Nel 1922 Thomas Edison dichiarò che il cinema avrebbe rivoluzionato l'istruzione. Credeva che alla fine avrebbe sostituito tutti i libri di testo¹.

[caption id="attachment_55" align="alignright" width="296"] "Carousel '77" by Voxphoto pubblicato con licenza CC BY-NC-ND 2.0. Per visualizzare una copia di questa licenza, visitare https://creativecommons.org/licenses/by-nd-nc/2.0/jp/?ref=openverse.[/caption]

Tuttavia, l'uso della pellicola da parte degli insegnanti è stato molto limitato. Il proiettore fotografico per diapositive, invece, è stato adottato da un numero significativo di insegnanti a partire dagli anni Cinquanta fino alla fine degli anni Novanta. A differenza del caso delle pellicole, gli insegnanti potevano:

• preparare le proprie diapositive a un prezzo accessibile;
• utilizzarlo come la lavagna, in pratica uno strumento che non cambiava il loro modo di insegnare;
• riutilizzare le diapositive, riordinarle e perfezionarle².

Se c'è una nuova tecnologia che può aiutarvi,

1. quali caratteristiche cerchereste?
2. Cambiereste la vostra pratica didattica per utilizzarlo?
3. Avreste paura di essere costretti a cambiare?

VOI E L'INTELLIGENZA ARTIFICIALE

Come insegnanti, avete a che fare ogni giorno con i cambiamenti. La tecnologia, piccola o grande che sia, porta cambiamenti: le sue applicazioni cambiano il mondo in cui insegnate; cambiano gli studenti a cui insegnate; infine, cambiano i contenuti, le competenze e il contesto dell'insegnamento. Può anche cambiare il modo in cui si insegna.

Questo libro di testo si occupa di come un ramo specifico della tecnologia, chiamato Intelligenza Artificiale (IA), possa cambiare il modo di insegnare.

Perché l'IA? : Laddove è efficace, la velocità e l'ampiezza del cambiamento apportato dall'IA possono essere destabilizzanti. Peggio ancora, cosa non può fare una macchina che pretende di essere intelligente? Potrebbe insegnare meglio di voi? Potrebbe sostituirvi in classe? Ci sono diverse domande importanti a cui rispondere.

Le applicazioni di intelligenza artificiale di oggi sono costruite per un compito specifico e per un tipo di utente: Un software in grado di tradurre ciò che scrivete non può prevedere i prezzi delle azioni.

Per quanto riguarda il compito in sé, è vero che l'intelligenza artificiale può svolgere alcuni compiti meglio degli esseri umani. Ma anche un bambino può battere la migliore IA nella maggior parte degli altri compiti. L'IA deve fare molta strada prima di poter sostituire l'uomo in un'attività cognitiva, sociale e culturale ricca come l'insegnamento. Ma può supportare il processo, aggiungendo un aiuto a ciò che un insegnante è in grado di fare. Gli esperti parlano di "Augmented Human"³  che, nel nostro caso, sarebbe un "insegnante aumentato".

Quando l'IA può essere d'aiuto nel campo dell'istruzione, gli esperti di pedagogia sottolineano che l'insegnante deve essere sempre presente, supervisionando ciò che fa. Le soluzioni di IA che si sono rivelate davvero efficaci in classe sono quelle che danno potere all'insegnante. Quando l'insegnante sa cosa sta imparando lo studente, i guadagni sono significativi⁴.

L'obiettivo di questo libro di testo è fornire le conoscenze necessarie per decidere se, dove e come l'IA può aiutarvi. Ci auguriamo di aiutarvi a prepararvi per il futuro, affrontando i cambiamenti portati dall'IA con il massimo impegno.

¹ Cuban, L., Teachers and machines: The classroom use of technology since 1920, Teacher College Press, 1986.

² Lee, M., Winzenried, A., The use of Instructional Technology in Schools, Lessons to be learned, Acer Press, 2009.

³ Holmes, W., Bialik, M., Fadel, C.,  Artificial Intelligence In Education: Promises and Implications for Teaching and Learning, 2019.

⁴ Groff, J., Personalized Learning: The state of the field and future directions, Center for curriculum redesign, 2017.

Nel contesto dell'istruzione, non ci troviamo spesso ad affrontare argomenti in così rapida evoluzione. Ci vogliono mesi per progettare un programma e anni per formare gli insegnanti. E c'è chi dice che ci vuole una generazione per trattare in modo completo un nuovo argomento.

Eppure, l'obiettivo del progetto AI4T, e quindi delle sue risorse didattiche, è stato quello di formare gli insegnanti all'IA mentre questa si sviluppa! Pertanto, leggendo questo libro di testo, potreste trovare piccoli errori. Potreste anche trovare affermazioni che non sono più vere: il progresso tecnologico può aver proposto una nuova opportunità; i rischi che nel 2022 o nel 2023 erano un problema possono essere diventati accettabili nel 2024; le leggi e i regolamenti in materia possono essere cambiati. Questo squalifica lo sforzo?

Speriamo di no. No, se cogliamo le opportunità offerte dalla tecnologia e dalla natura aperta di questo libro di testo per permettergli di evolversi con i cambiamenti. Forse il vecchio processo di pubblicazione della prima edizione, poi della seconda, ecc. non è più il modo migliore per curare un libro? Esistono sicuramente delle soluzioni per permettere che un tale oggetto sia condiviso come bene comune, non solo nel suo utilizzo ma anche nella sua evoluzione? Questa sarebbe, probabilmente, la prossima sfida.

Questo libro di testo è ora nelle mani degli insegnanti, dei suoi lettori. Perché ciò avvenga, sono state coinvolte molte persone. Ci hanno aiutato a capire le esigenze degli insegnanti e quelle dei ministeri. Alcuni hanno partecipato alla preparazione del materiale, alla correzione delle bozze e alla creazione della piattaforma online. Altri hanno contribuito alla traduzione. Abbiamo lavorato anche con team esterni: Dagobafilms ci ha aiutato molto nella preparazione dei video. E, soprattutto, ci sono stati tutti coloro che ci hanno incoraggiato. Scrivere un libro è sempre un'impresa lunga e complessa, e c'è bisogno dell'aiuto della famiglia, degli amici e dei colleghi per riuscire a riprendersi dalle frustrazioni che ne derivano, per attenersi a quelle che riteniamo essere le giuste scelte editoriali e per assicurarsi che la meta che avevamo fissato sia ancora quella che vogliamo raggiungere.

Nel ringraziare le persone che ci hanno aiutato in questi tre anni, è inevitabile dimenticarne alcune. Speriamo che perdonino la vaghezza della nostra memoria. Detto questo, ecco i nomi di coloro che ringraziamo per aver contribuito in qualche modo a questo lavoro:

Jotsna desidera ringraziare Thomas e Laya per la loro comprensione, il loro sostegno e il loro amore (quasi) costante.

Colin è in debito con la pazienza di Isabelle negli ultimi mesi.

Si può aprire un libro di testo sull'intelligenza artificiale o fare una rapida ricerca su Internet:  le definizioni di IA sono svariate. Non c'è un modo corretto per dire che cos'è l'IA, dove viene utilizzata e che ruolo svolge. Potrebbe essere un complesso sistema autonomo come un robot o un'auto autonoma. Potrebbe essere solo qualche riga di codice all'interno di un altro software, che svolge un ruolo molto limitato.

L'intelligenza artificiale è un insieme di programmi che svolgono una serie di compiti diversi. Dal punto di vista matematico e algoritmico, le linee si confondono: non esiste un'indicazione chiara di dove inizi l'IA e dove si fermino le altre tecnologie.

Inoltre, molti esperti non sono d'accordo con l'uso della parola "intelligenza": l'Intelligenza Artificiale non ha alcuna somiglianza con l'intelligenza umana! Tuttavia, la parola ci dice qualcosa su ciò che questi programmi sono destinati a raggiungere - il filo conduttore che li collega.

In fin dei conti, i sistemi di intelligenza artificiale sono basati sulle macchine. Fanno previsioni, propongono raccomandazioni o supportano le decisioni

• analizzando ambienti reali o virtuali (utilizzando, ad esempio, microfoni o telecamere),
• semplificando i dati e analizzandoli,
• utilizzando l'analisi per prendere una decisione o una previsione¹.

Quando ci si imbatte in un sistema che:

• riconosce quello che avete scritto o quello che state dicendo (software di traduzione, riconoscimento del testo, riconoscimento dei volti, assistenti personali, Chatbot); oppure,
• sembra conoscervi meglio quanto più a lungo lo utilizzate (raccomandazione di video su Youtube, raccomandazione di notizie, raccomandazione di articoli su Amazon, suggerimenti di amici su Facebook, annunci mirati); o,
• è in grado di prevedere un risultato, date informazioni incomplete e in rapida evoluzione (il percorso più veloce per andare da qualche parte, i prezzi delle azioni nel prossimo futuro),

allora con molta probabilità è coinvolta l'intelligenza artificiale.

L'intelligenza artificiale intorno a noi

L'intelligenza artificiale è diventata la tecnologia che dà all'utente il vantaggio necessario per avere successo.

Quasi tutti i settori la utilizzano in una forma o nell'altra:

• Dagli affari alla ricerca, molti campi utilizzano le app linguistiche per trascrivere il parlato al volo e ottenere traduzioni di qualità impressionante.
• La medicina trae vantaggio dall'analisi delle immagini e dagli strumenti di supporto decisionale basati sull'IA².
• In agricoltura, i sistemi basati sull'IA aiutano a ottimizzare l'uso delle risorse disponibili.
• Quasi ogni giorno si ha notizia di qualche scoperta dell'IA nei giochi, nell'arte, nell'industria e nel commercio.

A scuola, la scelta del materiale didattico, l'adattamento ai singoli studenti, la valutazione e la gestione della logistica sono tutte attività "intelligenti". Secondo le definizioni, un software basato sull'IA dovrebbe idealmente essere in grado di aiutare in ognuna di queste attività.

Ecco un video che parla di Alan Turing e Intelligenza Artificiale

Alan Turing è considerato da molti il padre dell'informatica. Molte delle nuove idee sull'IA di oggi sono state introdotte da Alan Turing, prima ancora che venisse inventato il termine "Intelligenza Artificiale"!

¹ The OECD AI Principles, 2019.

² Artificial Intelligence in Healthcare, Wikipedia.

Più avanti in questo libro, daremo un'occhiata agli strumenti di intelligenza artificiale disponibili per l'istruzione. Ma molte delle applicazioni più utili devono ancora entrare in classe. L'industria delle Tecnologie Didattiche, le grandi aziende digitali e i laboratori di ricerca universitari stanno tutti sviluppando strumenti per aiutare l'insegnante a insegnare e lo studente a imparare. Sempre più aziende specializzate nell'IA stanno facendo enormi investimenti nel settore dell'istruzione. Gli strumenti, sia quelli approvati dalle autorità competenti sia quelli non approvati ma disponibili liberamente, sono utilizzati da insegnanti e studenti.

Che siano stati realizzati o meno in funzione dell'istruzione, molti di questi strumenti possono essere utilizzati in classe. La consapevolezza dei loro vantaggi e dei loro potenziali problemi è l'urgenza del momento.

Una delle applicazioni gratuite per la matematica disponibili durante la stesura di questo testo è Photomath. (Per gli insegnanti di lingue, un esempio simile potrebbe essere un'applicazione per l'apprendimento delle lingue come Duolingo o un software di scrittura che utilizza GPT).

Photomath è un risolutore matematico. Partendo da un'equazione matematica la risolve, e non solo. Gli insegnanti hanno dovuto fare i conti con le calcolatrici sia come strumento di insegnamento che come strumento per imbrogliare.

Ciò che rende Photomath più potente è la facilità d'uso: tutto ciò che occorre fare è scattare una foto della lavagna o del quaderno. L'intelligenza artificiale di Photomath analizza la foto e risolve direttamente il problema.

I calcolatori forniscono la risposta: ad esempio, 42. Gli insegnanti possono permettere di controllare il risultato, ma gli studenti dovranno arrivare alla soluzione da soli. Al contrario, i risolutori mostrano più modi per risolvere un problema, fornendo i passaggi risolutivi, anche se questa parte è molto meno impegnativa dal punto di vista tecnico per il programmatore!

Altre applicazioni presenti nelle aule scolastiche di oggi:

• Motori di ricerca
• Controllori ortografici e correttori grammaticali integrati nella maggior parte dei software di scrittura
• Traduttori online
• Applicazioni per l'apprendimento delle lingue
• Risolutori matematici come Photomath, Geogebra e Wolfram
• Assistenti personali
• Chatbot
• Sistemi di tutoraggio intelligenti
• Sistemi di gestione dell'apprendimento basati sull'intelligenza artificiale

L'uso dell'intelligenza artificiale è un imbroglio: Quali sono le reazioni degli insegnanti?

Quali sono le reazioni degli insegnanti all'uso dell'IA da parte degli alunni? Eccone alcune:

• Il sottoutilizzo della tecnologia a causa della paura e dell'ignoranza.
• L'uso indiscriminato che provoca effetti secondari indesiderati.

Ad esempio, si può parlare di pericoli legati all'uso dei telefoni cellulari. Ci sono società che lo evitano del tutto. Tuttavia, la maggior parte di noi lo usa senza abusarne. In molti casi, un uso prudente della tecnologia mobile ha salvato delle vite.

Per evitare il primo estremo nel caso dell'IA, la conoscenza di importanti applicazioni in ambito educativo può essere d'aiuto. Nei prossimi capitoli esamineremo più da vicino ognuna di queste applicazioni. Ecco alcuni esempi:

Strumenti AI per la gestione dell'apprendimento

I cruscotti (dashboard) di intelligenza artificiale, altri strumenti di visualizzazione dei dati e i sistemi di gestione dell'apprendimento (Learning Management Systems) riuniscono tutte le informazioni disponibili. Questi strumenti aiutano a monitorare le prestazioni degli studenti in più materie o a seguire i progressi su qualsiasi argomento in classi di qualsiasi dimensione.

Le applicazioni di intelligenza artificiale possono segnalare potenziali problemi come l'assenteismo e i comportamenti comuni agli abbandoni (drop-out). Tutti i dati così raccolti possono servire all'insegnante come autovalutazione, mostrando dove le lezioni sono efficaci e dove è necessario cambiare approccio.

L'intelligenza artificiale è adatta a compiti di programmazione e ottimizzazione delle risorse. Ma la più importante di tutte le applicazioni è la possibilità di includere e integrare le persone diversamente abili. L'interfaccia uomo-macchina non è mai stata così fluida come ora, rendendo possibili input e output multimediali. Ad esempio, l'applicazione Storysign aiuta a tradurre le parole nel linguaggio dei segni per aiutare i bambini sordi a imparare a leggere.

Strumenti AI per la personalizzazione dell'apprendimento

• I sistemi di apprendimento adattivi  valutano l'allievo, sia attraverso quiz che attraverso feedback in tempo reale. Sulla base di questa valutazione, presentano allo studente un percorso di apprendimento predefinito. Invece di un approccio unico, gli studenti possono dedicare più o meno tempo a ciascun argomento, esplorandone di nuovi e correlati. Questi software adattivi possono aiutare gli studenti a imparare a leggere, scrivere, pronunciare e risolvere problemi.
• I sistemi di apprendimento adattivi possono anche aiutare gli studenti con esigenze speciali. Qualsiasi specializzazione dei sistemi si baserà su teorie comprovate e sul parere di esperti. I sistemi mirati "saranno probabilmente di grande aiuto nell'insegnamento a persone con disabilità cognitive come la sindrome di Down, lesioni cerebrali traumatiche o demenza, nonché per condizioni cognitive meno gravi come la dislessia, il disturbo da deficit di attenzione e la discalculia "¹.
• È possibile formare gruppi diversi per attività diverse, tenendo conto dei punti di forza e di debolezza individuali di ciascun membro, utilizzando il clustering.

Sebbene tutte queste tecnologie possano essere utili, "il diavolo sta nei dettagli di come si usa effettivamente la tecnologia"². La stessa tecnologia innovativa e potente per l'apprendimento può essere usata efficacemente in una scuola e molto male in un'altra².

Ancora una volta, la chiave è la conoscenza!

¹ Alkhatlan, A., Kalita, J.K., Intelligent Tutoring Systems: A Comprehensive Historical Survey with Recent Developments, International Journal of Computer Applications 181(43):1-20, March 2019.

² Groff, J., Personalized Learning: The state of the field and future directions, Center for curriculum redesign, 2017.

Ad esempio, un'applicazione sviluppata utilizzando una serie di dati per un determinato scopo non funzionerà altrettanto bene su altri dati per un altro scopo. È utile conoscere i limiti dell'Intelligenza Artificiale e correggerli: è bene non limitarsi all'IA, ma imparare a conoscerne i vantaggi e i limiti.

Perpetuazione degli stereotipi

Google translate impara a tradurre da Internet. I suoi "data miner" esplorano il web pubblico alla ricerca di dati da cui imparare. Oltre al linguaggio, l'intelligenza artificiale impara che il numero di meccanici maschi è superiore a quello delle donne. Che il numero di infermiere donne eclissa quello degli infermieri uomini. Non è in grado di distinguere tra ciò che è "vero" e ciò che è il risultato di stereotipi e altri pregiudizi. Così, Google Translate finisce per propagare ciò che apprende, cementando ulteriormente gli stereotipi¹:

I problemi si manifestano nell'IA ogni volta che un singolo caso si discosta da quello della maggioranza (sia che questa rappresenti fedelmente la maggioranza nel mondo reale, sia che si tratti solo della maggioranza rappresentata da Internet). Nelle classi, l'insegnante deve compensare le lacune del sistema. E, se necessario, indirizzare l'attenzione degli studenti verso un testo alternativo.

Misure di precisione multiple

I sistemi di intelligenza artificiale fanno previsioni: se ha capito un argomento, su ciò che uno studente dovrebbe studiare in seguito, su quale divisione del gruppo è buona per una classe o quando uno studente è a rischio di abbandono.  Spesso queste previsioni sono accompagnate da una percentuale. Questo numero ci dice quanto il sistema ritiene buone le sue previsioni.

