Il metodo di analisi degli strument
6.1 L’analisi dei questionari degli insegnanti CLIL
6.1.1 L’analisi della Scala 1 del Questionario dell’Insegnante CLIL
I 20 item costituenti la Scala 1 del questionario dell’insegnante (Insegno la mia disciplina non linguistica in CLIL perché…) sono stati sottoposti ad analisi esplorativa dei componenti principali, utilizzando il software SPSS. Lo scopo di questa analisi è quello di capire quali siano le principali dimensioni (i.e. i diversi tipi di motivazione) sottostanti i dati raccolti con questa scala. Prima di effettuare l’analisi, è stata verificata l’idoneità dei dati raccolti: un’attenta ispezione della matrice di correlazione ha rivelato la presenza di molti
coefficienti pari a .3 e superiori; inoltre, il valore dell’indicatore di adeguatezza del
216 Tutte le tabelle e le figure relative all’analisi esplorativa preliminare del Questionario dell’Insegnante CLIL a
cui facciamo riferimento in questa sezione (i.e. § 6.1) si trovano nell’ALLEGATO 5.
217 I parametri principali da rispettare sono i seguenti: livello di misurazione (i.e. solo variabili continue),
normalità della distribuzione (i.e. i dati nell’istogramma sono disposti in modo da formare una curva di Gauss), omoschedasticità (i.e. varianza omogenea) (Lowie & Seton, 2013).
218 Il motivo per cui è preferibile utilizzare le tecniche statistiche parametriche rispetto a quelle non
parametriche si ricava da Dörnyei: “The reason is that we want to use the most powerful procedure that we can find to test our hypotheses. […] Parametric tests utilize the most information, so they are more powerful than their non-parametric counterparts” (Dörnyei, 2007: p. 227-228).
131
campione Kaiser-Meyer-Olkin (KMO) è .891, superiore al valore consigliato di .6 (Kaiser, 1970, 1974); infine, il test della sfericità di Bartlett (Bartlett, 1954) ha raggiunto
significatività statistica (Sig. .000), supportando così la fattoriabilità della matrice di correlazione (Tabella A5.1.1219).
L’analisi dei componenti principali ha rivelato la presenza di quattro componenti con autovalori superiori a 1, i quali spiegano rispettivamente il 41%, il 9.2%, il 6.4% e il 5.7% della varianza. Tuttavia, sia l’analisi parallela220 che lo screeplot suggeriscono di mantenere
due componenti, anziché quattro. In particolare, i risultati dell’analisi parallela individuano solo due componenti con autovalori superiori ai corrispondenti valori criterio della matrice di dati (20 variabili x 187 rispondenti) generata casualmente dal software (Tabella A5.1.2). Dall’ispezione dello screeplot (Catell, 1966) (Figura A5.1.1) si individuano due gomiti: uno molto evidente dopo il secondo componente e uno meno marcato dopo il quarto
componente. L’interpretazione ‘rigida’ del grafico suggerisce di mantenere due componenti. Diversamente da quanto suggerito dai risultati dell’analisi parallela e dallo screeplot, si è deciso di mantenere tutti e quattro i componenti iniziali per tre ragioni. Innanzitutto, la soluzione a due soli componenti spiega solo il 49.8% della varianza, mentre la soluzione a quattro componenti spiega complessivamente il 62.3% della varianza. In secondo luogo, mantenendo solo due componenti gli item che costituiscono ciascun componente vanno ad individuare due subscale che non hanno coefficienti di affidabilità (alfa di Cronbach) sufficientemente elevati, circostanza che, invece, si verifica mantenendo la soluzione a quattro componenti, come si vedrà a breve. Infine, la soluzione a quattro componenti rispecchia in modo più fedele la natura composita della motivazione, individuandone quattro diverse tipologie.
219 La sigla A5 indica l’ALLEGATO 5.
132
Per facilitare l’interpretazione dei quattro componenti, è stata effettuata la rotazione obliqua (Direct Oblimin). La soluzione ruotata ha rivelato la presenza di una struttura in cui tutti e quattro i componenti presentano pesi fattoriali piuttosto alti (tutti superiori a .3) e quasi tutti gli item pesano sostanzialmente su un solo componente (Tabella A5.1.3). Esiste una minima correlazione tra i quattro componenti e una correlazione negativa tra il
componente 1 e i componenti 3 e 4, e tra il componente 2 e il componente 4 (Tabella A5.1.4). I risultati di questa analisi preliminare, supportano la decisione di scomporre la scala in 4 subscale separate. Inoltre, dal momento che ciascuna subscala individua un tipo diverso di motivazione, i totali di ciascuna subscala non verranno sommati in un totale unico.
