Classificazione a faccette di obiettivi formativi dell’insegnamento universitario, nelle discipline umanistiche in Austria, Germania, Italia e Regno Unito

Il processo di riforma a carattere europeo che ha condotto alla nascita di uno Spazio Europeo dell’Istruzione Superiore ha conosciuto diverse tappe fondamentali, fra cui, per esempio, la ripartizione in cicli e l’adozione dei crediti ECTS. Una di queste tappe, ossia il passaggio da una pianificazione della didattica basata sui contenuti ad una basata sui risultati dell’apprendimento, ricopre un ruolo di primo piano nel presente progetto di dottorato. Lo studio qui descritto ha esaminato, da un punto di vista sintattico e semantico, un campione di obiettivi e risultati dell’apprendimento di insegnamenti di alcuni corsi di laurea di primo e secondo ciclo, delle scienze umanistiche, in Austria, Germania, Italia e Regno Unito. L’obiettivo del progetto è proporre uno schema per una classificazione a faccette di obiettivi dell’apprendimento denominato FLOC. Tale schema è adottato per classificare gli obiettivi dell’apprendimento di quattro contesti linguistico-culturali (nei paesi summenzionati), dando vita a FLOC-AT, FLOC-DE, FLOC-IT e FLOC-EN. Queste quattro classificazioni forniscono inoltre il contesto per un’analisi contrastiva multilingue fra unità di obiettivi di apprendimento.

Machine learning per l'idrologia: applicazione del metodo random forests per la previsione degli eventi di piena fluviale con un approccio probabilistico

Le tecniche di Machine Learning sono molto utili in quanto consento di massimizzare l’utilizzo delle informazioni in tempo reale. Il metodo Random Forests può essere annoverato tra le tecniche di Machine Learning più recenti e performanti. Sfruttando le caratteristiche e le potenzialità di questo metodo, la presente tesi di dottorato affronta due casi di studio differenti; grazie ai quali è stato possibile elaborare due differenti modelli previsionali. Il primo caso di studio si è incentrato sui principali fiumi della regione Emilia-Romagna, caratterizzati da tempi di risposta molto brevi. La scelta di questi fiumi non è stata casuale: negli ultimi anni, infatti, in detti bacini si sono verificati diversi eventi di piena, in gran parte di tipo “flash flood”. Il secondo caso di studio riguarda le sezioni principali del fiume Po, dove il tempo di propagazione dell’onda di piena è maggiore rispetto ai corsi d’acqua del primo caso di studio analizzato. Partendo da una grande quantità di dati, il primo passo è stato selezionare e definire i dati in ingresso in funzione degli obiettivi da raggiungere, per entrambi i casi studio. Per l’elaborazione del modello relativo ai fiumi dell’Emilia-Romagna, sono stati presi in considerazione esclusivamente i dati osservati; a differenza del bacino del fiume Po in cui ai dati osservati sono stati affiancati anche i dati di previsione provenienti dalla catena modellistica Mike11 NAM/HD. Sfruttando una delle principali caratteristiche del metodo Random Forests, è stata stimata una probabilità di accadimento: questo aspetto è fondamentale sia nella fase tecnica che in fase decisionale per qualsiasi attività di intervento di protezione civile. L'elaborazione dei dati e i dati sviluppati sono stati effettuati in ambiente R. Al termine della fase di validazione, gli incoraggianti risultati ottenuti hanno permesso di inserire il modello sviluppato nel primo caso studio all’interno dell’architettura operativa di FEWS.