Per sua natura, le previsioni possono essere errate. In molte applicazioni, questo errore è accettabile. In alcuni casi, invece, non lo è. Inoltre, il modo in cui questo errore viene calcolato non è fisso. Esistono diverse misure e il programmatore sceglie quella che ritiene più rilevante. Spesso l'accuratezza cambia in base all'input stesso.

Poiché in classe questi sistemi fanno previsioni sui bambini, spetta all'insegnante giudicare ciò che è accettabile e agire quando una decisione presa dall'IA non è appropriata. Per fare questo, è necessario un po' di background sulle tecniche di IA e sugli errori più comuni ad esse associati.

¹ Barocas, S.,  Hardt, M., Narayanan, A., Fairness and machine learning Limitations and Opportunities, 2022.

Tutte le aziende utilizzano i dati per migliorare i propri bilanci. Usano i dati per decidere cosa vendere, a chi venderlo, quale prezzo fissare e come adattare le loro pubblicità. Sono gli algoritmi di apprendimento automatico a dare un senso ai dati. Pertanto, chi ha i dati migliori e l'algoritmo migliore, vince: i dati sono il nuovo oro e il nuovo tallone d'Achille.

L'intelligenza artificiale e il business dell'istruzione

La creazione di strumenti e voi

¹ Groff, J., Personalized Learning: The state of the field and future directions, Center for curriculum redesign, 2017.

² Du Boulay, B., Poulovasillis, A., Holmes, W., and Mavrikis, M., Artificial Intelligence And Big Data Technologies To Close The Achievement Gap, 2018

Scegliete un motore di ricerca dall'elenco sottostante da utilizzare questa settimana:

[caption id="attachment_123" align="alignright" width="200"] "duckduckgo [Www.Etoile.App]" by eXploration Etoile is marked with Public domain mark 1.0. To view the terms, visit https://creativecommons.org/publicdomain/mark/1.0/?ref=openverse.[/caption]

Bing                 OneSearch Brave               Qwant DuckDuckGo   Spotlight Ecosia              Startpage Google             Swisscows MetaGer           Yahoo!

1. I risultati della ricerca sono buoni come quelli di altri motori a cui siete abituati?
2. Quali sono le fonti del motore di ricerca? Dipende da altri motori di ricerca per i suoi risultati?
3. Leggete le pagine "Chi siamo" e "Informativa sulla privacy" o "Condizioni d'uso".
4. Secondo queste pagine, cosa fa l'azienda con i vostri dati? È possibile modificare le impostazioni predefinite sulla privacy?

Una volta fatto, date un'occhiata qui per una breve descrizione di ciascun motore.

Un motore di ricerca è l'intelligenza artificiale in tasca. È l'uso più sofisticato dell'intelligenza artificiale che la maggior parte di noi utilizza regolarmente. Il successo dei motori di ricerca è dovuto:

• all'esplosione di contenuti sul world wide web,
• alla capacità di un motore di ricerca di dare un senso a questi contenuti e di etichettarli per ricerche future (indicizzazione),
• alla sua capacità di comprendere* ciò che state chiedendo¹ e infine,
• alla capacità di mostrare per primi i contenuti più rilevanti (Ranking).

Gli algoritmi di intelligenza artificiale contribuiscono agli ultimi tre fattori.

I motori di ricerca - o, come li chiama qualcuno, i Motori di Conoscenza - sono riusciti a creare l'illusione che tutto il mondo sia sul web e che tutto il web sia ricercabile². Non c'è bisogno di dire che questa conoscenza pronta per l'uso, il sapere e il modo di estendere la memoria stanno trasformando l'apprendimento.

I motori di ricerca come strumenti di apprendimento e insegnamento

Ci sono almeno tre modi in cui i motori di ricerca possono aiutare gli insegnanti e gli studenti:

• Facilitare il reperimento e la verifica delle informazioni da utilizzare nelle lezioni e nei test. In questo contesto, il significato di informazione ha subito un grande cambiamento nell'ultimo decennio. Oltre ai testi, anche audio, video, animazioni e persino pezzi di codice sono ora facilmente accessibili, così come i forum di ricerca e gli archivi digitali.
• Alleggerire la necessità che l'insegnante sia l'unica fonte di conoscenza. Gli insegnanti sono ora liberi di utilizzare il loro tempo per aiutare ad affinare le competenze, stimolare la ricerca e risolvere conflitti e dubbi, se lo desiderano.
• Consentire agli studenti di svolgere un apprendimento esplorativo e basato su progetti aprendo l'accesso alle informazioni. Gli studenti possono accedere alle informazioni, metterle in sequenza e ricavarne il proprio significato. Questo porta a un apprendimento che dura nel tempo e che può essere trasferito alle situazioni della vita reale³.

Tuttavia, l'apprendimento esplorativo o qualsiasi altro tipo di apprendimento guidato dagli studenti non è facile da realizzare. Gli studenti hanno bisogno di aiuto e di sostegno per una serie di abilità legate alla ricerca e alla raccolta delle proprie fonti di informazione³.

Cosa chiedere e come chiederlo

Diversi studi, sia in Europa che all'estero, dimostrano che gli studenti hanno difficoltà a effettuare ricerche sul web in modo efficiente ed efficace³. Spesso si sentono frustrati quando la loro ricerca non porta a nulla o non sanno come valutare la pertinenza dei risultati della ricerca⁴. I bambini più piccoli sembrano avere quattro difficoltà distinte nella ricerca di informazioni al computer: la creazione di query di ricerca, la selezione di un sito web appropriato da un elenco di ricerca, l'ortografia corretta dei termini di ricerca e la comprensione del linguaggio utilizzato nei risultati della ricerca⁵.

Conoscere alcune tecniche di ricerca aiuterà molto voi e i vostri studenti a utilizzare questa incredibile risorsa.

Oltre a praticare buone tecniche di ricerca, vale sempre la pena di scorrere i risultati della ricerca e di controllare le pagine oltre la prima. I motori di ricerca differiscono nel classificare i risultati. I primi risultati potrebbero non essere basati solo sulla query di ricerca e sull'attività dell'utente. E non tutti sanno come scrivere pagine web ottimizzate per apparire nei primi risultati.

Per concludere la nostra discussione, vi invitiamo a dare un'occhiata alle impostazioni di ricerca, qualunque sia il motore di ricerca che preferite. Esse consentono, tra l'altro, di regolare il modo in cui vengono mostrati i risultati della ricerca e di impostare controlli adatti ai bambini.

Ricerca a coppie

Anche dopo aver appreso le tecniche di ottimizzazione, gli studenti possono avere problemi nel coniare termini di ricerca efficaci e nell'analizzare i risultati. È stato dimostrato che la ricerca in coppia o in gruppi di tre può essere utile. Discutere ogni fase di un esercizio può aiutare gli studenti a trovare strategie di ricerca migliori, a correggere i risultati e a valutare cosa fare con le informazioni ottenute. Le coppie possono anche essere più brave a localizzare e valutare le informazioni all'interno dei siti rispetto ai singoli individui⁴.

* comprendere, capire, intelligente e altri termini sono utilizzati in questo testo per descrivere l'azione delle macchine. È importante tenere presente che le applicazioni basate su macchine non possono dare un senso o comprendere qualcosa nello stesso modo in cui lo fanno gli esseri umani.

¹ Russell, D., What Do You Need to Know to Use a Search Engine? Why We Still Need to Teach Research Skills, AI Magazine, 36(4), 2015

² Hillis, K., Petit, M., Jarrett, K., Google and the culture of search, Routledge, 2013.

³ Marion Walton, M., Archer, A., The Web and information literacy: scaffolding the use of web sources in a project-based curriculum, British Journal of Educational Technology, Vol 35 No 2, 2004.

⁴ Lazonder, A., Do two heads search better than one? Effects of student collaboration on web search behaviour and search outcomes, British Journal of Educational Technology, Vol 36 Issue 3, 2005.

⁵ Vanderschantz, N., Hinze, A., Cunningham, S., “Sometimes the internet reads the question wrong”: Children's search strategies & difficulties, Proceedings of the American Society for Information Science and Technology, Vol 51, Issue 1, 2014.

Ci hanno insegnato ad avere fiducia nei libri. Gli editori, i bibliotecari, i professori e gli specialisti della materia agiscono come guardiani delle risorse stampate. Si assicurano che la risorsa sia autentica e di buona qualità. Come trovare, e assicurarsi che gli studenti trovino, fonti appropriate quando si tratta del web^1,2?

È stato dimostrato che anche il materiale stampato da buone fonti è pieno di errori e pregiudizi. Forse coltivare la cultura della valutazione critica porterebbe benefici che vanno oltre la scelta di buone fonti online².

Archivi digitali

Un buon modo per garantire l'autenticità dei contenuti è quello di utilizzare collezioni digitali provenienti da fonti conosciute e affidabili. Queste possono variare da risorse di livello scolastico a risorse globali. Negli ultimi due decenni, il numero di biblioteche digitali è aumentato notevolmente, consentendo agli educatori di utilizzare serie di dati, mappe e immagini e altri documenti³.

Per trovare informazioni, si può usare la ricerca all'interno del sito web corrispondente o usare site: keyword in un motore di ricerca.

• dataset pubblici dove i governi, le istituzioni pubbliche e le grandi aziende mettono a disposizione del pubblico i dati raccolti. Si tratta di tutte le informazioni pubbliche raccolte da studi, indagini e censimenti⁴.
• articoli di ricerca, dove milioni di documenti e libri, sia ad accesso libero che a pagamento, sono indicizzati e pronti per la ricerca.

Oltre a questi, i corsi aperti delle università, Khan Academy e le enciclopedie online sono tutte fonti di informazione molto diffuse.

Contenuto volatile

I motori di ricerca testano costantemente nuovi algoritmi. La ricerca da dispositivi mobili (smartphone, tablet) si differenzia da quella da desktop perché tende a privilegiare i risultati legati alla posizione attuale⁴. Ogni giorno vengono indicizzati nuovi contenuti e i vecchi contenuti vengono indicizzati in modo diverso. I nuovi dati vengono creati da quelli vecchi analizzando nuovamente i contenuti.¹ Cambiano i diritti d'autore e le licenze. Le leggi sui dati cambiano sia nel tempo che da luogo a luogo. Ad esempio, i motori di ricerca continuano a elencare contenuti il cui indice è stato rimosso all'interno dell'Unione Europea a causa del GDPR. Anche le mappe cambiano a seconda del luogo di accesso. La lingua e il suo utilizzo cambiano. Sia l'uso delle categorie mediche che la loro interpretazione variano da Paese a Paese¹.

Senza dimenticare che i risultati della ricerca sono classificati in base alla cronologia delle attività degli utenti, alle loro informazioni personali e alle impostazioni sulla privacy. Pertanto, tutti noi abbiamo accesso a contenuti diversi e potremmo anche non essere in grado di trovare lo stesso contenuto due volte. Tutte queste differenze devono essere prese in considerazione durante l'impostazione e la classificazione delle attività didattiche.

Altre sfide

I motori di ricerca apportano anche altri cambiamenti. La conoscenza è facilmente disponibile. Non dobbiamo più conoscere i fatti. Cerchiamo invece di ricordare dove e come trovarli¹. I programmatori tagliano e incollano frammenti di codice. Gli ingegneri eseguono simulazioni. Esistono forum sia per le domande sui compiti che per le lamentele degli insegnanti. L'abilità sta diventando più importante della conoscenza e della memoria. Anche i nostri punti di vista sull'etica e la morale cambiano - Come spiegare il plagio alla generazione copia-incolla?

¹ Russell, D., What Do You Need to Know to Use a Search Engine? Why We Still Need to Teach Research Skills, AI Magazine, 36(4), 2015.

² Marion Walton, M., Archer, A., The Web and information literacy: scaffolding the use of web sources in a project-based curriculum, British Journal of Educational Technology, Vol 35 No 2, 2004.

³ Land, S., Hannafin, M. J., & Oliver, K. Student-Centered Learning Environments: Foundations, Assumptions and Design. In Jonassen, D. H. & Land, S. (Ed.), Theoretical foundations of learning environments (pp. 3–26), Routledge, 2012.

⁴ Spencer, Stephan. Google Power Search: The Essential Guide to Finding Anything Online With Google, Koshkonong. Kindle Edition.

I linguaggi di programmazione sono linguaggi che un computer può seguire ed eseguire. Fanno da ponte tra ciò che capiamo e ciò che può fare una macchina - in definitiva, interruttori che si accendono e si spengono. Per un computer immagini, video, istruzioni sono tutti degli 1 (interruttore acceso) e degli 0 (interruttore spento).

Quando viene scritto in un linguaggio di programmazione, un algoritmo diventa un programma. Le applicazioni sono programmi scritti per un utente finale.

I programmi convenzionali ricevono i dati e seguono le istruzioni per fornire un risultato. Molti dei primi programmi di intelligenza artificiale erano convenzionali. Poiché le istruzioni non possono adattarsi ai dati, questi programmi non erano molto bravi in cose come la previsione basata su informazioni incomplete e l'elaborazione del linguaggio naturale (NLP).

Un motore di ricerca è alimentato sia da fonti convenzionali che da algoritmi di apprendimento automatico. A differenza dei programmi convenzionali, gli algoritmi di apprendimento automatico analizzano i dati alla ricerca di modelli e utilizzano questi modelli o regole per prendere decisioni o previsioni future. In altre parole, basandosi sui dati - esempi buoni e cattivi - trovano la loro ricetta.

Questi algoritmi sono adatti a situazioni molto complesse e caratterizzati da dati mancanti. Possono anche monitorare le loro prestazioni e utilizzare questo feedback per migliorare con l'uso.

Questo approccio non è molto diverso da quello usato dagli esseri umani, in particolare dai bambini, che apprendono abilità al di fuori del sistema educativo convenzionale. I bambini osservano, ripetono, imparano, verificano il loro apprendimento e migliorano. Se necessario, improvvisano.

Ma la somiglianza tra macchine e umani è molto superficiale. L'"apprendimento" dal punto di vista umano è molto diverso e molto più sfumato e complesso dell'"apprendimento" per la macchina.

Un problema di classificazione

Un compito comune che un'applicazione di apprendimento automatico adotta per il suo funzionamento è la classificazione: questa è la foto di un cane o di un gatto? Questo studente è in difficoltà o ha superato l'esame? Esistono due o più gruppi. L'applicazione deve classificare i nuovi dati in uno di questi gruppi.

Prendiamo l'esempio di un mazzo di carte da gioco diviso in due pile - Gruppo A e Gruppo B, secondo un certo schema. Dobbiamo classificare una nuova carta, l'asso di quadri, come appartenente al Gruppo A o al Gruppo B.

Per prima cosa, dobbiamo capire come vengono suddivisi i gruppi: abbiamo bisogno di esempi. Pesciamo quattro carte dal gruppo A e quattro dal gruppo B. Questi 8 casi di esempio formano il nostro insieme di addestramento - dati che ci aiutano a vedere il modello - "allenandoci" a vedere il risultato.

Non appena ci viene mostrata la disposizione a destra, la maggior parte di noi indovina che l'Asso di quadri appartiene al gruppo B. Non abbiamo bisogno di istruzioni, il cervello umano è un prodigio nel trovare schemi. Come farebbe una macchina a farlo?

Gli algoritmi di apprendimento automatico (machine learning - ML) si basano su potenti teorie statistiche. I diversi algoritmi si basano su equazioni matematiche diverse che devono essere scelte con attenzione per adattarsi al compito da svolgere. È compito del programmatore scegliere i dati, analizzare quali caratteristiche dei dati sono rilevanti per il problema specifico e scegliere l'algoritmo di apprendimento automatico corretto.

L'importanza dei dati

L'estrazione della carta qui sopra potrebbe essere andata male in diversi modi. Fate riferimento all'immagine. 1 ha troppe poche carte, non è possibile indovinare. Il 2 ha più carte, ma tutte dello stesso seme: non c'è modo di sapere dove andrebbero i diamanti. Se i gruppi non sono della stessa dimensione, il 3 potrebbe benissimo significare che le carte numero sono nel gruppo A e le carte immagine nel gruppo B.

Di solito i problemi di apprendimento automatico sono più aperti e coinvolgono insiemi di dati molto più grandi di un mazzo di carte. Gli insiemi di addestramento devono essere scelti con l'aiuto dell'analisi statistica, altrimenti gli errori si insinuano. Una buona selezione dei dati è fondamentale per una buona applicazione di ML, più di altri tipi di programmi. L'apprendimento automatico ha bisogno di un gran numero di dati rilevanti. Come minimo assoluto, un modello di apprendimento automatico di base dovrebbe contenere un numero di punti dati dieci volte superiore al numero totale di caratteristiche¹. Detto questo, il ML è anche particolarmente adatto a gestire dati rumorosi, disordinati e contraddittori.

Estrazione delle caratteristiche

Quando sono stati mostrati gli esempi del Gruppo A e del Gruppo B, la prima cosa che avete notato potrebbe essere il colore delle carte. Poi il numero o la lettera e il seme. Per un algoritmo tutte queste caratteristiche devono essere inserite in modo specifico. Non può sapere automaticamente cosa è importante per il problema.

Nel selezionare le caratteristiche di interesse, i programmatori devono porsi molte domande. Quante funzioni sono troppo poche per essere utili? Quante caratteristiche sono troppe? Quali caratteristiche sono rilevanti per il compito? Qual è la relazione tra le caratteristiche scelte - una caratteristica dipende dall'altra? Con le caratteristiche scelte, è possibile che l'output sia accurato?

Il processo

Quando il programmatore crea l'applicazione, prende i dati, ne estrae le caratteristiche, sceglie un algoritmo di apprendimento automatico appropriato (funzione matematica che definisce il processo) e lo addestra utilizzando dati etichettati (nel caso in cui l'output sia noto, come il gruppo A o il gruppo B) in modo che la macchina capisca il modello alla base del problema.

Per una macchina la comprensione assume la forma di un insieme di numeri - i pesi - che essa assegna a ciascuna caratteristica. Con l'assegnazione corretta dei pesi, la macchina può calcolare la probabilità che una nuova tessera appartenga al gruppo A o al gruppo B. In genere, durante la fase di addestramento, il programmatore aiuta la macchina modificando manualmente alcuni valori: questa operazione si chiama ottimizzazione dell'applicazione.

