Tali mutamenti possono essere di segno positivo. Nelle fabbriche sono entrati i robot che affrancano totalmente gli umani dai lavori più pesanti e pericolosi come avviene, ad esempio, in alcuni reparti delle catene di montaggio delle automobili. Grazie alla telematica è possibile ricorrere allo smart working, ovvero la possibilità di lavorare da casa. Esso genera alcuni vantaggi come la fine del pendolarismo (con conseguenti risparmi sui trasporti e benefici ambientali); la riduzione del traffico; il tramonto del modello “città-centrico”. Gli algoritmi della “data driven innovation” (ovvero: innovazione guidata dall’analisi dei big data) possono essere usati per migliorare le procedure standardizzate e ottimizzare i processi produttivi.

Ma le tecnologie digitali possono essere anche all’origine di preoccupanti involuzioni sul piano della tutela dei diritti. Tralasciando il grande problema rappresentato dalla perdita di posti di lavoro dovuta alla sostituzione delle persone con i robot, si pensi ai possibili rischi di un uso spregiudicato della data analysis. Con la locuzione “workforce analytics” si fa riferimento all’uso di dati e metriche sul personale per controllare, misurare e anatomizzare le prestazioni, pianificare le ricompense e gli stimoli, congegnare meccanismi di promozione, approntare dispositivi istantanei di feedback e contestazione. Si finisce per accentuare il controllo determinando uno stato di valutazione permanente per mano dei superiori, dei colleghi e dei semplici consumatori a scapito dell’autonomia dei lavoratori di decidere se e come una determinata attività debba essere completata (in argomento illuminante è la lettura del libro di Aloisi e De Stefano dal titolo “Il tuo capo è un algoritmo. Contro il lavoro disumano”, Laterza, 2020).

Il lavoro da casa (che tecnicamente può assumere la denominazione di “telelavoro” e di “lavoro agile”) certamente ha i profili positivi prima richiamati, ma ha anche tanti aspetti problematici: il passaggio da un modello basato sull’orario di lavoro a un modello basato sul lavoro per obiettivi che, se non monitorato, può dar vita a forme esasperate di lavoro a cottimo; l’insorgenza della fatica digitale, perché restare sempre connessi comporta un maggiore dispendio di energie al punto da rendere indispensabile il riconoscimento di un diritto alla disconnessione; la sensazione di isolamento che affligge chi, lavorando davanti ad uno schermo, non può più relazionarsi fisicamente con i colleghi; la cancellazione della distinzione tra luogo di lavoro e ambiente casalingo visto che gli spazi coincidono, con conseguente mutamento del concetto di flessibilità (il tema è approfondito da Zamperini nel libro “Lavorare (da casa) stanca. Rischi e opportunità dello smart working”, Castelvecchi, 2020). Ma l’aspetto più preoccupante di tutti è il ricorso sempre più frequente a software in grado di controllare in maniera capillare il comportamento dei lavoratori da remoto. Hubstaff (https://hubstaff.com) è un programma che traccia i tasti premuti sulla tastiera, i movimenti del mouse e i siti web visitati dagli utenti/lavoratori. Time Doctor (https://www.timedoctor.com) registra ciò che compare sul monitor. Può anche scattare una foto ogni dieci minuti usando la webcam per controllare che il lavoratore sia effettivamente al suo posto. Isaak, un’applicazione sviluppata da un’azienda britannica di nome Status Today, monitora l’interazione tra i lavoratori con l’obiettivo di identificare chi collabora di più e combinando queste informazioni con i profili personali degli impiegati può individuare quali sono i lavoratori più produttivi. Enaible (https://www.enaible.io/), una startup di Boston, sta sviluppando un algoritmo di machine learning che sarebbe in grado di misurare quanto velocemente il lavoratore completa un task. Ad ognuno di essi il software assegna un punteggio di “produttività’” e questo aiuterebbe l’azienda a capire quali siano i dipendenti più produttivi e quelli che invece dovrebbero essere licenziati.