Le quattro subscale individuate sono le seguenti:
subscala 1.1 (alfa di Cronbach= .879), costituita dagli item riferiti primariamente al quarto componente (i.e. 1a, 1c, 1i, 1l, 1n, 1p, 1s, 1u) 221 ;
subscala 1.2 (alfa di Cronbach= .858), costituita dagli item riferiti al primo componente (i.e. 1e, 1g, 1h, 1m, 1o, 1q, 1v);
subscala 1.3 (alfa di Cronbach= .696), costituita dagli item riferiti al secondo componente (i.e. 1f, 1r, 1t);
subscala 1.4 (alfa di Cronbach= .709), costituita dagli item riferiti al terzo componente (i.e. 1b, 1d).
Sommando i punteggi dei singoli item di ciascuna subscala sono stati computati i relativi totali i quali, come vedremo a breve, rappresentano le quattro variabili continue indicanti
221 In questa subscala sono stati inseriti anche gli item 1n e 1p, nonostante l’analisi dei componenti principali li
avesse assegnati alla subscala 1.2. I motivi alla base di questa decisione sono due: innanzitutto, ciò che questi item rilevano (i.e. piacere, interesse) sono aspetti generalmente associati al tipo di motivazione (i.e.
motivazione intrinseca) rilevata dalla subscala 1.1; in secondo luogo, osservando la matrice di struttura (Tabella A5.1.3), si può notare che entrambi gli item hanno pesi fattoriali importanti non solo sul primo componente (subscala 1.2) ma anche sul quarto componente (subscala 1.1).
133
quattro diversi tipi di motivazione. Ciascuna variabile è stata sottoposta al controllo della normalità della distribuzione, allo scopo di verificare che i parametri per poter applicare le tecniche statistiche parametriche siano rispettati.
Per quanto riguarda la variabile individuata dal totale della subscala 1.1 (TOT Subscala 1.1: P.Max=48; Media=40; Dev.St.=6.3; N=187)222, il test di normalità di Kolmogorov-Smirnov
ha significatività inferiore a .05 (circostanza frequente in campioni numerosi) e il Q-Q plot (Figura A5.1.4) non permette di affermare che la distribuzione sia normale. Inoltre, il boxplot (Figura A5.1.6) individua la presenza di alcuni casi con valori estremi che influenzano il valore medio della scala. Per risolvere questi due aspetti problematici, la variabile è stata trasformata matematicamente223 e si è ottenuta una nuova variabile in cui
non ci sono casi con valori estremi (Figura A5.1.7). Osservando l’istogramma (Figura A5.1.3) e il Q-Q plot (Figura A5.1.5) si può ragionevolmente affermare che la distribuzione sia normale, anche se il test di normalità di Kolmogorov-Smirnov ha significatività inferiore a .05 (circostanza frequente in campioni numerosi).
Anche per quanto riguarda la variabile individuata dal totale della subscala 1.2 (TOT Subscala 1.2: P.Max=42; Media=33.9; Dev.St.=5.3; N=187), il test di normalità di
Kolmogorov-Smirnov ha significatività inferiore a .05 (circostanza frequente in campioni numerosi) e il Q-Q plot (Figura A5.1.10) non permette di affermare che la distribuzione sia normale. Per risolvere questo aspetto problematico, la variabile è stata trasformata
matematicamente224 e si è ottenuta una nuova variabile. Osservando l’istogramma (Figura
A5.1.9) e il Q-Q plot (Figura A5.1.11) si può ragionevolmente affermare che la distribuzione sia normale, anche se il test di normalità di Kolmogorov-Smirnov ha significatività inferiore a .05 (circostanza frequente in campioni numerosi).
222La sigla P.Max indica il punteggio massimo ottenibile nella scala o subscala. 223Trasformazione reflect and logarithm.
134
Invece, per quanto riguarda la variabile individuata dal totale della subscala 1.3 (TOT Subscala 1.3: P.Max=18; Media=11; Dev.St.=3.6; N=187), osservando l’istogramma (Figura A5.1.14) e il Q-Q plot (Figura A5.1.15) si può ragionevolmente affermare che la
distribuzione sia normale, anche se il test di normalità di Kolmogorov-Smirnov ha significatività inferiore a .05 (circostanza frequente in campioni numerosi).