Una volta fatto questo, il programma deve essere testato prima di essere utilizzato. A tale scopo, al programma vengono forniti i dati etichettati che non sono stati utilizzati per l'addestramento. Questi dati sono chiamati dati di prova. A questo punto si valutano le prestazioni della macchina nel predire l'output. Una volta stabilito che le prestazioni sono soddisfacenti, il programma può essere messo in uso: è pronto a prendere nuovi dati e a fare una decisione o una previsione su di essi.

Un modello può funzionare in modo diverso sui set di dati di allenamento e di test? In che modo il numero di caratteristiche influisce sulle prestazioni in entrambi i casi? Guardate questo video per scoprirlo.

Le prestazioni in tempo reale vengono poi continuamente monitorate e migliorate (i pesi delle caratteristiche vengono aggiustati per ottenere risultati migliori). Spesso, le prestazioni in tempo reale danno risultati diversi rispetto a quando l'algoritmo di apprendimento automatico viene testato con dati già disponibili. Poiché sperimentare con utenti reali è costoso, richiede un elevato sforzo e spesso è rischioso, gli algoritmi vengono sempre testati utilizzando dati storici degli utenti, che potrebbero non essere in grado di valutare l'impatto sul comportamento degli utenti¹. Per questo motivo è importante effettuare una valutazione completa delle applicazioni di apprendimento automatico una volta in uso:

Avete voglia di mettere mano all'apprendimento automatico? Provate questa attività.

¹ Theobald, O. Machine Learning For Absolute Beginners: A Plain English Introduction (Second Edition) (Machine Learning From Scratch Book 1) (p. 24). Scatterplot Press. Kindle Edition.

² Konstan, J., Terveen, L., Human-centered recommender systems: Origins, advances, challenges, and opportunities, AI Magazine, 42(3), 31-42, 2021.

Fase 1: i web crawler trovano e scaricano i documenti.

Dopo che un utente ha inserito una query di ricerca, è troppo tardi per andare a cercare tutti i contenuti disponibili in Internet¹. I documenti web sono previamente visionati e il loro contenuto viene frazionato e archiviato in slot diversi. Quando la query è disponibile, tutto ciò che bisogna fare è combinare il contenuto della query con quello degli slot.

Fase 2: il documento viene scomposto in molteplici parti

Il documento scaricato dal crawler potrebbe essere una pagina web chiaramente strutturata con la propria descrizione del contenuto, l’indicazione dell’autore, della data ecc. Può anche essere un’immagine digitalizzata malamente di un vecchio libro custodito in una biblioteca. Di norma i motori di ricerca sono in grado di leggere un centinaio di tipi diversi di documenti¹. Li convertono in formato html o xml e li archiviano in tabelle (denominate BigTable nel caso di Google).

Una tabella è costituita da sezioni più piccole denominate tablet, ogni riga di un tablet è dedicata a una pagina web.

Queste righe sono disposte secondo un ordine registrato insieme a un registro per gli aggiornamenti. Ogni colonna riporta delle informazioni specifiche collegate alla pagina web che possono essere di aiuto nel combinare il contenuto del documento ai contenuti di query future. Le colonne riportano:

• l’indirizzo del sito web che potrebbe, di per sé, fornire una buona descrizione dei contenuti della pagina, se la home page contiene contenuti rappresentativi, o il collegamento a una pagina laterale con contenuto inerente.
• Titoli, intestazioni e parole in grassetto che descrivono contenuti importanti.
• Metadati della pagina. Si tratta di informazioni inerenti alla pagina che non costituiscono parte del contenuto principale, come il tipo del documento (per es. e-mail o pagina web), la struttura e le caratteristiche del documento, come la sua lunghezza, le parole chiave, i nomi degli autori e la data di pubblicazione.
• La descrizione di link da altre pagine a questa pagina, che fornisce una formulazione testuale succinta dei diversi aspetti del contenuto della pagina. Più sono i link, più sono le descrizioni e le colonne utilizzate. La presenza di link viene utilizzata anche a fini di ranking, per stabilire quanto sia visualizzata una pagina web (date un’occhiata al  PageRank di Google, un sistema di classificazione che utilizza i link a e da una pagina per valutare qualità e popolarità).
• I nomi di persone, società, organizzazioni, di località, gli indirizzi, indicazioni di date e orari, quantità e valori monetari ecc.. Gli algoritmi di apprendimento automatico possono essere addestrati al reperimento di questi elementi in qualsiasi contenuto utilizzando dei dati di addestramento inseriti da un essere umano¹.

Una colonna della tabella, forse la più importante, presenta il contenuto principale del documento, che deve essere identificato tra tutti i link e gli annunci pubblicitari esterni. Una tecnica utilizza un modello di apprendimento automatico per “apprendere” quale sia il contenuto principale di una pagina web.

Possiamo naturalmente combinare delle parole esatte tratte dalla query con le parole contenute in un documento web, come faremmo con il pulsante Find (Trova) di un programma di videoscrittura. Ma non è una soluzione molto efficace in quanto le persone usano parole diverse per definire il medesimo oggetto. Registrare semplicemente i termini separati non aiuterà a catturare il modo in cui essi si combinano tra loro per creare significato: in definitiva è il pensiero dietro le parole che ci aiuta a comunicare e non le parole di per sé stesse. Pertanto, tutti i motori di ricerca trasformano il testo in un modo che renda più semplice combinarlo con il significato del testo della query. Successivamente, la query viene elaborata in modo analogo.

In quanto segmenti di parole, il numero totale di token diversi che devono essere archiviati si riduce. I modelli attuali archiviano da trentamila a cinquantamila token². Delle parole scritte in modo scorretto possono essere individuate in quanto parti di esse continuano a corrispondere ai token archiviati. Delle parole sconosciute possono emergere dai risultati delle ricerche, dal momento che parti di esse potrebbero corrispondere con i token archiviati.

Nel nostro caso, il set di addestramento per l’apprendimento automatico è costituito da testi esemplificativi. Iniziando da singoli caratteri, spazi e segni di interpunzione, il modello fonde caratteri che si presentano frequentemente per formare nuovi token. Se il numero di token non è sufficientemente elevato, il processo di fusione continua in modo da coprire parti di parole più grandi o meno frequenti. In questo modo si riescono a coprire la maggior parte delle parole, delle terminazioni delle parole e tutti i prefissi. Quindi, fornito un nuovo testo, la macchina lo può suddividere facilmente in token e archiviare.

Fase 3: si crea un indice per farvi agevolmente riferimento

Oggi, molti motori di ricerca utilizzano una combinazione di modelli di indicizzazione tradizionali e linguistici generati da reti neurali profonde. I secondi codificano dettagli semantici del testo e consentono una miglior comprensione delle query³.

Aiutano i motori di ricerca a superare la query al fine di catturare le informazioni necessarie alla base della creazione della query.

Queste tre fasi forniscono un resoconto semplificato di ciò che viene definito “indicizzazione”, ossia reperire, preparare e archiviare documenti creando un indice. Il passaggio successivo sono le fasi del “ranking” consistenti nel combinare query e contenuto e nel mostrare i risultati in base alla pertinenza.

¹ Croft, B., Metzler D., Strohman, T., Search Engines, Information Retrieval in Practice, 2015

² Sennrich,R., Haddow, B., and Birch, A., Neural Machine Translation of Rare Words with Subword Units, In Proceedings of the 54th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), pages 1715–1725, Berlin, Germany. Association for Computational Linguistics, 2016.

³ Metzler, D., Tay, Y., Bahri, D., Najork, M., Rethinking Search: Making Domain Experts out of Dilettantes, SIGIR Forum 55, 1, Article 13, June 2021.

Fase 4: I termini della query vengono abbinati ai termini dell'indice

Una volta che l'utente digita la query e clicca su cerca, la query viene elaborata. I token vengono creati con lo stesso processo del testo del documento. Poi la query può essere ampliata aggiungendo altre parole chiave. Questo per evitare il caso in cui i documenti rilevanti non vengano trovati perché la query utilizza parole leggermente diverse da quelle degli autori dei contenuti web. Questo viene fatto anche per cogliere le differenze nell'uso e nella consuetudine. Ad esempio, l'uso di parole come Presidente, Primo Ministro e Cancelliere può essere cambiato a seconda del Paese¹.

La maggior parte dei motori di ricerca tiene traccia delle ricerche effettuate dagli utenti (Guardate la descrizione di alcuni motori di ricerca popolari). Le query vengono registrate insieme ai dati dell'utente per personalizzare i contenuti e servire pubblicità. Oppure, i dati di tutti gli utenti vengono messi insieme per capire come e dove migliorare le prestazioni dei motori di ricerca.

I log degli utenti contengono le query precedenti, la pagina dei risultati e le informazioni su ciò che ha funzionato - cosa ha cliccato l'utente e cosa ha speso tempo a leggere. Grazie ai log degli utenti, ogni query può essere abbinata a documenti rilevanti (l'utente clicca, legge e chiude la sessione) e a documenti non rilevanti (l'utente non ha cliccato o non ha letto o ha cercato di riformulare la query)².

Con questi log, ogni nuova query può essere abbinata a una query passata simile. Un modo per capire se una query è simile a un'altra è vedere se la classificazione produce gli stessi documenti: le query simili possono non contenere sempre le stesse parole, ma è probabile che i risultati siano identici².

Gli errori ortografici possono essere corretti utilizzando query simili. È possibile aggiungere nuove parole chiave e sinonimi per ampliare la query. A tale scopo, è necessario esaminare altre parole che ricorrono frequentemente nei documenti rilevanti del passato.  In generale, tuttavia, le parole che ricorrono più frequentemente nei documenti rilevanti rispetto a quelli non rilevanti vengono aggiunte alla query o ricevono un peso aggiuntivo².

Fase 5: classificazione dei documenti rilevanti

Ogni documento viene valutato per la sua rilevanza e classificato in base a questo punteggio. Per rilevanza si intende sia la rilevanza dell'argomento, ossia la corrispondenza tra i termini dell'indice di un documento e quelli della query, sia la rilevanza dell'utente, ossia la corrispondenza tra il documento e le preferenze dell'utente. Una parte del punteggio dei documenti può essere effettuata durante l'indicizzazione. La velocità del motore di ricerca dipende dalla qualità degli indici. La sua efficacia si basa sulla corrispondenza tra la query e il documento e sul sistema di classificazione².

L'apprendimento automatico viene utilizzato per imparare il ranking sulla base del feedback implicito dell'utente nei log (ciò che ha funzionato nelle query precedenti). L'apprendimento automatico è stato utilizzato anche per sviluppare modelli sofisticati di come gli esseri umani utilizzano il linguaggio per decifrare le query^1,2.

I progressi nella ricerca sul Web sono stati fenomenali nell'ultimo decennio. Tuttavia, quando si tratta di comprendere il contesto di una specifica query, non è possibile sostituire l'utente nel fornire una query migliore. In genere, le query migliori derivano dall'esame dei risultati da parte degli utenti e dalla riformulazione della query².

Fase 6: Visualizzazione dei risultati

Infine, i risultati sono pronti per essere visualizzati. Il titolo e l'url della pagina sono visualizzati, con i termini di ricerca in grassetto. Dopo ogni link viene generato e visualizzato un breve sommario. Il sommario evidenzia i passaggi importanti del documento. A tale scopo, vengono utilizzate frasi tratte dai titoli, dalla descrizione dei metadati o dal testo che corrisponde meglio alla query. Se tutti i termini della query sono presenti nel titolo, non vengono ripetuti nello snippet². Le frasi vengono selezionate anche in base alla loro leggibilità.

Ai risultati viene aggiunta una pubblicità appropriata. La pubblicità è il modo in cui la maggior parte dei motori di ricerca genera entrate. In alcuni motori di ricerca sono chiaramente indicati come contenuti sponsorizzati, mentre in altri non lo sono. Poiché molti utenti guardano solo i primi risultati, gli annunci cambiano sostanzialmente l'intero processo.

Gli annunci vengono scelti in base al contesto della richiesta e al modello dell'utente. Le aziende produttrici di motori di ricerca mantengono un database di annunci pubblicitari che viene consultato per trovare gli annunci più rilevanti per una determinata query. Gli inserzionisti fanno offerte per parole chiave che descrivono argomenti associati ai loro prodotti. Sia l'importo dell'offerta che la popolarità di un annuncio sono fattori significativi nel processo di selezione².

Per le domande sui fatti, alcuni motori utilizzano la propria raccolta di fatti. La Knowledge Vault di Google contiene oltre un miliardo di fatti indicizzati da diverse fonti³. I risultati vengono raggruppati da algoritmi di apprendimento automatico in gruppi appropriati. Infine, all'utente vengono presentate anche delle alternative alla query, per vedere se si adattano meglio alle sue reali esigenze.

Alcuni riferimenti:

L'origine di Google si trova nell'articolo orginiale di Brin and Paige Alcuni dei calcoli che stanno alla base del Pagerank si trovano su Wiki's PageRank Per gli amanti della matematica, una bella spiegazione del Pagerank

¹ Russell, D., What Do You Need to Know to Use a Search Engine? Why We Still Need to Teach Research Skills, AI Magazine, 36(4), 2015.

² Croft, B., Metzler D., Strohman, T., Search Engines, Information Retrieval in Practice, 2015.

³ Spencer, S., Google Power Search: The Essential Guide to Finding Anything Online With Google, Koshkonong, Kindle Edition.

Dati e privacy

La maggior parte dei siti web, dei motori di ricerca e dei client di posta raccolgono informazioni sugli utenti. La maggior parte di questi dati è legata all'identità dell'utente attraverso gli indirizzi IP. Questi dati vengono poi utilizzati per servire pubblicità mirate e contenuti personalizzati, migliorare i servizi forniti e fare ricerche di mercato. Tuttavia, i motori di ricerca non sempre rivelano tutte le informazioni che raccolgono e tutto ciò che fanno con tali informazioni una volta raccolte¹. O anche dove raccolgono queste informazioni. Ad esempio, alcuni studi dimostrano che Google è in grado di tracciare gli utenti su quasi l'80% dei siti web².

Le informazioni che i motori di ricerca possono visualizzare quando qualcuno cerca un utente includono:

• Informazioni aggiunte da loro stessi in qualche sito web,
• informazioni aggiunte da altri con il loro pieno consenso,
• Informazioni raccolte in un altro contesto e poi pubblicate sul web - da forum, organizzatori di eventi, amici e altri.

Le informazioni raccolte ed elaborate quando si utilizzano i motori di ricerca includono:

• Ogni ricerca: l'argomento cercato, la data e l'ora della richiesta di ricerca^1,3,4.
• Dati sull'attività in app come e-mail, calendario e mappe, raccolti da motori di ricerca come Google e Microsoft^3,4.
• Dati acquistati da alcuni motori di ricerca da terze parti^3,4.
• Dati acquistati da motori di ricerca e siti web che vengono messi insieme e collegati all'utente da terze parti².
• Inferenze tratte dai dati raccolti.
• Inferenze tratte dalle impostazioni personali. Ad esempio, "per dedurre che un utente che ha forti impostazioni di privacy possa avere determinati tratti psicologici o che possa avere "qualcosa da nascondere"⁵.
• Profili dell'utente o modelli che i motori di ricerca creano sulla base di queste informazioni. Questi modelli si basano su dati online e forniscono solo una visione limitata della persona. Le decisioni basate su di essi, se utilizzate in altri contesti, non saranno corrette.

Inoltre, i dati raccolti su un utente che ha dato il proprio consenso possono essere utilizzati per trarre inferenze su un altro utente che non ha dato il proprio consenso, ma che il motore di ricerca ritiene abbia un profilo simile.

Tutti questi dati, sia grezzi che elaborati, sollevano problemi di privacy e sicurezza. I provider di ricerca, i governi e gli utenti possono adottare alcune misure per prevenire le violazioni della privacy:

• L'archiviazione dei dati può essere effettuata in modo da scoraggiare fughe e furti. Ad esempio, archiviando i dati degli utenti in database separati e decentralizzati⁵.
• I dati sono criptati o resi anonimi.
• L'apprendimento automatico può essere utilizzato per rilevare e classificare automaticamente i tracker. Questo può essere utilizzato per migliorare gli strumenti per la privacy dei browser².
• Politiche e leggi come il GDPR possono introdurre linee guida e sanzioni esplicite per regolare la raccolta, l'uso e la conservazione dei dati¹.
• Le raccomandazioni incentrate sull'utente vengono formulate e rese pubbliche in modo che gli utenti, compresi genitori e insegnanti, possano tutelare meglio la propria privacy e quella dei loro figli.

In Europa, le società di motori di ricerca sono considerate "responsabili del trattamento dei dati personali" e non semplici fornitori di servizi. Tuttavia, le leggi sulla privacy spesso riguardano dati riservati e intimi. Tuttavia, le leggi sulla privacy riguardano spesso dati riservati e intimi, mentre anche informazioni innocue sulle persone possono essere estratte per creare profili di utenti basati su modelli impliciti nei dati. Tali profili (accurati o meno) possono essere utilizzati per prendere decisioni che li riguardano¹.

Inoltre, le modalità di applicazione di una legge cambiano da Paese a Paese. Secondo il GDPR, una persona può chiedere a un motore di ricerca di rimuovere un risultato di ricerca che la riguarda. Anche se l'azienda lo rimuove dall'indice in Europa, la pagina può ancora comparire nei risultati al di fuori dell'Europa¹.

Non va dimenticato che, mentre le politiche delle aziende possono fare luce sulle loro pratiche, le ricerche dimostrano che spesso c'è un divario tra la politica e il suo utilizzo².

Per saperne di più sui dati leggere qui e qui.

Affidabilità dei contenuti

I critici hanno sottolineato che le società di motori di ricerca non sono del tutto aperte sul perché mostrano alcuni siti e non altri, e classificano alcune pagine più in alto di altre¹.

Il ranking dei risultati di ricerca è fortemente influenzato dagli inserzionisti che sponsorizzano i contenuti. Inoltre, le grandi società di motori di ricerca forniscono molti servizi diversi dalla ricerca. In Europa, Google è stata formalmente accusata di mostrare in modo prominente i propri prodotti o servizi nei risultati di ricerca, indipendentemente dai loro meriti¹.

