DAG causali e priori aggiornabili

3 settembre 2026 — documento d'archivio, dati anonimizzati

Un DAG per intervento è una buona astrazione di partenza, ma il file di import non deve codificare i "pesi di impatto" come verità causale. Deve codificare struttura causale, semantica, tempistica e priori — con i pesi trattati come credenze iniziali, aggiornabili a partire dai dati.

Nei report di soddisfazione attuali esistono già suggerimenti di intervento a catalogo, con scope sull'insegnamento: sono suggerimenti messi in relazione con la soddisfazione, non con la performance o la motivazione. È un limite: il motore di Didaflow deve invece mettere in relazione l'eterogeneità dei dati disponibili con le domande che interessano davvero — usare le motivazioni, usare le soddisfazioni, non fermarsi alla prima variabile disponibile.

Da dati aggregati di un corso pilota, ad esempio, è possibile quantificare gli elementi di motivazione di un corso (ansia, autoefficacia, e altri costrutti simili). Da lì, si può prendere dalla letteratura la relazione intervento → impatto su un mediatore motivazionale, e correlarla con l'outcome finale. Sul fronte performance, i dati di base ci sono già: pass rate, medie voto, e simili.

Il punto centrale resta lo stesso della logica DAG: un peso stimato oggi da letteratura o da un singolo corso pilota è un punto di partenza, non un dato acquisito. Il sistema deve poterlo aggiornare man mano che arrivano più dati reali, e deve poter dire chiaramente quando un peso è ancora una stima debole.