I gruppi di insegnanti su Twitter: un caso di studio

Come abbiamo anticipato, tra i Social network più esplorati nell’ambito dello sviluppo professionale vi è senza dubbio Twitter.

Twitter è una piattaforma di microblogging che consente agli utenti di pubbicare messaggi brevi (140 caratteri al massimo). Gli utenti possono “seguire” (follow) o “essere seguiti” da altri utenti (followers) ma non vi è alcun vincolo di reciprocità nelle relazioni stabilite sul social network. I messaggi o tweet possono contenere link, citazioni (reweet) o menzioni dirette di altri utenti (il cui nome è preceduto dal simbolo @). Qualora il messaggio presenti un particolare tema o topic di interesse per la comunità degli utenti, questo è preceduto dall’hashtag (simbolo #).

L’utilizzo degli hashtag è una pratica molto diffusa e consente agli utenti di includere i propri contributi su un determinato argomento all’interno di conversazioni molto più ampie, arricchendo la possibilità di accedere a nuovi contatti e dunque di sviluppare ulteriormente il proprio network (Letierce, Passant, Breslin & Decker, 2010).

Generalmente gli insegnanti apprezzano Twitter per la sua architettura: altamente user friendly, immediato, consente di mantenere i contatti con i colleghi e di condividere informazioni nonché di rimanere aggionati sulle più recenti notizie in ambito educativo (Risser, 2013; Carpenter & Krutka, 2014, 2015).

Un recente contributo sull’utilizzo di questo Social Network nell’ambito della ricerca internazionale, è dato da Rhem e Notten (2016). I due ricercatori si pongono l’obiettivo di indagare se il social network possa costituire per gli insegnanti uno spazio di sviluppo di capitale sociale16_{, in cui si possa verificare ed implementare un processo} di apprendimento informale e di sviluppo professionale continuo.

Il contesto preso in esame è quello di una live chat settimanale tra insegnanti della durata di circa 2 ore, che si propone di seguire gli ultimi trend e sviluppi in ambito educativo, nonché l’integrazione di nuovi media nella didattica. Le discussioni di questa live chat sono accomunate da uno specifico hashtag 17 _{. Prima dell’avvio della} discussione, i partecipanti sono invitati a votare uno o più topic di interesse. Una volta che il tema è selezionato, gli organizzatori avviano la discussione pubblicando in media 8 domande. Queste domande guidano i tweet di tutti i partecipanti. Può capitare che gli organizzatori intervengano ritwittando alcuni contenuti o connettendo idee ed esperienze di utenti diversi. La scelta dei ricercatori è ricaduta su questo contesto poiché gli insegnanti non sono obbligati a partecipare ma decidono consapevolmente e deliberatamente 18 _{di aderire alle}

16 _{Descritto dagli autori secondo la definizione di Tsai e Ghosal (1998) che} riportiamo in originale: “relational resources embedded in the cross-cutting personal ties that are useful for the personal development of individuals” (p.464).

17 _#EdchatDE.

18 _{Gli autori riprendono la distinzione di Eraut (2004) tra apprendimento} informale di tipo implicito, reattivo e deliberativo. A loro avviso il tipo di apprendimento che avviene nell’ambito dell’adesione a spazi di discussioni online è di natura deliberativa, ovvero prevede che l’individuo sia esplicitamente consapevole di andare incontro ad un processo di apprendimento, avendo deciso

conversazioni con l’intenzione di condividere idee o di raccogliere nuove informazioni su temi per loro rilevanti.

I ricercatori hanno preso in esame i dati raccolti nell’arco di un anno atttraverso l’utilizzo di uno specifico software19 _{e li hanno analizzati} utilizzando un ulteriore programma specifico per la Social Network Analysis (SNA).

Avendo l’obiettivo di verificare la presenza nel network di capitale sociale, gli autori si sono concentrati sulle connessioni tra individui e sulla loro costanza nel tempo.