Anche le grandi aziende e gli sviluppatori Web che studiano gli algoritmi di ranking possono influenzare il posizionamento giocando sul modo in cui un motore di ricerca definisce la popolarità e l'autenticità dei siti Web. Naturalmente, i criteri giudicati importanti dai programmatori dei motori di ricerca sono essi stessi opinabili.

Tutto ciò influisce sull'affidabilità dei risultati della ricerca. È sempre una buona idea utilizzare più fonti e più motori di ricerca e discutere dei contenuti utilizzati nei compiti scolastici.

Autonomia

Un motore di ricerca, con il suo sistema di classificazione, raccomanda contenuti. Non rivelando i criteri utilizzati per selezionare questi contenuti, riduce l'autonomia dell'utente. Ad esempio, se avessimo saputo che una delle pagine web suggerite è sponsorizzata o selezionata in base a criteri di popolarità in cui non ci riconosciamo, forse non avremmo scelto di utilizzare quel contenuto. Togliendo il consenso informato, i motori di ricerca e altri sistemi di raccomandazione esercitano un'influenza di controllo sul nostro comportamento.

Autonomia significa avere il controllo su processi, decisioni e risultati⁷. Implica libertà (indipendenza da influenze di controllo) e agency (capacità di azione intenzionale)⁷. I sistemi che raccomandano contenuti senza spiegazioni possono interferire con l'autonomia degli utenti. Forniscono raccomandazioni che spingono gli utenti in una particolare direzione, coinvolgendoli solo con ciò che desiderano e limitando la gamma di opzioni a cui sono esposti⁵.

¹ Tavani, H., Zimmer, M., Search Engines and Ethics, The Stanford Encyclopedia of Philosophy, Fall 2020 Edition), Edward N. Zalta ed.

² Englehardt, S., Narayanan, A., Online Tracking: A 1-million-site Measurement and Analysis, Extended version of paper at ACM CCS 2016.

³ Google Privacy and Terms.

⁴ Microsoft Privacy Statement.

⁵ Milano, S., Taddeo, M., Floridi, L. Recommender systems and their ethical challenges, AI & Soc 35, 957–967, 2020.

⁶ Tavani, H.T., Ethics and Technology: Controversies, Questions, and Strategies for Ethical Computing, 5th edition, Hoboken, NJ: John Wiley and Sons, 2016.

⁷ Hillis, K., Petit, M., Jarrett, K., Google and the Culture of Search, Routledge Taylor and Francis, 2013.

Si ha sempre più la sensazione che tutto ciò che conta sia sul web e che debba essere accessibile attraverso la ricerca¹. Come dice LM Hinman, "Esse est indicato in Google (essere è essere indicizzati su Google)". Come osserva anche l'autore, "in una democrazia i cittadini non possono prendere decisioni informate senza avere accesso a informazioni precise"^2,3. Se la democrazia si basa sul libero accesso a informazioni non distorte, i motori di ricerca influenzano direttamente la democraticità dei nostri Paesi. Il loro ruolo di custodi della conoscenza è in diretto conflitto con la loro natura di aziende private che dipendono dagli annunci pubblicitari per ottenere un reddito. Pertanto, per il bene di una società libera, dobbiamo chiedere responsabilità ai motori di ricerca e trasparenza nel funzionamento dei loro algoritmi².

Creazione di bolle di filtraggio

I sistemi che raccomandano contenuti in base ai profili degli utenti, compresi i motori di ricerca, possono isolare gli utenti dall'esposizione a punti di vista diversi. Alimentando i contenuti che piacciono all'utente, creano pregiudizi che si auto-rinforzano e "bolle di filtraggio"^2,4. Queste bolle, che si creano quando le nuove conoscenze acquisite si basano su interessi e attività passate⁵, cementano i pregiudizi come solide fondamenta della conoscenza. Questo potrebbe diventare particolarmente pericoloso se usato con menti giovani e impressionabili. Per questo motivo, in classe si dovrebbero promuovere discussioni aperte con i compagni e gli insegnanti e attività di apprendimento colloborativo.

Cicli di feedback

I motori di ricerca, come altri sistemi di raccomandazione, prevedono ciò che interesserà all'utente. Poi, quando l'utente clicca su ciò che è stato raccomandato, lo considera un feedback positivo. Questo feedback influisce sui link visualizzati in futuro. Se un utente clicca sul primo link visualizzato, è perché lo trova rilevante o semplicemente perché è il primo risultato e quindi più facile da scegliere?

Il feedback implicito è difficile da interpretare. Quando le previsioni si basano su un'interpretazione errata, gli effetti sono ancora più difficili da prevedere. Quando i risultati di una certa natura vengono mostrati ripetutamente - e sono l'unica cosa che l'utente vede - possono persino finire per cambiare ciò che piace o non piace all'utente: il caso della previsione che si autoavvera.

In una città degli Stati Uniti è stato lanciato un sistema di polizia predittiva che indica le aree della città ad alto rischio di criminalità. Ciò significa che un maggior numero di agenti di polizia viene dispiegato in tali aree. Poiché questi agenti sapevano che la zona era ad alto rischio, sono stati molto attenti e hanno fermato, perquisito o arrestato più persone di quanto avrebbero fatto normalmente. Gli arresti hanno quindi convalidato la previsione, anche se la previsione era stata falsata in partenza. Non solo, gli arresti sono stati i dati per le previsioni future sulle stesse aree e su aree simili, aggravando i pregiudizi nel tempo⁵.

Utilizziamo sistemi di previsione per poter agire in base alle previsioni. Ma agire su previsioni distorte influisce sui risultati futuri, sulle persone coinvolte e quindi sulla società stessa. "Come effetto collaterale dell'adempimento del suo scopo di recuperare informazioni rilevanti, un motore di ricerca cambierà necessariamente ciò che mira a misurare, ordinare e classificare. Allo stesso modo, la maggior parte dei sistemi di apprendimento automatico influisce sui fenomeni che prevede"⁵.

Fake news, contenuti estremi e censura

C'è una crescente diffusione di fake news (storie false che appaiono come notizie) nei forum online, nei siti di social media e nei blog, tutti disponibili agli studenti attraverso la ricerca. Piccoli gruppi mirati di persone possono far salire le valutazioni di specifici video e siti web di contenuto estremo. Questo aumenta la popolarità del contenuto e l'apparenza di autenticità, giocando con gli algoritmi di classificazione⁴. Tuttavia, ad oggi, non esiste una politica chiara ed esplicita adottata dalle società di motori di ricerca per controllare le fake news².

D'altra parte, i motori di ricerca escludono sistematicamente alcuni siti e alcuni tipi di siti a favore di altri⁶. Censurano i contenuti di alcuni autori, nonostante non siano stati selezionati dal pubblico per tale compito. Pertanto, devono essere utilizzati con consapevolezza e discriminazione.

¹ Hillis, K., Petit, M., Jarrett, K., Google and the Culture of Search, Routledge Taylor and Francis, 2013.

² Tavani, H., Zimmer, M., Search Engines and Ethics, The Stanford Encyclopedia of Philosophy, Fall 2020 Edition), Edward N. Zalta (ed.).

³ Hinman, L. M., Esse Est Indicato in Google: Ethical and Political Issues in Search Engines, International Review of Information Ethics, 3: 19–25, 2005.

⁴ Milano, S., Taddeo, M., Floridi, L. Recommender systems and their ethical challenges, AI & Soc 35, 957–967, 2020.

⁵ Barocas, S.,  Hardt, M., Narayanan, A., Fairness and machine learning Limitations and Opportunities, yet to be published.

⁶ Introna, L. and Nissenbaum, H., Shaping the Web: Why The Politics of Search Engines Matters, The Information Society, 16(3): 169–185, 2000.

Il numero di persone che utilizzano l'e-learning è in costante crescita. Il termine e-learning si riferisce all'apprendimento mediato dall'uso della tecnologia in contesti in cui educatori e discenti sono distanti nello spazio e/o nel tempo. Lo scopo ultimo dell'e-learning è quello di migliorare l'esperienza e la pratica di apprendimento degli studenti.

Oggi, con l'avanzare della tecnologia, è più appropriato riferirsi a sistemi e piattaforme per l'"erogazione" dell'e-learning piuttosto che a singoli strumenti. Tali sistemi sono il risultato dell'integrazione di diversi strumenti software in grado di costruire un ecosistema in cui sfruttare percorsi di apprendimento flessibili e adattabili. Un sistema di e-learning consente la gestione dei processi di apprendimento e la gestione dei corsi. Permette di effettuare le valutazioni dell'apprendimento degli studenti, la costruzione di report, la creazione di contenuti e la loro organizzazione. Facilita la comunicazione tra insegnanti/tutor e studenti. Tra i sistemi di e-learning più diffusi ci sono i sistemi di gestione dell'apprendimento (LMS) (ad esempio Moodle, Edmodo).

L'acronimo LMS si riferisce a un'applicazione basata sul web progettata per gestire il processo di apprendimento dei discenti¹ a diversi livelli, in diversi ambiti e con diverse modalità. Un LMS, quindi, può essere definito come un ambiente di apprendimento all'interno del quale vengono implementate e gestite le attività e gli strumenti di apprendimento, le attività e gli strumenti di valutazione, i contenuti didattici e le interazioni studente-studente e/o studente-educatore. Inoltre, la definizione di LMS include il loro essere piattaforme che generalmente possono includere interi sistemi di gestione dei corsi, sistemi di gestione dei contenuti e portali².

LMS e intelligenza artificiale: gli LMS intelligenti

Con l'avvento dell'IA, l'istruzione, in generale, e gli LMS, in particolare, diventano possibili e promettenti campi di applicazione di questa forza rivoluzionaria³. In particolare, gli LMS, grazie alle funzionalità supportate dall'IA, rappresentano un rinnovato strumento di apprendimento in grado di soddisfare due dei tratti fondamentali dell'istruzione del futuro: la personalizzazione e l'adattamento⁴. È da questa combinazione di LMS e IA che emerge lo Smart LMS (SLMS) o LMS intelligente.

In generale, un SLMS efficiente è un sistema i cui algoritmi sono in grado di fornire e recuperare informazioni da tre gruppi fondamentali di conoscenza: a) il discente, b) la pedagogia e c) il dominio. Acquisendo informazioni sulle preferenze (a) degli studenti, sui loro stati emotivi e cognitivi, sui loro risultati e obiettivi, un SLMS può implementare le strategie didattiche (b) più efficaci (tipi specifici di valutazione, apprendimento collaborativo, ecc.) affinché l'apprendimento sia più proficuo all'interno dello specifico dominio di conoscenza studiato (c): ad esempio, teoremi di geometria, operazioni matematiche, leggi della fisica, procedure di analisi del testo⁴.

Un SLMS, quindi, può essere definito come un sistema di apprendimento in grado di adattare i contenuti proposti al discente calibrandoli sulle conoscenze e sulle abilità che il discente ha mostrato nei compiti precedenti. Infatti, adottando un approccio centrato sul discente, può identificare, seguire e monitorare i percorsi dei discenti registrando i loro modelli e stili di apprendimento. Facendo riferimento alla descrizione fornita da Fardinpour et al.⁵, un LMS intelligente fornisce al discente il percorso di apprendimento più efficace e i contenuti didattici più appropriati, attraverso l'automazione, l'adattamento di diverse strategie didattiche (scaffolding), la generazione di resoconti e di conoscenze. Inoltre, fornisce ai discenti la possibilità di tenere traccia e monitorare il loro apprendimento e i loro obiettivi di apprendimento. Tuttavia, sebbene queste caratteristiche e questi strumenti consentano all'LMS di operare in modo più intelligente, un SLMS deve fornire agli studenti la possibilità di disabilitare l'intelligenza artificiale che gestisce il loro percorso per avere pieno accesso a tutti i materiali didattici nell'ambiente di apprendimento.

Alcuni esempi di funzionalità supportate dall'intelligenza artificiale nel contesto di un SLMS

Nella pratica del funzionamento di un SLMS, diversi strumenti supportati dall'intelligenza artificiale permettono di realizzare un sistema con le caratteristiche descritte sopra. Tali strumenti supportati dall'intelligenza artificiale si muovono trasversalmente lungo i tre cluster di conoscenza sopra menzionati, ai quali gli algoritmi degli SLMS fanno costantemente riferimento (discente, pedagogia, dominio).

Chatbot supportati dall'intelligenza artificiale come tutor virtuali

Un chatbot - un software che simula ed elabora conversazioni umane (scritte o parlate) - nel contesto di un SLMS può svolgere la funzione di un tutor virtuale in grado, da un lato, di rispondere alle domande che gli studenti hanno riguardo ai percorsi di apprendimento. Dall'altro, è in grado di fornire suggerimenti al discente sulla base dell'analisi che il sistema fa delle sue precedenti prestazioni e interazioni⁶.

I Learning Analytics

I Learning Analytics - dati relativi ai dettagli delle interazioni dei singoli studenti nelle attività di apprendimento online - consentono agli insegnanti di monitorare in modo approfondito i progressi e le prestazioni degli studenti. Grazie ad essi, il sistema può implementare l'attivazione automatica di compiti didattici assistiti dal computer⁷ per integrare le attività degli studenti che hanno mostrato deficit di rendimento in compiti specifici. Inoltre, può fornire automaticamente suggerimenti al personale docente in merito alla difficoltà dei compiti proposti o alla necessità di integrarli con contenuti didattici aggiuntivi.

Vantaggi per studenti e insegnanti

Questi e altri strumenti supportati dall'intelligenza artificiale⁴ contribuiscono a rendere un SLMS un potente strumento di apprendimento e insegnamento che, invece di essere percepito come un sostituto del lavoro dell'insegnante, si mostra come uno strumento in grado di "aumentare" gli aspetti umani dell'insegnamento⁸ e di apportare una serie di benefici fondamentali all'intero processo di apprendimento/insegnamento.

Poiché un SLMS calibra i contenuti sulle capacità e sul livello dello studente, evita che quest'ultimo si trovi ad affrontare, nelle diverse fasi del suo percorso, compiti che lo annoiano perché troppo semplici o che lo frustrano perché troppo complessi. In questo modo si garantisce che la motivazione e l'attenzione dello studente siano sempre ad un livello alto e adeguato al grado di difficoltà del compito da affrontare. Questa situazione ha come conseguenza diretta una significativa riduzione del tasso di abbandono, in quanto permette agli insegnanti di individuare in tempo eventuali problemi e di intervenire tempestivamente non appena lo studente mostra i primi segni di difficoltà.

Una situazione di questo tipo, così come le situazioni di apprendimento lineare (senza difficoltà), può essere affrontata proponendo agli studenti, attraverso gli strumenti SLMS, diversi contenuti di conoscenza già memorizzati nei database dei corsi o anche provenienti da fornitori terzi. Ciò si traduce in un vantaggio diretto per il docente, che non deve creare di volta in volta nuovi materiali didattici e può utilizzare il tempo risparmiato in altre attività essenziali, come l'affinamento dei propri metodi di insegnamento e/o l'interazione diretta con gli studenti.

¹ Kasim, N. N. M., and Khalid, F., Choosing the right learning management system (LMS) for the higher education institution context: A systematic review, International Journal of Emerging Technologies in Learning, 11(6), 2016.

² Coates, H., James, R., & Baldwin, G., A critical examination of the effects of learning management systems on university teaching and learning, Tertiary education and management, 11(1), 19-36, 2005.

³ Beck, J., Sternm, M., & Haugsjaa, E., Applications of AI in Education, Crossroads, 3(1), 11–15. doi:10.1145/332148.332153, 1996.

⁴ Rerhaye, L., Altun, D., Krauss, C., & Müller, C., Evaluation Methods for an AI-Supported Learning Management System: Quantifying and Qualifying Added Values for Teaching and Learning, International Conference on Human-Computer Interaction (pp. 394-411). Springer, Cham, July 2021.

⁵ Fardinpour, A., Pedram, M. M., & Burkle, M., Intelligent learning management systems: Definition, features and measurement of intelligence, International Journal of Distance Education Technologies (IJDET), 12(4), 19-31, 2014.

⁶ HR Technologist: Emerging Trends for AI in Learning Management Systems, 2019, Accessed 31 Oct 2022.

⁷ Krauss, C., Salzmann, A., & Merceron, A., Branched Learning Paths for the Recommendation of Personalized Sequences of Course Items, DeLFI Workshops, September 2018.

⁸ Mavrikis, M., & Holmes, W., Intelligent learning environments: Design, usage and analytics for future schools, Shaping future schools with digital technology, 57-73, 2019.

Cosa sono i Learning Analytics?

Sempre più organizzazioni utilizzano l'analisi dei dati per risolvere i problemi e migliorare le decisioni relative alle loro attività. Il mondo dell'istruzione non fa eccezione perché, con la generalizzazione degli ambienti di apprendimento virtuali (VLE) e dei sistemi di gestione dell'apprendimento (LMS), sono ora disponibili enormi dati sull'apprendimento, generati dall'interazione degli studenti con questi strumenti.

In genere si distinguono quattro tipi di analytics in base al problema da risolvere:

• Analytics descrittivi: Cosa è successo in passato?

• Analytics diagnostici: Perché è successo qualcosa in passato?

• Analytics predittivi: Cosa è più probabile che accada in futuro?

• Analytics prescrittivi: Quali azioni intraprendere per influenzare questi risultati?

Che cos'è?

Gli strumenti didattici basati sui LA sono molto diversi, dalle dashbord per la visualizzazione dei dati ai sistemi di raccomandazione. La ricerca in quest'area è attualmente molto attiva. Ci limiteremo a riassumere i problemi più frequenti incontrati in letteratura. Ognuno di questi problemi porta a famiglie di strumenti rivolti principalmente agli studenti o agli insegnanti, che rappresentano la maggior parte degli utenti finali delle applicazioni basate sul LA.

Prevedere e migliorare i risultati di apprendimento degli studenti

Una delle applicazioni emblematiche dei LA è la previsione degli errori.

Gli indicatori di apprendimento vengono calcolati automaticamente dalle tracce digitali e possono essere consultati direttamente dagli studenti, che possono così adattare le proprie strategie di apprendimento.