C’è poi il grande tema del lavoro tramite piattaforma (GIG economy): si pensi ai fattorini di Deliveroo. Se è vero che le piattaforme permettono di creare nuovi posti di lavoro è altrettanto vero che tanti sono gli aspetti critici: la profilazione dei lavoratori, la loro gestione delegata agli algoritmi, la valutazione affidata ai consumatori (con conseguenti forme di servilismo verso gli stessi); i micropagamenti a cottimo; il ricorso a lavoro autonomo simulato; le classifiche e gli incentivi poco trasparenti.

Occorre conoscere molto bene le tecnologie digitali per capire fino in fondo i cambiamenti che esse stanno producendo nel mondo del lavoro. Senza le competenze digitali si finirebbe per consegnarsi totalmente alle macchine e ai datori di lavoro senza scrupoli, così da diventare dei “vinti” del progresso. Di nuove competenze devono arricchirsi gli stessi sindacati se vogliono difendere i diritti dei lavoratori dell’era digitale.

l’Adige 3 marzo 2021

Argomenti correlati

Il diritto dell’era digitale

Le valutazioni degli studenti le fa l’algoritmo

È immaginabile o addirittura auspicabile che degli algoritmi (e, quindi, dei computer) valutino in maniera automatica il livello di apprendimento raggiunto dagli studenti universitari? Si, secondo una nuova disciplina, denominata «Educational data mining». Proviamo a capirci qualcosa di più.

1) Il fenomeno. Con l’espressione «data mining» si fa riferimento a quel processo computazionale che crea modelli analizzando i dati quantitativi da diverse prospettive e dimensioni, classificandoli ed enucleando potenziali relazioni e impatti. «Data mining» significa estrarre conoscenza dai dati: è il terreno proprio della «data science». L’aggettivo «educational» ci dice che tale attività viene applicata al mondo della formazione, in particolare a quello della didattica online e dei cosiddetti MOOC (acronimo che sta per «Massive Open Online Courses», ovvero «Corsi aperti online su larga scala»). Gli studiosi di «Educational data mining» sostengono che è possibile dedurre conoscenze accurate dalla mole enorme di dati generati da ogni studente nelle proprie attività di apprendimento a distanza. In particolare essi ritengono che si possano prevedere le prestazioni e gli apprendimenti degli allievi in base alla valutazione dei loro risultati, della partecipazione, dell’impegno, dei voti e delle conoscenze disciplinari in un lavoro di apprendimento.

2) Le modalità. Ogni studente impegnato in attività di apprendimento a distanza «genera» tanti dati. Ad esempio: il tempo trascorso sulle piattaforme che erogano corsi online, il tipo di interazioni che si sono poste in essere, l’attività svolta sulla singola pagina consultata, le modalità di utilizzo del mouse, la velocità e il tipo di movimento degli occhi sullo schermo. Tali dati vengono elaborati attraverso le tecniche tipiche del «data mining». Tra di esse si possono ricordare: la «classificazione» attraverso la quale si possono mappare i dati in diverse classi predefinite così da conoscere i rendimenti, gli abbandoni, i comportamenti problematici, il livello di motivazione e così via; oppure il «clustering» che consente di trovare gruppi di studenti con caratteristiche di apprendimento simili in base al contenuto delle pagine visitate e dei loro modelli di navigazione online; o, ancora, «l’association rule» usata per scoprire regole di apprendimento in base alle caratteristiche e alle competenze degli studenti.

3) I vantaggi. I paladini di questo tipo di studi sottolineano le utilità che possono derivare dall’analizzare i «big data» relativi alla formazione. Gli studenti possono personalizzare l’apprendimento e migliorare il loro rendimento aumentando la consapevolezza di sé; i professori, grazie ai continui feedback sul lavoro svolto, possono fare interventi mirati per migliorare l’efficacia dell’insegnamento e fronteggiare per tempo la possibile emersione di difficoltà (a tacere della possibilità di sperimentare strategie didattiche innovative come il «collaborative learning»); le agenzie educative sono in grado di monitorare l’intero processo formativo per migliorarlo anche attraverso la riprogettazione dei piani di studio, la riduzione del tasso di abbandono, l’individuazione degli «studenti a rischio»; i genitori possono ottenere informazioni più specifiche circa le attività di studio dei propri figli.