Infine, per quanto riguarda la variabile individuata dal totale della subscala 1.4 (TOT Subscala 1.4: P.Max=12; Media=4.6; Dev.St.=2.4; N=187), il test di normalità di
Kolmogorov-Smirnov ha significatività inferiore a .05 (circostanza frequente in campioni numerosi) e sia l’istogramma (Figura A5.1.17) che il Q-Q plot (Figura A5.1.19) non permettono di affermare che la distribuzione sia normale. Per risolvere questo aspetto problematico, la variabile è stata trasformata matematicamente225 e si è ottenuta una nuova
variabile. Osservando il Q-Q plot (Figura A5.1.20) si può ragionevolmente affermare che la distribuzione sia normale, anche se sia l’istogramma (Figura A5.1.18) che il test di
normalità di Kolmogorov-Smirnov indicano il contrario. Questa variabile, dunque, potrebbe non essere adatta alle tecniche parametriche e si dovrà contemplare l’adozione delle corrispondenti tecniche non parametriche.
Per riassumere, le quattro variabili continue rappresentate dai totali di subscala individuano quattro tipi diversi di motivazione. In particolare:
la variabile TOT Subscala 1.1 individua la motivazione intrinseca226: essa caratterizza la
scelta autonoma da parte dell’insegnante di adottare la metodologia CLIL. Due sono le principali ragioni alla base di questa scelta: da un lato, l’interesse per l’ambiente di apprendimento CLIL, il piacere di esprimere la propria creatività e unire più passioni (ad esempio, per la propria DNL ma anche per la LS) nella propria didattica, la soddisfazione derivante dall’affrontare una sfida e mettere in pratica le competenze
225Trasformazione logarithm.
226Gli item che contribuiscono maggiormente al punteggio di subscala sono quello relativo al miglioramento
135
acquisite in più esperienze della propria vita; dall’altro, il desiderio dell’insegnante di migliorarsi e svilupparsi sia personalmente (i.e. capacità cognitive) che
professionalmente (i.e. competenza nella LS e nella pratica didattica). In riferimento a quanto abbiamo visto nel capitolo iniziale, relativamente alla SDT di Deci e Ryan (cfr. § 1.2.3), si può notare che la nostra analisi esplorativa preliminare ha rilevato la presenza di un costrutto singolo (i.e. ciò che noi chiamiamo motivazione intrinseca), non
facendo distinzione tra quanto Deci e Ryan definiscono come motivazione intrinseca in senso stretto – la quale si esprime in termini di interesse, piacere, soddisfazione
derivanti dallo svolgimento di un’azione (Deci et alii, 1997) – e ciò che invece è definito come regolazione integrata, la quale spiega azioni che fanno parte, sono integrate nel sé individuale, nei bisogni e nei desideri dell’individuo stesso (Deci & Ryan, 2000; Ryan & Deci, 2000);
la variabile TOT Subscala 1.2 individua la regolazione identificata227: essa caratterizza la
scelta dell’insegnante di adottare la metodologia CLIL quando questa è primariamente rivolta ad un destinatario esterno – nel nostro caso, le capacità e le competenze degli studenti, la pratica didattica dell’insegnante in classe, la scuola, il sistema educativo e la più ampia società. Tuttavia, la scelta del CLIL è volontariamente fatta dal soggetto il quale, nella proprià identità di insegnante, ne percepisce l’utilità e il valore (cfr. § 1.2.3); la variabile TOT Subscala 1.3 individua la regolazione esterna228: essa caratterizza la
decisione di adottare la metodologia CLIL quando questa è interamente controllata da fattori che sono esterni all’individuo, nel nostro caso riconoscimenti in denaro e prestigio professionale (cfr. § 1.2.3);
227Gli item che contribuiscono maggiormente al punteggio di subscala sono quello relativo al maggiore
coinvolgimento degli studenti (1v) e quello relativo alla crescita delle capacità cognitive degli studenti (1g).
228Gli item che contribuiscono maggiormente al punteggio di subscala sono quello relativo al riconoscimento
136
la variabile TOT Subscala 1.4 individua l’amotivazione (non regolazione)229: essa
caratterizza un comportamento – l’insegnamento in CLIL – che non è motivato, non è auto-regolato (Ryan & Deci, 2000). L’insegnante non è spinto230 ad insegnare in CLIL
da alcuna ragione o intenzione specifica ma risponde passivamente alla situazione esistente (cfr. § 1.2.3).
L’espressione-ombrello di motivazione degli insegnanti CLIL che abbiamo utilizzato nella formulazione delle domande di ricerca (cfr. § 5.2) comprende, dunque, tutti e quattro i tipi di motivazione che sono stati appena descritti.