Uno dei primi esperimenti è stato condotto alla Purdue University (USA) con un'applicazione mobile progettata come un cruscotto a semaforo (Arnold-2012).

Ogni studente può monitorare i propri indicatori di progresso.

Una schermata della dashboard è mostrata in fig#1.

Gli indicatori possono anche essere indirizzati agli insegnanti, come in un sistema di allarme rapido (early warning system - EWS).

Questa è la scelta fatta dal Centro nazionale francese di formazione a distanza (CNED) in uno studio in corso (BenSoussia-2022).

L'obiettivo di un EWS è quello di allertare il prima possibile i tutor che sono responsabili del monitoraggio degli studenti, in modo che possano attuare al più presto le azioni correttive appropriate.

Analizzare il processo di apprendimento degli studenti

Le tecniche di LA possono aiutare a modellare il comportamento di apprendimento di un allievo o di un gruppo di allievi (ad esempio una classe). Il modello può essere utilizzato per visualizzare i processi di apprendimento nelle applicazioni di LA, fornendo informazioni aggiuntive che consentiranno agli insegnanti di individuare le carenze e di migliorare i materiali e i metodi di formazione. Inoltre, l'analisi del processo di apprendimento è un modo per osservare l'impegno dei discenti. Ad esempio, nel progetto e-FRAN METAL, gli indicatori sono stati riuniti in un cruscotto co-progettato con un team di insegnanti di scuola secondaria, come mostrato nella fig#2 (Brun-2019).

Personalizzare i percorsi di apprendimento

La personalizzazione dei percorsi di apprendimento può avvenire in sistemi di raccomandazione o di apprendimento adattivo. I sistemi di raccomandazione mirano a suggerire a ciascun allievo le risorse migliori o i comportamenti più appropriati che possono aiutare a raggiungere efficacemente gli obiettivi didattici.

Alcuni sistemi si concentrano sul coinvolgimento dell'insegnante, presentando prima le raccomandazioni proposte per la loro convalida. I sistemi di apprendimento adattivo consentono all'allievo di sviluppare competenze e conoscenze in modo più personalizzato e autonomo, adattando costantemente il percorso di apprendimento all'esperienza dell'allievo.

Funziona?

Nelle pubblicazioni, il feedback si concentra principalmente sugli studenti (e nell'istruzione superiore). Le osservazioni mostrano generalmente un miglioramento delle prestazioni degli studenti (ad esempio, +10% di voti A e B alla Purdue University). Per gli insegnanti, l'impatto dei LA è più complesso da valutare. Gli studi basati sul modello di accettazione della tecnologia (TAM) suggeriscono che gli insegnanti hanno una percezione positiva dell'uso degli strumenti di LA. È interessante notare in uno di questi studi l'analisi finale dei punti di forza, debolezza, opportunità e minacce (SWOT) che riproduciamo qui (Mavroudi-21)(vedi fig#3).

Alcuni dei punti di attenzione, inclusi nelle parti "Minacce" e "Debolezza", costituiscono la base della riflessione della comunità della Society for Learning Analytics Research (SoLAR) per raccomandare un approccio di tipo etico per la progettazione delle applicazioni di LA (Drashler-16). Le raccomandazioni sono riassunte in una checklist di 8 parole chiave: Determinare, Spiegare, Legittimare, Coinvolgere, Consentire, Anonimizzare, Tecnico, Esterno (Determine, Explain, Legitimate, Involve, Consent, Anonymize, Technical, External - DELICATE).

Riferimenti bibliografici

I sistemi educativi hanno sempre generato dati: dati personali degli studenti, registri accademici, dati di frequenza e altro ancora. Con la digitalizzazione e le applicazioni AIED, vengono registrati e memorizzati molti più dati: clic del mouse, pagine aperte, timestamp e battute della tastiera¹. Con il pensiero incentrato sui dati che sta diventando la norma nella società, è naturale chiedersi come si possano analizzare tutti questi dati per fare qualcosa di appropriato: Possiamo fornire un feedback più personalizzato al discente? Potremmo progettare strumenti di visualizzazione e notifica migliori per l'insegnante?²

Qualunque sia la tecnologia utilizzata, deve soddisfare un'esigenza reale in classe. Una volta identificata l'esigenza, possiamo esaminare i dati disponibili e chiederci cosa sia rilevante per il risultato desiderato. Si tratta di scoprire i fattori che consentono agli educatori di prendere decisioni complesse. Questi fattori possono essere catturati utilizzando i dati disponibili? I dati e i sistemi basati sui dati sono il modo migliore per affrontare il bisogno? Quali potrebbero essere le conseguenze indesiderate di questo utilizzo dei dati?³

L'apprendimento automatico (Machine Learning - LM) ci permette di rinviare molte di queste domande ai dati stessi⁴. Le applicazioni di ML sono addestrate sui dati. Funzionano operando sui dati. Trovano schemi e generalizzazioni e li memorizzano come modelli - dati che possono essere utilizzati per rispondere a domande future⁴. Anche le loro decisioni e previsioni, e il modo in cui queste influiscono sull'apprendimento degli studenti, sono tutti dati. Pertanto, sapere come i programmatori, la macchina e l'utente gestiscono i dati è una parte importante della comprensione del funzionamento dell'intelligenza artificiale.

I Dati

I dati riguardano generalmente un'entità del mondo reale: una persona, un oggetto o un evento. Ogni entità può essere descritta da una serie di attributi (caratteristiche o variabili)⁵. Ad esempio, nome, età e classe sono alcuni attributi di uno studente. L'insieme di questi attributi è il dato che abbiamo sullo studente che, pur non essendo in alcun modo vicino all'entità reale, ci dice qualcosa su di lui. I dati raccolti, utilizzati ed elaborati nel sistema educativo, sono chiamati dati educativi¹.

Un dataset è un insieme di entità disposte in righe e colonne. Il registro delle presenze di una classe è un dataset. Ogni riga rappresenta il record di uno studente. Le colonne possono essere la presenza o l'assenza durante un particolare giorno o sessione. Ogni colonna è quindi un attributo.

Affinché qualsiasi applicazione basata sui dati abbia successo, gli attributi devono essere scelti con cura e misurati correttamente. I modelli scoperti devono essere verificati per vedere se hanno senso nel contesto educativo. Se progettati e mantenuti correttamente, i sistemi basati sui dati possono essere molto preziosi.

Questo capitolo intende introdurre alcune nozioni di base sui dati e sulle tecnologie basate sui dati, ma l'alfabetizzazione ai dati è un'abilità molto importante da possedere e merita una formazione dedicata, un supporto e un aggiornamento continui¹.

Legislazione da conoscere

Grazie al drastico calo dei costi di archiviazione dei dati, una maggiore quantità di dati e metadati viene salvata e conservata più a lungo⁶. Questo può portare a violazioni della privacy e dei diritti. Leggi come il General Data Protection Regulation (GDPR) scoraggiano tali pratiche e offrono ai cittadini dell'UE un maggiore controllo sui loro dati personali. Il regolamento fornisce norme sulla protezione dei dati giuridicamente vincolanti in tutti gli Stati membri dell'UE.

Secondo il GDPR, i dati personali sono tutte le informazioni relative a una persona identificata o identificabile (soggetto dei dati). Le scuole, oltre a collaborare con le aziende che gestiscono i loro dati, conservano enormi quantità di informazioni personali su studenti, genitori, personale, dirigenti e fornitori. In qualità di responsabili del trattamento dei dati, sono tenute a conservare i dati che trattano in modo confidenziale e sicuro e a disporre di procedure per la protezione e l'uso corretto di tutti i dati personali¹.

I diritti stabiliti dal GDPR comprendono:

• Il Diritto di Accesso, che rende obbligatorio per i cittadini la possibilità di sapere facilmente quali dati vengono raccolti su di loro.
• Il Diritto del cittadino di essere informato sull'utilizzo dei suoi dati
• Il Diritto alla Cancellazione, che consente a un cittadino i cui dati sono stati raccolti da una piattaforma di chiedere che tali dati siano rimossi dal dataset costruito dalla piattaforma (e che può essere venduto a terzi).
• Il Diritto alla Spiegazione: ogni volta che i cittadini hanno bisogno di chiarimenti sui processi decisionali automatizzati che li riguardano, deve essere fornita una spiegazione.

Tuttavia, il GDPR consente la raccolta di alcuni dati in base al "legittimo interesse"⁷e l'utilizzo di dati derivati, aggregati o anonimizzati a tempo indeterminato e senza consenso.⁵ Il nuovo Digital Services Act limita l'utilizzo dei dati personali per scopi pubblicitari specifici.⁷ Oltre a questi, the EU-US Privacy Shield (lo  Scudo per la privacy UE-USA) rafforza i diritti di protezione dei dati dei cittadini dell'UE nel caso in cui i loro dati siano stati trasferiti al di fuori dell'UE⁵.

Si può fare riferimento al documento GDPR for dummies per l'analisi effettuata da esperti indipendenti dell'Unione delle Libertà Civili per l'Europa (Civil Liberties Union for Europe - Liberties), che è un organo di controllo che tutela i diritti umani di tutti nell'Unione Europea.

¹ Ethical guidelines on the use of artificial intelligence and data in teaching and learning for educators, European Commission, October 2022.

² du Boulay, B., Poulovasillis, A., Holmes, W., Mavrikis, M., Artificial Intelligence And Big Data Technologies To Close The Achievement Gap,in Luckin, R., ed. Enhancing Learning and Teaching with Technology, London: UCL Institute of Education Press, pp. 256–285, 2018.

³ Hutchinson, B., Smart, A., Hanna, A., Denton, E., Greer, C., Kjartansson, O., Barnes, P., Mitchell, M., Towards Accountability for Machine Learning Datasets: Practices from Software Engineering and Infrastructure, Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, Association for Computing Machinery, New York, 2021.

⁴ Barocas, S.,  Hardt, M., Narayanan, A., Fairness and machine learning Limitations and Opportunities, 2022.

⁵ Kelleher, J.D, Tierney, B, Data Science, MIT Press, London, 2018.

⁶ Schneier, B., Data and Goliath: The Hidden Battles to Capture Your Data and Control Your World, W. W. Norton & Company, 2015.

⁷ Kant, T., Identity, Advertising, and Algorithmic Targeting: Or How (Not) to Target Your “Ideal User.”, MIT Case Studies in Social and Ethical Responsibilities of Computing, 2021.

Per essere efficaci in classe, i team multidisciplinari con insegnanti, esperti pedagogici e informatici dovrebbero essere coinvolti in ogni fase del processo¹. Gli esperti umani sono necessari per identificare l'esigenza e progettare il processo, progettare e preparare i dati, selezionare gli algoritmi di ML, interpretare criticamente i risultati e pianificare l'utilizzo dell'applicazione².

1) Comprendere il contesto educativo

Il primo passo nella progettazione di uno strumento AIED è la comprensione delle esigenze della classe. Una volta fissati gli obiettivi, bisogna capire come raggiungerli: quali fattori considerare e quali ignorare. Qualsiasi soluzione basata sui dati è orientata verso fenomeni che possono essere facilmente calcolati e standardizzati³. Pertanto, ogni decisione deve essere discussa dagli insegnanti che utilizzeranno lo strumento, dagli esperti di pedagogia che possono garantire che tutte le decisioni siano fondate su una teoria comprovata e dagli informatici che comprendono il funzionamento degli algoritmi.

Le prime due fasi sono molto complicate, poiché ciò che è possibile fare dipende anche dai dati disponibili². Inoltre, la progettazione di strumenti educativi è soggetta a leggi che impongono restrizioni sull'uso dei dati e sui tipi di algoritmi che possono essere utilizzati.

2) Comprendere i dati

Una volta identificati gli obiettivi e i fattori che vi contribuiscono, l'attenzione si sposta sui dati necessari, sulle modalità di approvvigionamento e di etichettatura, sulla gestione della privacy e sulla misurazione della qualità dei dati³. Affinché un'applicazione di apprendimento automatico abbia successo, i dataset devono essere sufficientemente grandi, diversificati e ben etichettati.

L'apprendimento automatico (ML) richiede dati per addestrare il modello e dati su cui lavorare o fare previsioni. Per alcuni compiti di ML, come il riconoscimento dei volti e degli oggetti, sono già disponibili molti database pubblici e privati per l'addestramento.

Se non sono già disponibili in forma utilizzabile, è possibile che i dataset esistenti debbano essere aggiunti o rietichettati per adattarsi alle esigenze del progetto. In caso contrario, potrebbe essere necessario creare ed etichettare da zero set di dati dedicati. Anche le tracce digitali generate dallo studente durante l'utilizzo di un'applicazione potrebbero essere utilizzate come una delle fonti di dati.

In ogni caso, i dati e le caratteristiche rilevanti per il problema devono essere accuratamente identificati². Le caratteristiche irrilevanti o ridondanti possono spingere un algoritmo a trovare falsi modelli e influenzare le prestazioni del sistema². Poiché la macchina può trovare modelli solo nei dati che le vengono forniti, la sceltadel dataset definisce implicitamente anche il problema⁴. Se sono disponibili molti dati, è necessario selezionarne un sottoinsieme con l'aiuto di tecniche statistiche e verificare i dati per evitare errori e distorsioni.

Come esempio di dati di addestramento errati, in una vicenda risalente agli albori della computer vision, un modello fu addestrato a discriminare tra immagini di carri armati russi e americani. Si scoprì in seguito che la sua elevata precisione era dovuta al fatto che i carri armati russi erano stati fotografati in una giornata nuvolosa e quelli americani in una giornata di sole⁴.

Pertanto, il dataset scelto deve essere verificato per la sua qualità, tenendo conto del motivo per cui è stato creato, cosa contiene, quali sono i processi utilizzati per la raccolta, la pulizia e l'etichettatura, la distribuzione e la manutenzione⁴. Le domande chiave da porre sono I dataset sono adatti agli scopi per cui sono stati concepiti? e I dataset contengono rischi nascosti che possono rendere i modelli distorti o discriminatori³?

3) Preparare i dati

La preparazione dei dati comporta la creazione di dataset unendo i dati disponibili in luoghi diversi, correggendo le incongruenze (per esempio, alcuni punteggi dei test potrebbero essere su una scala da 1 a 10, mentre altri sono dati in percentuale) e cercando valori mancanti o estremi. Si possono poi eseguire test automatizzati per verificare la qualità dei dataset. Ciò include il controllo di eventuali fughe di notizie sulla privacy e di correlazioni o stereotipi imprevisti². In questa fase, i dataset possono anche essere suddivisi in dataset di allenamento e di test. Il primo viene utilizzato per addestrare il modello e il secondo per verificarne le prestazioni. Eseguire un test sul dataset di addestramento sarebbe come distribuire il foglio d'esame il giorno prima per i compiti a casa: la prestazione dello studente all'esame non indicherà la sua comprensione².

4) Modellazione

In questa fase, gli algoritmi vengono utilizzati per estrarre schemi dai dati e creare modelli. Di solito vengono testati diversi algoritmi per vedere quale funziona meglio. Questi modelli possono poi essere utilizzati per fare previsioni su nuovi dati.

Nella maggior parte dei progetti, i modelli iniziali rivelano problemi nei dati che richiedono un passaggio continuo tra le fasi 2 e 3². Finché esiste una forte correlazione tra le caratteristiche dei dati e il valore di uscita, è molto probabile che un algoritmo di apprendimento automatico generi buone previsioni.

Questi algoritmi utilizzano tecniche statistiche e di calcolo avanzate per elaborare i dati. I programmatori devono regolare le impostazioni e provare diversi algoritmi per ottenere i risultati migliori. Prendiamo un'applicazione che rileva gli imbrogli. Un falso positivo si ha quando viene segnalato uno studente che non ha imbrogliato. Un falso negativo è quando uno studente che imbroglia non viene segnalato. I progettisti del sistema possono mettere a punto il modello per ridurre al minimo i falsi positivi, in cui alcuni comportamenti di imbroglio potrebbero essere ignorati, o i falsi negativi, in cui anche i casi dubbi vengono segnalati.⁵ La messa a punto (tuning) dipende quindi da ciò che vogliamo che il sistema faccia.

5) Valutazione

Durante la fase di modellazione, ogni modello può essere messo a punto per l'accuratezza della previsione sul dataset di addestramento. I modelli vengono poi testati sul dataset di prova e viene scelto un modello da utilizzare. Questo modello viene valutato anche in base a come risponde alle esigenze educative: gli obiettivi stabiliti nella fase 1 sono stati raggiunti? Ci sono problemi imprevisti? La qualità è buona? Si può migliorare o fare qualcosa in un altro modo? È necessaria una riprogettazione? L'obiettivo principale è decidere se l'applicazione può essere utilizzata nelle scuole. In caso contrario, si ricomincia l'intero processo.²

6) Implementazione (deployment)

La fase finale di questo processo consiste nel vedere come integrare l'applicazione basata sui dati con il sistema scolastico per ottenere i massimi benefici, sia per quanto riguarda l'infrastruttura tecnica che le pratiche didattiche.

Anche se viene dato come passo finale, l'intero processo è iterativo. Dopo l'implementazione, il modello deve essere rivisto regolarmente per verificare se è ancora pertinente al contesto. Le esigenze, i processi o le modalità di acquisizione dei dati potrebbero cambiare, influenzando l'output del sistema. Pertanto, l'applicazione deve essere rivista e aggiornata quando necessario. Il sistema deve essere monitorato costantemente per verificarne l'impatto sull'apprendimento, l'insegnamento e la valutazione.⁶ Le Linee guida etiche sull'uso dell'IA e dei dati per gli educatori sottolineano che la scuola dovrebbe essere in contatto con il fornitore di servizi di IA per tutto il ciclo di vita del sistema di IA, anche prima dell'implementazione. Dovrebbe richiedere una documentazione tecnica chiara e chiedere chiarimenti sui punti poco chiari. È necessario stipulare un accordo per l'assistenza e la manutenzione e accertarsi che il fornitore abbia rispettato tutti gli obblighi di legge⁶.

Nota: Sia le fasi qui elencate che l'illustrazione sono adattate alle fasi e ai compiti di CRISP-DM Datascience (basati sulla figura 3 di Chapman, Clinton, Kerber, et al. 1999) come descritto in^2.