In primo luogo hanno raccolto alcune informazioni sugli utenti: numero di tweet pubblicati, numero di followers, numero di utenti seguiti, anno di “nascita” del loro account. Successivamente hanno suddiviso ulteriormente i messaggi in tre categorie: tweets (Tw), menzioni (TMe) e repliche (TRe).

Gli autori hanno quindi elaborato i dati utilizzando un software di Social Network Analisi (SNA) riconoscendo questa metodologia come la più appropriata per verificare la presenza di capitale sociale (Moolenaar et al., 2012; Rienties et al., 2013; Tsai & Ghoshal, 1998). L’analisi ha consentito di utilizzare metriche quali la reciprocità (dunque il numero di legami tra i partecipanti) e il grado di centralità di ciascun utente nel gruppo, quindi la presenza di utenti particolarmente influenti e attivi20 (Coleman, 1988; Lin, 1999; Burt, 1997).

È stata inoltre condotta una cluster analisi allo scopo di identificare eventuali sottogruppi di utenti nel network.

deliberatamente di dedicare del tempo alla ricerca di informazioni per il proprio sviluppo professionale. Per approfondimenti si veda Rehm e Notten (2016).

19 _NodeXL.

20 _{In particolare sono state utilizzate le misure della closeness centrality (media} delle “distanze” di un nodo dagli altri); betwenness centrality (media del numero di volte in cui un nodo si trova in un “cammino” tra altri due nodi - un’alta betwenness può indicare che l’attore funge da “ponte” o collegamento tra comunità che lavorano su argomenti diversi)

Infine, le stesse metriche sono state applicate ad un gruppo Twitter con proprietà simili artificialmente generato21_{, al fine di avere un} benchmark di riferimento per un giudizio comparativo degli esiti dell’analisi.

L’analisi ha consentito di raccogliere oltre 70.000 contributi da più di 4.000 utenti. I contributi prevalenti sono le menzioni (40.000) seguono i tweet (20.000) ed infine i retweet (17.000). Gli utenti con un maggior numero di followers si sono rivelati essere account di istituzioni, aziende o testate giornalistiche internazionali (Youtube, Newyork Times, Google, Edutopia, TedTalks).

Lo studio longitudinale ha consentito di verificare un significativo dropout nel periodo delle vacanze, nel quale ovviamente gli insegnanti sono stati meno coinvolti in attività di lavoro e formazione. In generale gli autori rilevano un costante aumento di nuovi nodi tra utenti nel tempo, mostrando dunque un arricchimento progressivo dei network individuali.

L’analisi dei cluster e del grado di centralità ha consentito ai ricercatori di verificare la presenza di nuclei ristretti che gravitano attorno ad alcuni individui capaci di mantenere una posizione di rilievo nel network. Questo avviene sia nell’ambito del subcorpus dei tweet costituiti da menzioni che da retweet. Si riscontra inoltre un buon grado di centralità sia verso l’esterno (out degree centrality) che verso l’interno (in degree centrality) evidenziando una relazione “do ut des” tra utenti e dunque una posizione di reciprocità. Il confronto con il gruppo di controllo artificialmente generato dal software, ha consentito inoltre agli

21 _{Come sottolineano i ricercatori: “In general, while studying a particular SNA} case it is difficult to judge whether any of the calculated out- comes are “good”, “bad”, “high” or “low”. Randomly generated networks, which are based on the characteristics of the observed network, are a robust means for creating a benchmark with which to compare the studied case. (…) It’s possible to generate such a scale-free network based on the same number of vertices with the same number of edges and the same average degree distribution as the original network (e.g. Batagelj & Brandes, 2005; Pennock, Flake, Lawrence, Glover, & Lee Giles, 2002).

autori di verificare una differenza significativa nella presenza di individui centrali nel network che ruota attorno all’hashtag EDchatDE. A loro avviso il dato consente di confermare quanto già postulato da Bourdieu (1986) in merito agli individui dominanti: possono controllare la comunicazione e limitare o incentivare la possibilità degli altri utenti di costruire capitale sociale. Gli autori rilevano, senza grande stupore, che i due organizzatori della chat ricoprono tale posizione di rilievo nel