Innovazione e inclusione scolastica: didattiche e spazi di apprendimento innovativi in una scuola aperta e in dialogo con il territorio possono favorire l'inclusione di tutti gli alunni? Le percezioni di Dirigenti scolastici, insegnanti e studenti

La ricerca, di carattere esplorativo, prende spunto dal dibattito internazionale, sviluppatosi sul finire dello scorso secolo, sulla necessità di innovare il sistema educativo, in ottica di lifelong-learning, e favorire l’acquisizione delle competenze richieste nel XXI secolo. Le diverse indicazioni sollecitano una scuola intesa come Civic-center in grado di riconoscere gli apprendimenti extra-scolastici, con spazi di apprendimento innovativi funzionali a didattiche learner-centred. A circa trent’anni dalla Dichiarazione di Salamanca riteniamo necessario interrogarsi se queste innovazioni garantiscano l’inclusione e il successo formativo di tutti. La ricerca si articola in quattro studi di caso relativi a due scuole secondarie di secondo grado innovative italiane e due finlandesi. Si propone di comprendere sulla base delle percezioni di studenti, insegnanti, dirigenti se tale modello di scuola favorisca anche l’inclusione e il benessere di tutti gli studenti. Dall’analisi dei risultati sembra che, secondo le percezioni di coloro che hanno partecipato alla ricerca, le scuole siano riuscite a far coesistere innovazione e inclusione. In particolare, l’utilizzo di spazi di apprendimento innovativi e didattiche learner-centred all’interno di una scuola aperta al territorio in grado di riconoscere le competenze extra-scolastiche, sembrano favorire effettivamente l’inclusione di tutti gli studenti. Nonostante gli aspetti innovativi, restano tuttavia presenti all’interno delle scuole analizzate ancora diverse criticità che non consentono una piena inclusione for all

Development of unsupervised learning methods with applications to life sciences data

Machine Learning makes computers capable of performing tasks typically requiring human intelligence. A domain where it is having a considerable impact is the life sciences, allowing to devise new biological analysis protocols, develop patients’ treatments efficiently and faster, and reduce healthcare costs. This Thesis work presents new Machine Learning methods and pipelines for the life sciences focusing on the unsupervised field. At a methodological level, two methods are presented. The first is an “Ab Initio Local Principal Path” and it is a revised and improved version of a pre-existing algorithm in the manifold learning realm. The second contribution is an improvement over the Import Vector Domain Description (one-class learning) through the Kullback-Leibler divergence. It hybridizes kernel methods to Deep Learning obtaining a scalable solution, an improved probabilistic model, and state-of-the-art performances. Both methods are tested through several experiments, with a central focus on their relevance in life sciences. Results show that they improve the performances achieved by their previous versions. At the applicative level, two pipelines are presented. The first one is for the analysis of RNA-Seq datasets, both transcriptomic and single-cell data, and is aimed at identifying genes that may be involved in biological processes (e.g., the transition of tissues from normal to cancer). In this project, an R package is released on CRAN to make the pipeline accessible to the bioinformatic Community through high-level APIs. The second pipeline is in the drug discovery domain and is useful for identifying druggable pockets, namely regions of a protein with a high probability of accepting a small molecule (a drug). Both these pipelines achieve remarkable results. Lastly, a detour application is developed to identify the strengths/limitations of the “Principal Path” algorithm by analyzing Convolutional Neural Networks induced vector spaces. This application is conducted in the music and visual arts domains.