimento. In [Apolloni et al., 2005a; Apolloni et al., 2004a] viene descritto un sistema che estrae componenti booleane indipendenti (bICA) dalle caratteristiche dei dati in ingresso. Le componenti sono interpretate come valori di verità e utilizzate per costruire formule logiche che rappresentano simbolicamente le relazioni tra i dati [Apolloni et al., 2006b; Apolloni et al., 2003a; Apolloni et al., 2002a; Apolloni et al., 2000]. Il sistema è stato applicato al riconoscimento delle emozioni a partire dal segnale vocale [Apolloni et al., 2004a]. Sistemi di questo tipo sono stati inoltre impiegati per monitorare l'attenzione del conducente mediante biosegnali [Apolloni et al., 2004c; Apolloni et al., 2004b; Apolloni et al., 2003d; Apolloni et al., 2003c; Apolloni et al., 2003b], nell'ambito del progetto ORESTEIA (mOdular hybRid artEfactS wiTh adaptivE functIonAlity, IST-2000-26091), finanziato dall'Unione europea nel quinto programma quadro, nell'area IST-FET, tra il 2001 e il 2003. Un secondo filone integra un sistema fuzzy per misurare la rilevanza degli esempi del campione di addestramento con modelli di classificazione e regressione. In particolare, [Apolloni e Malchiodi, 2006] descrive l'integrazione con un classificatore lineare basato su support vector machine, mentre [Apolloni et al., 2005c] presenta quella con un modello di regressione lineare.

Questa attività ha applicato il modello di inferenza algoritmica descritto in [Apolloni et al., 2006a; Malchiodi, 2000] alla classificazione automatica delle emozioni a partire da segnali audiovisivi [Apolloni et al., 2004a; Apolloni et al., 2002a]. La ricerca è stata svolta nell'ambito del progetto PHYSTA (Principled Hybrid Systems: Theory and Applications), finanziato dall'Unione europea nel quarto programma quadro, nell'area TMR, tra il 1998 e il 2000. I risultati sono stati presentati in una scuola internazionale di apprendimento computazionale organizzata nell'ambito dello stesso progetto.

Il progetto ORESTEIA (mOdular hybRid artEfactS wiTh adaptivE functIonAlity) ha studiato la progettazione, realizzazione e analisi di sistemi intelligenti per il pervasive e l'ubiquitous computing, che integrano capacità di elaborazione nell'ambiente e negli oggetti di uso quotidiano. Il progetto è stato finanziato dall'Unione europea nel quinto programma quadro, nell'area IST-FET, tra il 2001 e il 2003. Nell'ambito dello studio del rilevamento degli stati di attenzione [Kasderidis et al., 2003], è stato sviluppato un prototipo per riconoscere lo stato di attenzione del conducente di un'autovettura a partire da segnali fisiologici [Apolloni et al., 2004c; Apolloni et al., 2004b; Apolloni et al., 2003d; Apolloni et al., 2003c; Apolloni et al., 2003b].

I sistemi di calcolo scientifico consentono di effettuare simulazioni e di esplorare problemi matematici in modo interattivo e incrementale, offrendo strumenti per la progettazione di attività didattiche [Bulgheroni e Malchiodi, 2009; Malchiodi, 2008b]. Un sistema commerciale è stato descritto in dettaglio in [Malchiodi, 2007] ed esteso con funzionalità per la codifica dell'informazione [Malchiodi, 2006d], l'invocazione remota di procedure [Malchiodi, 2006c; Malchiodi, 2006a] e la produzione di documentazione scientifica [Malchiodi, 2011]. Ulteriori estensioni riguardano l'ottimizzazione [Malchiodi, 2006b], l'apprendimento basato su vettori di supporto [Malchiodi et al., 2009b; Malchiodi et al., 2009a] e la validazione del software [Malchiodi, 2013a]. Il codice sviluppato è alla base delle simulazioni descritte in [Apolloni et al., 2007d; Apolloni e Malchiodi, 2006]. Infine, [Malchiodi, 2010] presenta una libreria per il machine learning basata su un sistema open source di calcolo scientifico.

Questa linea di ricerca studia la modellazione matematica di situazioni di conflitto mediante un approccio alternativo alla teoria dei giochi classica. In [Apolloni et al., 2006d; Apolloni et al., 2003e; Apolloni et al., 2002g; Apolloni et al., 2002c] vengono considerati giochi tra due contendenti, modellando il conflitto attraverso l'approssimazione della soluzione di un problema NP-hard. Il modello di inferenza algoritmica viene impiegato per determinare come assegnare ai giocatori risorse computazionali limitate. [Apolloni et al., 2006c] estende l'approccio ai giochi di squadra. Le applicazioni in ambito biologico sono descritte in [Apolloni et al., 2007b; Apolloni et al., 2005d], mentre [Apolloni et al., 2010b] utilizza il modello per determinare il tempo di calcolo da assegnare ad algoritmi di apprendimento basati sulla minimizzazione locale dell'errore.