4) Le criticità. Ma non manca chi evidenzia le tante perplessità innescate da questo tipo di approccio. In particolare si rimarca l’esistenza di problemi: a) tecnici: davvero possiamo ritenere attendibili dei dati raccolti in questo modo? Quale qualità, quale accuratezza, quale significato statistico possono avere dati accumulati in maniera massiva ma grezza? b) giuridici: c’è ovviamente il tema della tutela dei dati personali: chi può accedere ai dati degli studenti? per quanto tempo? che garanzie ci sono che essi non vengano utilizzati per profilare i ragazzi per le più svariate finalità più o meno commendevoli? c) etici: siamo sicuri che sia moralmente corretto affidare la valutazione degli apprendimenti a procedimenti totalmente automatizzati? può l’essere umano essere giudicato da una macchina? d) pedagogici: la valutazione degli apprendimenti è legata a filo doppio alle diverse teorie dell’apprendimento; se non c’è una chiara definizione delle finalità dell’insegnamento non si può avviare nessuna procedura di valutazione meno che mai una procedura basata sulla mera raccolta massiva di dati disomogenei.

5) Per non concludere. Gli studi di «Educational data mining» pongono l’ennesima nuova sfida. Le tecnologie schiudono possibilità inimmaginabili fino a poco tempo fa: la valutazione dell’apprendimento, non solo quello a distanza e non solo quello universitario, può essere affidato ad algoritmi. Possiamo demonizzare questo dato di realtà con il solo risultato di lasciare che le cose accadano senza controllo. Oppure si può assumere un atteggiamento più pragmatico: cercare di capire i fenomeni al fine di valorizzarne gli aspetti positivi e, soprattutto, essere in grado di contrastare quelli negativi.

l’Adige 13 ottobre 2020

Bibliografia

C. Romero, S. Ventura, Educational data mining: A survey from 1995 to 2005, Expert Systems with Applications, Volume 33, Issue 1, 2007, Pages 135-146, ISSN 0957-4174, https://doi.org/10.1016/j.eswa.2006.04.005.

Banihashem, S., Aliabadi, K., Pourroostaei Ardakani, S., Delaver, A., Nili Ahmadabadi, M. (2018). ‘Learning Analytics: A Systematic Literature Review‘, Interdisciplinary Journal of Virtual Learning in Medical Sciences, 9(2), pp. -. doi: 10.5812/ijvlms.63024

Wintrup, J. Higher Education’s Panopticon? Learning Analytics, Ethics and Student Engagement. High Educ Policy 30, 87–103 (2017). https://doi.org/10.1057/s41307-016-0030-8

Hanan Aldowah, Hosam Al-Samarraie, Wan Mohamad Fauzy, Educational data mining and learning analytics for 21st century higher education: A review and synthesis, Telematics and Informatics, Volume 37, 2019, Pages 13-49, ISSN 0736-5853, https://doi.org/10.1016/j.tele.2019.01.007.

Rajeshwari M., & Krishna Prasad K. (2020). Application of IoT in Analyzing Cognitive Skills of Students-A Systematic Literature Review. International journal of management, technology, and social sciences (IJMTS), 5(1), 158–184. http://doi.org/10.5281/zenodo.3821143

Qiujie Li, Rachel Baker, Mark Warschauer, Using clickstream data to measure, understand, and support self-regulated learning in online courses, The Internet and Higher Education, Volume 45, 2020, 100727,
ISSN 1096-7516, https://doi.org/10.1016/j.iheduc.2020.100727.