¹ Du Boulay, B., Poulovasillis, A., Holmes, W., Mavrikis, M., Artificial Intelligence And Big Data Technologies To Close The Achievement Gap,in Luckin, R., ed. Enhancing Learning and Teaching with Technology, London: UCL Institute of Education Press, pp. 256–285, 2018.

² Kelleher, J.D, Tierney, B, Data Science, London, 2018.

³ Hutchinson, B., Smart, A., Hanna, A., Denton, E., Greer, C., Kjartansson, O., Barnes, P., Mitchell, M., Towards Accountability for Machine Learning Datasets: Practices from Software Engineering and Infrastructure, Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, Association for Computing Machinery, New York, 2021.

⁴ Barocas, S.,  Hardt, M., Narayanan, A., Fairness and machine learning Limitations and Opportunities, 2022.

⁵ Schneier, B., Data and Goliath: The Hidden Battles to Capture Your Data and Control Your World, W. W. Norton & Company, 2015.

⁶ Ethical guidelines on the use of artificial intelligence and data in teaching and learning for educators, European Commission, October 2022.

Questa attività è stata tratta e adattata da Identity, Advertising, and Algorithmic Targeting: Or How (Not) to Target Your “Ideal User” e pubblicata con licenza CC BY NC 4.0. ¹

Svariate società ci hanno attribuito delle identità completamente diverse sulla base di ciò che interessa a loro.

Lo stesso accade ai nostri studenti quando interagiscono con software di apprendimento personalizzato e sono sottoposti all’analisi dell’apprendimento. La loro identità digitale, le loro prestazioni, il loro impegno e la loro soddisfazione, così come interpretati da questi sistemi, sono poi utilizzati per valutare non solo le loro prestazioni, ma anche quelle dei loro compagni di studi, insegnanti, scuole e del sistema didattico stesso³.

Perché questo costituisce un problema?

1. Questi profili spesso sono creati sulla base di dati distorti e scorretti provenienti da svariate fonti e possono rivelarsi molto fuorvianti⁴.
2. Queste identità digitali possono cambiare il modo in cui uno studente vede sé stesso e gli altri, in cui gli insegnanti vedono ciascuno studente, in cui il sistema vede ciascun insegnante, in cui la società vede l’istruzione e la pedagogia e in cui ognuno reagisce a decisioni e feedback³.
3. Eppure questi giudizi su chi sia qualcuno sono fatti senza che ne sia a conoscenza e lo autorizzi da black box a cui nessuno ha accesso. Spesso non vi è controllo su quali dati siano registrati, dove e quando siano registrati e su come le decisioni siano assunte basandosi su di essi^4,1.

Studenti e insegnanti perdono il proprio potere di espressione e il proprio libero arbitrio.

4. Questi dati e questi giudizi tendono a permanere come dati archiviati per lungo tempo dopo che l’evento registrato è trascorso⁴.
5. Lo stress indotto dai parametri con i quali studenti, insegnanti e personale sono costantemente valutati, raffrontati e classificati, può indurre reazioni come ansia e competitività invece che motivazione e crescita³.
6. Viene attribuita un’importanza maggiore ad aspetti dell’istruzione che possono essere automaticamente catturati e analizzati ed essi inducono ad esiti e pratiche diversi da quelli che per noi invece potrebbero aver importanza.
7. Le organizzazioni che effettuano la “datificazione” hanno il potere di stabilire «cosa ‘conta’ in termini di istruzione di qualità, merito degli studenti o validità degli insegnanti»³.

Gli esperti suggeriscono agli insegnanti di assumere delle contromisure, elencate di seguito:

1. Considerare le persone, la loro identità, la loro integrità e la loro dignità: «Avvicinarsi alle persone in modo rispettoso del loro valore intrinseco e non come a un oggetto di dati o a un mezzo per raggiungere uno scopo»⁵. Le persone non sono solo dati; l’etichetta che un software potrebbe attribuire agli studenti per personalizzare i percorsi di apprendimento o per dividerli in gruppi non è la loro vera identità⁵.
2. Conoscere i dati: imparare come maneggiarli correttamente. Imparare cosa fanno i diversi sistemi di dati, come lo fanno, qual è il loro uso consigliato e come interpretare le informazioni che essi generano e le decisioni che assumono.
3. Mantenere una distanza critica da società e software di AIED: porre in discussione le loro affermazioni, chiedere prove della loro validità e della loro affidabilità, verificare che il sistema si attenga alle linee guida etiche del proprio istituto e del proprio Paese³.
4. Monitorare gli effetti che questi sistemi hanno su di sé, sui propri studenti, sul loro apprendimento e sull’atmosfera in aula.
5. Esigere sistemi aperti che permettano di controllare e non prendere in considerazione decisioni assunte in automatico. Farsi sentire, chiedere spiegazioni o ignorare output ogniqualvolta e laddove se ne avverta la necessità.

¹ Kant, T., Identity, Advertising, and Algorithmic Targeting: Or How (Not) to Target Your “Ideal User.” MIT Case Studies in Social and Ethical Responsibilities of Computing, 2021

² Cheney-Lippold, J., We Are Data: Algorithms and the Making of Our Digital Selves, NYU Press, 2017

³ Williamson, B., Bayne, S., Shay, S., The datafication of teaching in Higher Education: critical issues and perspectives, Teaching in Higher Education, 25:4, 351-365, 2020

⁴ Kelleher, J.D, Tierney, B, Data Science, MIT Press, London, 2018.

⁵ Ethical guidelines on the use of artificial intelligence and data in teaching and learning for educators, European Commission, October 2022

Sistemi basati sull’agire umano spesso manifestano una notevole dose di pregiudizio e discriminazione dal momento che ciascun individuo ha un proprio esclusivo insieme di opinioni e di pregiudizi. Anch’essi sono delle black box le cui decisioni, come il modo in cui valutano i fogli di risposta, possono rivelarsi difficili da comprendere. Abbiamo però sviluppato delle strategie e creato delle strutture per prestare attenzione a queste pratiche e metterle in discussione.

Talvolta si pubblicizzano i sistemi automatizzati come la panacea alla soggettività umana: gli algoritmi sono basati su numeri, come possono avere dei pregiudizi? Degli algoritmi basati, tra le altre cose, su dati poco affidabili, possono non solo raccogliere e apprendere dei pregiudizi esistenti concernenti genere, razza, cultura o disabilità, ma addirittura amplificarli^1,2,3. A peggiorare la situazione, anche se essi non sono bloccati in sistemi chiusi e proprietari, non possono essere interrogati per spiegare le proprie azioni per via di una intrinseca mancanza di spiegabilità propria di alcuni sistemi come quelli basati sulle reti neurali profonde.

Esempi di pregiudizi interessanti i sistemi che applicano l’IA all’istruzione

1. Quando i programmatori codificano dei sistemi basati su regole, possono inserire pregiudizi e stereotipi personali all’interno del sistema¹.
2. Un algoritmo basato su dati può concludere di non proporre un percorso di carriera in ambito STEM per ragazze per via del fatto che le studentesse appaiono in numero minore negli insiemi di dati relativi ai laureati in materie STEM. Il fatto che vi siano meno donne matematiche è dovuto a stereotipi e norme sociali esistenti o è dovuto ad alcune proprietà intrinseche all’appartenenza al sesso femminile? Gli algoritmi non hanno la capacità di distinguere tra le due situazioni. Dal momento che i dati esistenti riflettono degli stereotipi esistenti, gli algoritmi addestrati su di essi replicano delle disuguglianze e delle dinamiche sociali esistenti⁴. Inoltre, se si adottassero tali raccomandazioni, più ragazze sceglierebbero di studiare materie non-STEM e i nuovi dati lo rifletterebbero, si verificherebbe un caso di una profezia che si autoavvera³.
3. Gli studenti appartenenti a una cultura sottorappresentata nelle serie di dati di addestramento potrebbero avere schemi comportamentali e modi differenti per mostrare la propria motivazione. Come calcolerebbe i parametri inerenti a loro un’analisi dell’apprendimento? Se i dati non sono rappresentativi di tutte le categorie di studenti, i sistemi addestrati su questi dati potrebbero penalizzare la minoranza le cui tendenze comportamentali non sono ciò che il programma era stato ottimizzato a premiare. Se non siamo attenti, gli algoritmi di apprendimento generalizzeranno basandosi sulla cultura maggioritaria, portando a elevate percentuali di errore per quanto concerne i gruppi minoritari^4,5. Decisioni di tal genere potrebbero scoraggiare quanti potrebbero apportare diversità, creatività e doti uniche e quanti hanno esperienze, interessi e motivazioni diversi².
4. Uno studente di origine britannica giudicato da un software di correzione temi statunitense sarebbe penalizzato per via di quelli che verrebbero considerati errori di ortografia. La lingua locale, variazioni di ortografia e accento, la geografia e la cultura locali saranno sempre un’insidia per sistemi ideati e addestrati per altri Paesi e altri contesti.
5. Alcuni insegnanti penalizzano delle frasi comuni a una categoria o a una zona, consciamente o per via di associazioni sociali viziate da pregiudizi. Se un software per la valutazione di temi si forma su temi valutati da questi insegnanti applicherà i medesimi pregiudizi.
6. I sistemi di apprendimento automatico necessitano di un target variabile e di valori indicativi per essere ottimizzati. Supponiamo che dei risultati di test della scuola secondaria siano stati utilizzati come valori indicativi dei meriti accademici. I sistemi ora saranno addestrati esclusivamente per migliorare schemi compatibili con studenti che ottengono buoni risultati in situazioni di stress e nei ristretti contesti delle aule d’esame. Saranno i risultati dei test, e non le conoscenze complessive, che questi sistemi cercheranno di ottimizzare consigliando risorse ed esercizi agli studenti. Anche se ciò potrebbe valere in molte aule al momento, l’approccio tradizionale rende almeno possibile formulare molteplici obiettivi⁴.
7. I sistemi di apprendimento adattivo suggeriscono agli studenti delle risorse per porre rimedio a lacune nelle competenze o nelle conoscenze. Se queste risorse devono essere acquistate o necessitano di una connessione domestica a Internet, ciò non è corretto nei confronti di quegli studenti che non hanno gli strumenti per mettere in pratica i consigli. «Quando un algoritmo dà degli spunti, suggerisce passi successivi o risorse a uno studente, dobbiamo verificare se l’aiuto fornito non è imparziale dal momento che un gruppo sistematicamente non ottiene un aiuto utile, cosa che costituisce una discriminazione»².
8. Il concetto di personalizzazione dell’istruzione conformemente all’attuale livello di conoscenze e ai gusti del momento di uno studente potrebbe in sé costituire un pregiudizio1. Non stiamo forse anche impedendo a questo studente di esplorare nuovi interessi e nuove alternative? Il nostro approccio lo renderebbe monodimensionale, riducendone competenze e conoscenze complessive e l’accesso alle opportunità?

Cosa possono fare gli insegnanti per ridurre gli effetti prodotti dai pregiudizi insiti nell’IA applicata all’istruzione?

I ricercatori stanno costantemente proponendo e analizzando modi diversi per ridurre i pregiudizi. Non tutti i metodi però sono semplici da applicare. Oltre a ciò, l’imparzialità è qualcosa di molto più complesso della mitigazione dei pregiudizi.

Per esempio, se i dati esistenti sono pieni di stereotipi, «abbiamo l’obbligo di mettere in discussione i dati e di programmare i nostri sistemi in modo che si conformino direttamente a un concetto di comportamento equo, indipendentemente dal fatto se ciò sia supportato o meno dai dati di cui attualmente disponiamo?»⁴. I metodi sono sempre confliggenti e contrapposti e alcuni interventi messi in atto per arginare un tipo di pregiudizio ne possono generare un altro!

Dunque, cosa possono fare gli insegnanti?

1. Porre domande alle società venditrici: prima di adottare un sistema AIED, chiedere quali tipi di insiemi di dati sono stati usati per addestrare il sistema, dove, da chi e per chi il sistema è stato concepito e ideato e come è stato valutato.
2. Non accettare passivamente i parametri che vengono loro venduti. Una precisione complessiva del, diciamo, “5% di errore” potrebbe celare il fatto che un modello funziona malissimo per un gruppo minoritario⁴.
3. Leggere la documentazione: quali misure sono state assunte per rilevare e contrastare i pregiudizi e agire in modo imparziale¹?
4. Ottenere informazioni sugli sviluppatori: sono unicamente degli esperti di informatica oppure anche dei ricercatori nel campo della didattica e degli insegnanti sono stati coinvolti in tutte le fasi del processo? Il sistema si basa unicamente sull’apprendimento automatico o vi sono state integrate teorie e pratiche di apprendimento²?
5. Preferire modelli di apprendimento trasparenti e aperti che conferiscono la facoltà di ignorare delle decisioni2: molti modelli di IA applicata all’istruzione hanno una struttura flessibile, in cui il docente, o anche il discente, può controllare la decisione della macchina, chiedere spiegazioni in proposito oppure ignorarla totalmente.
6. Verificare l’accessibilità del prodotto: è accessibile da chiunque allo stesso modo, soprattutto per i discenti con disabilità o particolari esigenze didattiche1?
7. Fare attenzione agli effetti prodotti, tanto a lungo quanto a breve termine, dall’uso di una tecnologia sui propri studenti e in classe ed essere pronti a offrire assistenza quando necessario.

Nonostante questi problemi legati alla tecnologia basata sull’IA, ci sono ragioni per essere ottimisti riguardo al futuro del suo impiego nel settore dell’istruzione:

• con l’aumento della consapevolezza relativa a questi temi, si sono fatte ricerche sui metodi per individuare e correggere i pregiudizi e si sono sperimentati questi metodi.
• I sistemi basati sulle regole e quelli basati sui dati con un certo grado di spiegabilità fanno emergere pregiudizi nascosti nelle prassi didattiche esistenti. Facendoci esprimere i nostri pensieri e spiegare i nostri processi, ci costringono a ricontrollare i fondamenti da cui siamo partiti e a fare piazza pulita.
• Grazie al potenziale di personalizzazone dei sistemi di IA, possiamo attagliare molti aspetti della didattica. Le risorse potrebbero essere rese funzionali alle conoscenze e alle esperienze di ogni studente. Esse potrebbero potenzialmente integrare le comunità e il patrimonio culturale locali e soddisfare delle specifiche esigenze a livello locale².

¹ Ethical guidelines on the use of artificial intelligence and data in teaching and learning for educators, European Commission, October 2022.

² U.S. Department of Education, Office of Educational Technology, Artificial Intelligence and Future of Teaching and Learning: Insights and Recommendations, Washington, DC, 2023.

³ Kelleher, J.D, Tierney, B, Data Science, MIT Press, London, 2018.

⁴ Barocas, S.,  Hardt, M., Narayanan, A., Fairness and machine learning Limitations and Opportunities, 2022.

⁵ Milano, S., Taddeo, M., Floridi, L., Recommender systems and their ethical challenges, AI & Soc 35, 957–967, 2020.

Ogni insegnante personalizza l'apprendimento, anche solo aggiungendo un esempio in più o prestando attenzione individuale, se necessario. In un certo senso, l'insegnamento stesso è un atto di personalizzazione, a differenza, ad esempio, di una televisione che trasmette una lezione. Gli insegnanti modificano le loro lezioni in modo che gli studenti possano dare un senso a ciò che imparano. Li aiutano ad adattare le nuove conoscenze o abilità a ciò che già sapevano, alle loro osservazioni personali e alle loro esperienze sociali. Aiutano gli studenti a fare ciò che possono con quello che imparano.

In termini generali, l'apprendimento personalizzato consiste nel creare ambienti ed esperienze di apprendimento diversi per le diverse esigenze, capacità e contesto culturale di ogni studente¹. Naturalmente, la portata e il grado di personalizzazione variano. Gli esperti hanno identificato sei dimensioni della personalizzazione: Il perché, il come, il cosa, il quando, il chi e il dove avviene l'apprendimento² :

Il tutoraggio individuale è il simbolo della personalizzazione. Benjamin Bloom ha dimostrato negli anni '60 che lo studente medio ottiene risultati migliori con un tutoraggio individuale. Ha anche dimostrato che l'attenzione individuale colma il divario di apprendimento tra chi ottiene punteggi alti e bassi. Nella classe reale, anche con dieci studenti, personalizzare i contenuti a beneficio di ciascuno può richiedere un grande sforzo. Una vera personalizzazione è praticamente impossibile. Anche quando l'insegnante sa che uno studente ha delle lacune nell'apprendimento, potrebbe non essere in grado di porvi rimedio per mancanza di tempo. Di conseguenza, il sistema perde continuamente studenti, anche con il massimo impegno da parte degli insegnanti.

    È qui che la tecnologia può dare una mano.

Apprendimento personalizzato potenziato dalla tecnologia (Technology Enhanced Personalised Learning)

È possibile utilizzare la tecnologia per personalizzare il processo di apprendimento, sia in misura significativa sia in misura ridotta. In questo caso, la tecnologia comprende qualsiasi cosa, dalle applicazioni mobili alle piattaforme online, fino ai sistemi di apprendimento autonomi.² Questo è più efficace ora che l'intelligenza artificiale, l'accesso ai dati, le tecniche di estrazione, il cloud computing e l'hardware a prezzi accessibili hanno reso le applicazioni pratiche e senza soluzione di continuità.

A volte, per alcune parti di una lezione, un software potrebbe fare un lavoro migliore. Pensate alla visualizzazione delle tre dimensioni in matematica o alla pratica della pronuncia per ogni studente di una classe di lingue; oppure a un'animazione che spieghi i processi all'interno di una cellula umana.

Tutte le soluzioni di intelligenza artificiale per l'istruzione possono essere utilizzate in misura diversa per aiutare a personalizzare l'apprendimento. In questo capitolo, discutiamo l'uso dei sistemi di apprendimento adattivi.

¹ Groff, J., Personalized Learning: The State of the Field & Future Directions, Center for Curriculum Redesign, 2017.

² Holmes, W., Anastopoulou, S., Schaumburg, H & Mavrikis, M., Technology-enhanced personalised learning: untangling the evidence, Stuttgart: Robert Bosch Stiftung, 2018.

³ Feldstein, M., Hill, P., Personalized Learning: What It Really Is and Why It Really Matters, Educause Review, 2016.

⁴ Taylor, D., Yeung, M., Bashet, A.Z., Personalized and Adaptive Learning, Innovative Learning Environments in STEM Higher Education pp 17–34,  Springer Briefs in Statistics, 2021.

Il loro gruppo ha difficoltà con un concetto?

Sembra che abbiano un'idea sbagliata?

Forse sono turbati e hanno bisogno di un po' di incoraggiamento?

Il tutor dà un suggerimento, indica ciò che manca.

Può anche accadere che lo studente trovi il problema troppo facile e si annoi. In questo caso, il tutor assegna un problema di sfida.

Il tutor può anche ispirare domande e far riflettere lo studente sulle proprie prestazioni. Il tutto tenendovi informati sui progressi dello studente.

I sistemi di tutoraggio intelligenti (Intelligent Tutoring Systems - ITS) sono progettati per imitare il ruolo di questo tutor¹. Sono un tipo di sistemi di apprendimento adattivi (Adaptive Learning Systems - ALS) che guidano il singolo studente in ogni fase della soluzione. Forniscono suggerimenti e feedback in base alle necessità. Per questo motivo, gli ITS sono più adatti a materie come la matematica, dove i problemi e le soluzioni sono chiaramente definiti². Ma i più recenti ITS si sono occupati anche di altri argomenti.

Sistemi adattivi e apprendimento

L'apprendimento adattivo si verifica quando gli strumenti e i sistemi digitali creano percorsi di apprendimento individuali - la sequenza di attività eseguite per apprendere un determinato contenuto o abilità. I percorsi di apprendimento dipendono dai punti di forza, dalle debolezze e dal ritmo di apprendimento di ciascun individuo^3,4.

L'idea di una macchina che si adatta a uno studente risale agli anni Cinquanta del secolo scorso. Con il recente avvento della tecnologia, le possibilità sono ora infinite. Questi sistemi di apprendimento adattivi possono essere utilizzati per diversi scopi: risoluzione di problemi, apprendimento di concetti e/o valutazione dello studente.

Oggi sono disponibili sul mercato molti sistemi di apprendimento adattivi (ALS). Esistono anche strumenti di authoring che aiutano a creare un ALS senza alcuna conoscenza di codifica. Se da un lato la creazione di un ALS può richiedere molto tempo e risorse, dall'altro l'insegnante non ha bisogno di cambiare il proprio piano didattico o il proprio stile per adattarlo alle proprie lezioni. Qualunque sia il loro tipo e la loro forma, le tecnologie utilizzate per creare gli ALS variano molto: non tutti i sistemi sono uguali!

Nella scelta di un sistema, bisogna vedere quanto è adattivo, quale parte dell'apprendimento personalizza e se permette la personalizzazione da parte dell'insegnante. Oltre a questo, ci sono importanti questioni pratiche come l'attrezzatura necessaria, il costo e se la formazione è inclusa nel costo.

Tipi di sistemi di apprendimento adattivi (ALS)

I sistemi di tutoraggio intelligente (visti sopra) sono personalizzati e interattivi. Valutano l'apprendimento in tempo reale. A livello micro, adattano il feedback quando lo studente sta risolvendo un problema. A livello macro, decidono quale problema mostrare successivamente - un po' come Youtube che consiglia quale video guardare. I sistemi di tutoraggio semplici utilizzano alberi decisionali per stabilire quali feedback dare. Altri sistemi vanno oltre le regole predeterminate e utilizzano il Machine Learning per adattare il loro comportamento¹.

I sistemi di apprendimento adattivo possono andare oltre il tutoraggio. I sistemi di apprendimento esplorativo, ad esempio, permettono agli studenti di esplorare un ambiente di apprendimento e di scegliere ciò che li interessa. Ad esempio, i sistemi game-based propongono tutto sotto forma di gioco. Quando uno studente padroneggia un livello, passa al successivo.

Qualunque sia il tipo, tutti gli ALS devono supportare l'allievo fino a quando non è in grado di svolgere un compito in modo indipendente⁶. Devono stimolare il ragionamento e sostenere il processo decisionale. Devono anche essere in grado di spiegare le loro decisioni all'insegnante e allo studente.

Clicca qui per scoprire i tipi speciali di ITS

Quando si tratta di scegliere e utilizzare l'ALS, o anche di decidere se utilizzarne uno o meno, gli esperti consigliano di iniziare sempre dall'apprendimento². Chiedetevi: quale esigenza dello studente deve essere soddisfatta? Quale strumento è adatto a questo lavoro? e Come verranno supportati in modo diverso i diversi studenti⁵?Gli studi dimostrano che questi sistemi non hanno un impatto significativo sull'apprendimento degli studenti se utilizzati per brevi periodi di tempo. L'efficacia aumenta quando vengono utilizzati per un intero anno scolastico o più a lungo⁷. Se decidete di usarne uno, preparatevi a sostenere gli studenti nella guida del loro apprendimento. Siate pazienti e pronti a sperimentare, fallire e riprovare^2,5.

¹ Groff, J., Personalized Learning : The state of the field and future directions, Center for curriculum redesign, 2017.

² Holmes, W., Anastopoulou S., Schaumburg, H & Mavrikis, M., Technology-enhanced personalised learning: untangling the evidence, Stuttgart: Robert Bosch Stiftung, 2018.

³ Taylor, D., Yeung, M., Bashet, A.Z., Personalized and Adaptive Learning, Innovative Learning Environments in STEM Higher Education pp 17–34, SpringerBriefs in Statistics, 2021.

⁴ Becker, S. et al, NMC Horizon Report: 2018 Higher Education Edition, Educause, 2018.

⁵ Feldstein, M., Hill, P., Personalized Learning: What It Really Is and Why It Really Matters, Educause Review, 2016.

⁶ Wood, D., Bruner, J., Ross, G., The role of tutoring in problem solving,  The Journal of Child Psychology and Psychiatry, 1976.

⁷ Alkhatlan, A., Kalita, J.K., Intelligent Tutoring Systems: A Comprehensive Historical Survey with Recent Developments, International Journal of Computer Applications 181(43):1-20, 2019.

ATTIVITÀ

Queste sono le transazioni con carta di credito di due persone che vivono a Nantes. Stanno cercando qualcosa da provare nel fine settimana. Cosa consigliereste a John Doe e cosa a Tom Harris?

Elenco da cui scegliere:

1. Il nuovo punto vendita Burger King
2. Un evento di degustazione di olio d'oliva
3. Un negozio di bagagli online
4. Un concerto sul fiume
5. Corso di nuoto per bambini

I sistemi di raccomandazione esistono almeno da quando esistono le guide turistiche e le top ten. Sebbene il Guardian Best Books del 2022 raccomandi a tutti la stessa lista, probabilmente la adattereste quando scegliete per voi stessi: sceglietene alcuni e cambiate l'ordine di lettura in base alle vostre preferenze personali.

Come consigliare le opzioni per gli sconosciuti? Nell'attività precedente, probabilmente avete cercato di immaginare la loro personalità in base alle informazioni fornite: avete espresso giudizi e applicato stereotipi. Poi, una volta che vi siete fatti un'idea del loro tipo, avete scelto dall'elenco le cose che potevano (o meno) essere rilevanti per loro. I raccomandatori come Amazon, Netflix e Youtube seguono un processo simile.

Al giorno d'oggi, ogni volta che qualcuno cerca informazioni o cerca di scoprire contenuti online, utilizza una sorta di sistema di raccomandazione personalizzato^1,2. La funzione principale di Youtube è quella di indicare ai suoi utenti cosa guardare tra tutti i video disponibili sulla piattaforma. Per gli utenti registrati, utilizza le loro attività passate per creare un "modello", ovvero un tipo di personalità. Una volta che ha un modello per John, può vedere chi altro ha modelli simili a lui. A questo punto raccomanda a John sia i video simili a quelli che ha guardato sia quelli simili a quelli che hanno guardato altri utenti come lui.

Che cos'è un modello?

I modelli possono essere utilizzati per imitare qualsiasi cosa, dagli utenti ai video alle lezioni che un bambino deve imparare. Un modello è una rappresentazione semplificata del mondo in modo che una macchina possa fingere di capirlo:

Come ti "youtubo" (How Youtube you)

Tutti i problemi di raccomandazione comportano una domanda surrogata: "Cosa raccomandare" è un po' troppo generale e vaga per un algoritmo. Netflix ha chiesto agli sviluppatori quale sarebbe la valutazione che un utente A darebbe al video B, in base alle sue valutazioni per altri video. Youtube chiede quale sarebbe il tempo di visione di un determinato utente in un particolare contesto. La scelta di cosa chiedere e cosa prevedere ha un grande impatto sulla raccomandazione che viene mostrata³. L'idea è che la previsione corretta porti a una buona raccomandazione. La previsione stessa si basa su altri utenti con una storia di gusti simili⁴. Ovvero, utenti i cui modelli sono simili.

Modelli di utente

Youtube divide il compito della raccomandazione in due parti e utilizza modelli diversi per ciascuna di esse³. In questa sede, tuttavia, ci atterremo a una spiegazione più semplice.

Per creare un modello utente, gli sviluppatori devono chiedersi quali dati siano rilevanti per la raccomandazione di video. Che dire di ciò che l'utente ha guardato in precedenza? Quali sono state le sue recensioni, valutazioni e preferenze esplicite fino a quel momento? Cosa hanno cercato? E oltre a questi segnali espliciti, Youtube utilizza maggiormente quelli impliciti, che sono più facilmente disponibili³. - Un utente ha semplicemente cliccato su un video o lo ha effettivamente guardato? Se sì, per quanto tempo? Come ha reagito l'utente alle raccomandazioni precedenti¹? Quali ha ignorato? Oltre alle risposte a queste domande, le informazioni demografiche come il sesso, la lingua, la regione e il dispositivo sono di grande valore quando l'utente è nuovo o non è registrato³.

Una volta disponibile un modello per ogni utente, potremmo vedere quali utenti sono simili tra loro e utilizzare queste informazioni per la raccomandazione.

Modelli video

Analogamente agli utenti, potremmo anche utilizzare i video che sono simili (o diversi) tra loro. Dato un video, Youtube ne esamina il contenuto, il titolo e la descrizione, la qualità del video, il numero di persone che lo hanno guardato (conteggio delle visualizzazioni), che lo hanno apprezzato, che lo hanno favorito, che lo hanno commentato o condiviso, il tempo trascorso dal suo caricamento e il numero di utenti iscritti al canale madre¹.

Ciò che un utente guarderà in seguito dipenderà anche dal fatto che un video faccia parte di un episodio di una serie o di un elemento di una playlist. Se un utente sta scoprendo un artista, potrebbe passare dalle canzoni più popolari a quelle di nicchia. Inoltre, un utente non cliccherà su un video la cui immagine di anteprima non è buona^1,3. Tutte queste informazioni vengono inserite anche nel modello.

Uno degli elementi costitutivi del sistema di raccomandazione consiste nel passare da un video a un elenco di video correlati. In questo contesto, definiamo video correlati quelli che un utente probabilmente guarderà successivamente³. L'obiettivo è quello di estrarre il massimo valore dai dati per formulare raccomandazioni migliori⁴.

¹ Davidson, J., Liebald, B., Liu, J., Nandy, P., Vleet, T., The Youtube Video Recommendation System, Proceedings of the 4th ACM Conference on Recommender Systems, Barcelona, 2010.

² Spinelli, L., and Crovella, M., How YouTube Leads Privacy-Seeking Users Away from Reliable Information, In Adjunct Publication of the 28th ACM Conference on User Modeling, Adaptation and Personalization (UMAP '20 Adjunct), Association for Computing Machinery, New York, 244–251, 2020.

³ Covington, P., Adams, J., Sargin, E., Deep neural networks for Youtube Recommendations, Proceedings of the 10th ACM Conference on Recommender Systems, ACM, New York, 2016.

⁴ Konstan, J., Terveen, L., Human-centered recommender systems: Origins, advances, challenges, and opportunities, AI Magazine, 42(3), 31-42, 2021.

In Google, le reti neurali profonde vengono ora utilizzate per l'apprendimento automatico². In base al modello di video, la rete neurale di Youtube prende i video simili a quelli già visti dall'utente. Poi cerca di prevedere il tempo di visione di ogni nuovo video per un determinato modello di utente e li classifica in base alla previsione. L'idea è quella di mostrare i 10-20 video (a seconda del dispositivo) con la migliore posizione in classifica.

Il processo è simile a quello del Machine Learning model che abbiamo studiato in precedenza. In primo luogo, la macchina prende le caratteristiche dai modelli di utenti e video forniti dal programmatore. Impara dai dati di addestramento quale peso dare a ciascuna caratteristica per prevedere correttamente il tempo di visione. Poi, una volta testata e trovata corretta, può iniziare a prevedere e consigliare.

Training

Durante l'addestramento, il sistema riceve milioni di esempi positivi e negativi. Un esempio positivo si ha quando un utente clicca su un video e lo guarda per un certo tempo. Un esempio negativo è quando l'utente non clicca sul video o non lo guarda a lungo².

La rete prende in considerazione le caratteristiche dell'utente e le caratteristiche del video discusse nella sezione modelli di Come Youtube vi studia Parte 1. Regola l'importanza data a ciascuna caratteristica di input verificando se ha previsto correttamente il tempo di visione per un determinato video e utente.

Ci sono circa un miliardo di parametri (peso di ogni caratteristica) da apprendere su centinaia di miliardi di esempi². La rete potrebbe anche imparare a non tenere conto di alcune caratteristiche, attribuendo loro un'importanza pari a zero. Pertanto, l'incorporazione o il modello creato dall'algoritmo può essere molto diverso da quello previsto dagli sviluppatori.

Testing

Una volta addestrata, la rete viene testata su dati già disponibili e regolata. Oltre all'accuratezza della previsione, l'output del sistema deve essere regolato dal programmatore in base a diversi giudizi di valore. Mostrare video troppo simili a quelli già visti non sarà molto coinvolgente. Cosa significa veramente che una raccomandazione è buona? Quanti video simili mostrare e quanta diversità introdurre, sia rispetto agli altri video sia rispetto alla storia dell'utente. Quanti interessi dell'utente coprire? Quali tipi di raccomandazioni portano a una soddisfazione immediata e quali a un utilizzo a lungo termine?^1,3 Sono tutte domande importanti da considerare.

Dopo questo test, si procede alla valutazione in tempo reale delle raccomandazioni. Viene misurato il tempo totale di visione per ogni serie di video predetti². Se un utente guarda più a lungo l'insieme di video raccomandati, il modello è considerato di maggior successo. Si noti che la semplice osservazione del numero di video cliccati non è un buon metodo di valutazione. Youtube valuta i suoi raccomandatori in base a quanti video raccomandati sono stati guardati per una frazione sostanziale del video, alla durata della sessione, al tempo trascorso fino alla prima visione prolungata e alla frazione di utenti connessi con raccomandazioni¹.

Interfaccia

Infine, il modo in cui le raccomandazioni vengono presentate allo spettatore: quanti video mostrare? Le raccomandazioni migliori devono essere presentate tutte insieme o alcune devono essere conservate per un secondo momento?³ Come visualizzare le miniature e i titoli dei video? Quali altre informazioni mostrare? Quali impostazioni può controllare l'utente?¹ Le risposte a queste domande determinano il modo in cui Youtube tiene agganciati due miliardi di utenti 24 ore al giorno.

¹ Davidson, J., Liebald, B., Liu, J., Nandy, P., Vleet, T., The Youtube Video Recommendation System, Proceedings of the 4th ACM Conference on Recommender Systems, Barcelona, 2010.

² Covington, P., Adams, J., Sargin, E., Deep neural networks for Youtube Recommendations, Proceedings of the 10th ACM Conference on Recommender Systems, ACM, New York, 2016.

³ Konstan, J., Terveen, L., Human-centered recommender systems: Origins, advances, challenges, and opportunities, AI Magazine, 42(3), 31-42, 2021.

4 Spinelli, L., and Crovella, M., How YouTube Leads Privacy-Seeking Users Away from Reliable Information, In Adjunct Publication of the 28th ACM Conference on User Modeling, Adaptation and Personalization (UMAP '20 Adjunct), Association for Computing Machinery, New York, 244–251, 2020.

Un ALS ideale si adatta in più modi. Nel ciclo esterno, la sequenza delle attività di apprendimento viene adattata, in modo simile a Youtube che adatta l'elenco dei video consigliati. Il ciclo esterno potrebbe anche personalizzare gli approcci di apprendimento e i livelli di difficoltà.

Nel ciclo interno, all'interno di ogni attività, l'ALS monitora i progressi passo dopo passo. Adatta il feedback e i suggerimenti per correggere le eventuali idee sbagliate. Può anche indicare contenuti aggiuntivi se lo studente ha problemi a ricordare un concetto precedentemente appreso. Alcuni esperti sostengono che il ciclo interno è meglio lasciarlo all'istruttore: non solo è costoso e richiede tempo programmare tutte le regole per la materia e il compito specifico, ma le conoscenze e l'esperienza dell'insegnante avranno sempre la meglio su quelle della macchina³.

Come i sistemi adattivi studiano e imparano a conoscere lo studente

Come tutti i problemi di raccomandazione (vedi Come Youtube vi studia Parte 1), l'ALS suddivide il compito in una o più domande surrogate a cui la macchina può rispondere. Anche in questo caso, la scelta di cosa chiedere - e quindi di cosa prevedere - ha un grande impatto sulla raccomandazione che viene mostrata.

Il materiale di marketing spesso menziona obiettivi multipli: miglioramento dei punteggi, occupabilità, coinvolgimento. Data la natura proprietaria dei sistemi, di solito non è chiaro quali domande siano codificate nei sistemi, per quali obiettivi siano ottimizzati e come gli obiettivi a breve termine siano differenziati da quelli a lungo termine (ad esempio, la padronanza di un determinato contenuto per passare al livello successivo)⁴.

Quando si utilizza l'apprendimento automatico, qualunque sia l'obiettivo scelto, la previsione stessa si basa su altri discenti con livelli di abilità e preferenze simili. Ovvero, discenti i cui modelli sono simili.

Il modello di studente

Per creare un modello di studente, gli sviluppatori si chiedono quali caratteristiche dello studente siano rilevanti per il processo di apprendimento. A differenza degli insegnanti, che possono osservare direttamente gli studenti e modificare il loro approccio, le macchine sono limitate ai dati che possono raccogliere ed elaborare.

Caratteristiche tipiche considerate in un modello di studente:

• Cosa sa lo studente - il suo livello di conoscenza, le sue abilità e le sue concezioni errate^5,2,6. Queste conoscenze vengono solitamente dedotte attraverso le valutazioni, ad esempio la risposta che uno studente dà a un problema di matematica¹. Queste conoscenze pregresse vengono poi confrontate con quelle che lo studente dovrà conoscere alla fine del periodo di apprendimento.
• Come uno studente preferisce imparare: il processo di apprendimento e le preferenze^5,6. Ad esempio, il numero di volte in cui uno studente tenta di rispondere a un quesito prima di risolverlo, i tipi di risorse consultate, le valutazioni date a un'attività¹, o il materiale che lo ha maggiormente coinvolto (immagini, audio o testo)². Gli ALS possono anche registrare quando e come sono state apprese le competenze e quali pedagogie hanno funzionato meglio⁶.
• Lo studente si sente motivato:  i sentimenti e le emozioni possono essere registrati direttamente dallo studente o estratti indirettamente dal parlato, dalle espressioni facciali, dal tracciamento degli occhi, dal linguaggio del corpo, dai segnali fisiologici o da combinazioni di questi elementi. Queste informazioni possono essere utilizzate per far uscire lo studente da stati negativi come la noia o la frustrazione, che inibiscono l'apprendimento, verso stati positivi come l'impegno o il divertimento⁷.
• E gli aspetti cognitivi come la memoria, l'attenzione, la capacità di risolvere i problemi, la capacità decisionale, l'analisi delle situazioni e il pensiero critico⁵.
• Come comunicano e collaborano⁵. Per esempio, se pubblicano commenti sui feed degli altri studenti e come discutono con gli altri per risolvere i problemi¹.
• E le abilità metacognitive come l'autoregolazione, l'autoesplicitazione, l'autovalutazione e l'autogestione⁵, ricerca di aiuto, consapevolezza e capacità di controllo del proprio pensiero. Ad esempio, il modo in cui selezionano gli obiettivi di apprendimento, utilizzano le conoscenze pregresse o scelgono intenzionalmente le strategie di risoluzione dei problemi⁵.

Mentre questi dati cambiano e devono essere registrati e aggiornati, i modelli contengono anche caratteristiche statiche come l'età, il sesso, la lingua madre e l'indirizzo e-mail².

La maggior parte degli ALS crea modelli di apprendimento basati sulle interazioni con gli studenti. Alcuni raccolgono informazioni anche da altri siti, soprattutto dai social media. Una volta disponibile un modello per ogni studente, la macchina calcola quali studenti sono simili tra loro e stima la probabilità che un determinato studente possa trarre beneficio da un'attività, un esempio o una domanda³.

Il modello di dominio

Possiamo tracciare un parallelo tra gli oggetti di apprendimento di un ALS e i video di Youtube. Un argomento può essere suddiviso in concetti e abilità, chiamati unità di conoscenza (Knowledge Units - KU): si tratta di ciò che lo studente deve sapere³. Ogni KU ha un insieme di oggetti di apprendimento attraverso i quali i contenuti possono essere appresi e un insieme di attività per valutare l'apprendimento. Alcuni autori suddividono ulteriormente gli oggetti di apprendimento in attività di apprendimento, ma non lo facciamo qui.

Ciò che un allievo apprende successivamente dipenderà anche dalle interrelazioni tra le KU e quindi anche queste devono essere inserite nel modello: gli oggetti di apprendimento A e B potrebbero essere entrambi pre-requisiti per l'oggetto di apprendimento D. Quindi, A e B devono essere padroneggiati prima di D. C'è un ordine tra alcune KU che ci dice come apprendiamo³. Al contrario, se lo studente risolve correttamente un problema che corrisponde a D, c'è da scommettere che abbia padroneggiato anche A e B.

Gli esperti in materia possono fornire alcune di queste relazioni. Il resto delle inferenze può essere appreso dalla macchina, che può prevedere la probabilità che una KU sia stata padroneggiata: quanto il sistema è sicuro che l'allievo abbia padroneggiato A e B, dato che ha risposto alle domande della sezione D. Può quindi utilizzare queste informazioni, insieme ad altre caratteristiche dei modelli dell'allievo e del dominio, per raccomandare percorsi di apprendimento e oggetti didattici.

  Altre caratteristiche degli oggetti di apprendimento potrebbero includere il livello di difficoltà dell'attività, la sua popolarità e le valutazioni. L'obiettivo, come nel caso della raccomandazione di Youtube, è quello di estrarre quante più informazioni possibili dai dati disponibili.

¹ EdSurge, Decoding Adaptive, Pearson, London, 2016.

² Alkhatlan, A., Kalita, J.K., Intelligent Tutoring Systems: A Comprehensive Historical Survey with Recent Developments, International Journal of Computer Applications 181(43):1-20, March 2019.

³ Essa, A., A possible future for next generation adaptive learning systems, Smart Learning Environments, 3, 16, 2016.

⁴ Bulger M., Personalised Learning: The Conversations We’re Not Having, Data & Society Working Paper, 2016.

⁵ Chrysafiadi, K., Virvou, M., Student modeling approaches: A literature review for the last decade, Expert Systems with Applications, Elsevier, 2013.

⁶ Groff, J., Personalized Learning: The state of the field and future directions, Center for curriculum redesign, 2017.

⁷ du Boulay, B., Poulovasillis, A., Holmes, W., Mavrikis, M., Artificial Intelligence And Big Data Technologies To Close The Achievement Gap, In: Luckin, Rose ed. Enhancing Learning and Teaching with Technology. London: UCL Institute of Education Press, pp. 256–28, 2018.

Negli ultimi anni, l'apprendimento automatico è sempre più utilizzato nei sistemi adattivi, come unica tecnologia o in combinazione con altri approcci². Quando viene utilizzato, il ruolo principale del ML è quello di creare e aggiornare i modelli degli studenti sulla base di un insieme di caratteristiche, compresi i risultati delle valutazioni e i nuovi dati generati durante il processo¹.

Per il ciclo esterno, i modelli vengono creati con l'aiuto dei dati di addestramento, assegnando pesi adeguati alle caratteristiche per aiutare a raccomandare contenuti di apprendimento efficaci². (fai riferimento anche a Parlare di IA : Apprendimento automatico). Questi modelli vengono utilizzati per raccomandare regolarmente nuovi percorsi di apprendimento che riflettono i progressi e i cambiamenti di interesse degli studenti, come le nuove raccomandazioni di Youtube. Negli ALS basati su ML, il numero di percorsi può arrivare a trilioni³.Nel ciclo interno, l'apprendimento automatico viene utilizzato per fornire un feedback adeguato, individuare gli errori, dedurre le lacune nelle conoscenze e valutare la padronanza delle unità di conoscenza (KU). Mentre lavora su un'attività, uno studente potrebbe commettere degli errori. Il ML può essere utilizzato per prevedere quali errori derivano da quali lacune di conoscenza. Se un passaggio della soluzione è corretto, il ML può essere usato per prevedere quali unità di conoscenza sono state padroneggiate con successo².

Altre tecniche utilizzate nei sistemi adattivi comportano una minore automazione e regole più esplicitamente scritte per fare inferenze². Richiedono molto tempo di programmazione e uno sforzo supplementare per catturare accuratamente tutti i criteri che entrano nel processo decisionale. Inoltre, spesso i risultati non possono essere generalizzati da un dominio all'altro o da un problema all'altro.

Gli strumenti che utilizzano il ML utilizzano grandi serie di dati sulle prestazioni effettive degli studenti e sono in grado di creare i percorsi di apprendimento più dinamici per gli studenti nel tempo¹. Come per tutte le applicazioni di ML, è necessario effettuare formazione e test prima di poterle utilizzare in classe.

Modello pedagogico

Nel caso di Youtube, abbiamo visto che ci sono molti giudizi di valore su ciò che rende una raccomandazione buona, come ad esempio quanti interessi dell'utente coprire in un set di raccomandazioni, quanti video dovrebbero essere simili a quelli già visti, quanti nuovi contenuti aggiungere per la diversità. (vedi AI Speak : Come Youtube ti studia Parte 2). L'ALS comporta giudizi simili su cosa significhi padroneggiare una KU e su come raggiungere tale padronanza: la pedagogia e l'esperienza quotidiana del discente⁴.

Nel caso dell'ALS, questi giudizi e indicazioni sul modo in cui uno studente deve progredire dovrebbero essere basati su teorie pedagogiche comprovate. Queste vengono inserite nel modello pedagogico e, insieme ai modelli del dominio e dell'allievo, aiutano la macchina a scegliere un insieme appropriato di attività.

Alcune delle domande che trovano risposta in questo modello sono: Allo studente deve essere presentato un concetto, un'attività o un test? A quale livello di difficoltà? Come valutare l'apprendimento e fornire un feedback? Dove è necessario un maggiore scaffolding⁵?  (Con il termine "scaffolding" si fa riferimento a meccanismi di supporto che forniscono indicazioni su concetti e procedure, sulla strategia utilizzata e su come riflettere, pianificare e monitorare l'apprendimento.) Il modello pedagogico determina l'ampiezza e la profondità delle attività e persino la scelta di proseguire all'interno dell'ALS o di farsi aiutare dall'insegnante³.

Interfaccia

• Come fornire i contenuti?
• Quanti contenuti raccomandare in una sola volta?
• Cosa viene assegnato direttamente e cosa viene raccomandato?
• Quali sono le risorse di supporto?
• È possibile prevedere attività di gruppo?
• Quanta autonomia concedere?
• Lo studente può cambiare le proprie preferenze?
• L'insegnante può modificare i percorsi di apprendimento?
• Quali dati vengono mostrati all'insegnante?
• L'insegnante è coinvolto?

Valutazione

Quando l'ALS viene utilizzato, la maggior parte dei sistemi monitora le proprie prestazioni rispetto ai criteri stabiliti dal programmatore. Come in ogni strumento di intelligenza artificiale, i dati possono essere distorti. Le inferenze tratte dal sistema possono essere imprecise. I dati passati dello studente diventeranno sempre meno rilevanti con il passare del tempo⁶. Pertanto, l'insegnante deve anche monitorare le prestazioni del sistema e fornire all'allievo indicazioni e misure correttive, se necessario.

Sono anche gli insegnanti e i compagni che devono fornire ispirazione e rivelare risorse alternative:  Per oltre un decennio, la ricerca sui sistemi di raccomandazione è stata orientata dai fornitori di contenuti commerciali e dalle aziende di vendita al dettaglio online. Pertanto, l'attenzione si è concentrata sulla fornitura di raccomandazioni affidabili che producono risultati che possono essere promossi. "Il piacere sorprendente di una gemma inaspettata⁷" e le strade meno battute, quelle che possono ispirare fortemente un apprendimento duraturo, non sono un punto di forza dell'apprendimento personalizzato basato sulle macchine.

¹ EdSurge, Decoding Adaptive, Pearson, London, 2016.

² Chrysafiadi, K., Virvou, M., Student modeling approaches: A literature review for the last decade, Expert Systems with Applications, Elsevier, 2013.

³ Essa, A., A possible future for next generation adaptive learning systems, Smart Learning Environments, 3, 16, 2016.

⁴ Groff, J., Personalized Learning: The state of the field and future directions, Center for curriculum redesign, 2017.

⁵ Alkhatlan, A., Kalita, J.K., Intelligent Tutoring Systems: A Comprehensive Historical Survey with Recent Developments, International Journal of Computer Applications 181(43):1-20, March 2019.

⁶ du Boulay, B., Poulovasillis, A., Holmes, W., Mavrikis, M., Artificial Intelligence And Big Data Technologies To Close The Achievement Gap, In: Luckin, Rose ed. Enhancing Learning and Teaching with Technology. London: UCL Institute of Education Press, pp. 256–28, 2018.

⁷ Konstan, J., Terveen, L., Human-centered recommender systems: Origins, advances, challenges, and opportunities, AI Magazine, 42(3), 31-42, 2021.

Nonostante il potenziale promesso dai sistemi di apprendimento adattivi, molte domande rimangono senza risposta. Non ci sono ancora sufficienti ricerche o documentazioni di pratiche in classe che aiutino a risolvere questi problemi:

• I sistemi di raccomandazione sono utilizzati per suggerire film agli utenti di Netflix. Aiutano i consumatori a trovare la scelta giusta, ad esempio, di altoparlanti audio su Amazon. Ma possono effettivamente migliorare i risultati di apprendimento di ogni studente in classe¹?
• Concentrarsi sempre sul rendimento e sull'individualizzazione influisce sul benessere psicologico dello studente²?
• L'individualizzazione richiede molta disciplina e autoregolazione da parte degli studenti. Gli studenti devono iniziare a lavorare da soli e continuare a farlo fino a completare tutte le attività assegnate. Tutti gli studenti sono in grado di farlo senza aiuto²?
• Come bilanciare l'individualizzazione con le opportunità di apprendimento sociale³?
• Come passare dall'utilizzo degli ALS come supporto per un singolo argomento, all'utilizzo sistematico di questi sistemi, attraverso argomenti e materie²? E il cambiamento del curriculum che sarà necessario per incorporare l'adattabilità³?
• E le infrastrutture necessarie? Cosa bisogna fare per quanto riguarda i dati e la privacy, i pregiudizi e gli stereotipi rafforzati³?

Un paradigma di SLA: Il vecchio è oro

Cosa fanno i sistemi di apprendimento automatico quando prevedono o raccomandano qualcosa? Utilizzano le esperienze passate, le preferenze e le prestazioni dello studente per scegliere cosa consigliargli: Guardano al passato per prevedere il futuro. Pertanto, questi sistemi sono sempre orientati verso il passato⁴. L'apprendimento automatico funziona meglio in un mondo statico e stabile, dove il passato assomiglia al futuro⁵. L'ALS basato su modelli di apprendimento automatico fa più o meno la stessa cosa, ma ora con l'aggiunta di considerazioni pedagogiche.

Un paradigma di SLA: L'esplicito riflette l'implicito

Anche quando il passato può essere usato in modo affidabile per prevedere il futuro, il passato stesso potrebbe essere difficile da catturare con precisione. Come fa Youtube a sapere che un utente ha apprezzato un video? È più facile se ha cliccato sul pulsante Mi piace o si è iscritto al canale principale dopo averlo visto. Ma questi comportamenti espliciti sono spesso rari. I sistemi di raccomandazione devono ricorrere regolarmente a segnali impliciti che possono riflettere o meno la verità⁴. Ad esempio, Youtube utilizza il tempo trascorso dall'utente a guardare il video come segnale implicito che il video gli è piaciuto e che vorrebbe guardare contenuti simili. Ma il fatto che un video sia stato riprodotto sul computer di qualcuno fino alla fine non significa che gli sia piaciuto o che lo abbia guardato⁷.

Il paradigma della SLA: Tutto può essere sostituito da questa domanda

I sistemi di raccomandazione non sono in grado di gestire obiettivi multipli. L'obiettivo dell'ALS è spesso presentato sotto forma di un'unica domanda: la domanda surrogata. Che voto ha dato un utente a un film, per quanto tempo ha guardato un video, qual è il punteggio dello studente in un quiz, quanto ha soddisfatto i criteri utilizzati dalla macchina per misurare l'attenzione... I sistemi vengono quindi addestrati per raggiungere questo obiettivo e testati in base al suo raggiungimento. Le loro prestazioni sono costantemente regolate per massimizzare il loro punteggio rispetto a questo obiettivo.

Tutta la tecnologia non è Hi-Tech

Come abbiamo visto finora, sono molte le decisioni che entrano in gioco nella realizzazione degli ALS: Quali dati vengono misurati, come questi dati vengono utilizzati per valutare il feedback e altre informazioni, quali obiettivi vengono ottimizzati, quali algoritmi vengono utilizzati per ottimizzare questi obiettivi... Il più delle volte, sono programmatori, scienziati dei dati, esperti di finanza e di marketing a prendere queste decisioni. Il contributo di insegnanti ed esperti di pedagogia al processo di sviluppo è raro e spesso arriva dopo il processo di progettazione². I prodotti non vengono testati sul campo prima di essere adottati nelle scuole e spesso la loro efficacia si basa su testimonianze e aneddoti, anziché sulla ricerca scientifica².

¹ Bulger M., Personalised Learning: The Conversations We’re Not Having, Data & Society Working Paper, 2016.

² Groff, J., Personalized Learning: The state of the field and future directions, Center for curriculum redesign, 2017.

³ Holmes, W., Anastopoulou S., Schaumburg, H & Mavrikis, M.,Technology-enhanced personalised learning: untangling the evidence, Stuttgart: Robert Bosch Stiftung, 2018.

⁴ Covington, P., Adams, J., Sargin, E., Deep neural networks for Youtube Recommendations, Proceedings of the 10th ACM Conference on Recommender Systems, ACM, New York, 2016.

⁵ Barocas, S.,  Hardt, M., Narayanan, A., Fairness and machine learning Limitations and Opportunities, 2022.

⁶ Konstan, J., Terveen, L., Human-centered recommender systems: Origins, advances, challenges, and opportunities, AI Magazine, 42(3), 31-42, 2021.

⁷ Davidson, J., Liebald, B., Liu, J., Nandy, P., Vleet, T., The Youtube Video Recommendation System, Proceedings of the 4th ACM Conference on Recommender Systems, Barcelona, 2010.

La traduzione automatica è stata una sfida storica specifica per l'intelligenza artificiale e le diverse tecnologie di AI sono state sperimentate nel corso degli anni. I sistemi basati su regole (con regole costruite a mano da esperti) sono stati sostituiti da tecniche di apprendimento automatico statistico quando sono diventati disponibili set di dati di testi paralleli. Negli ultimi 5 anni le tecniche di deep learning sono diventate lo stato dell'arte.

Mentre qualche anno fa questi strumenti venivano principalmente utilizzati in ambiti ricreativi, ad esempio canzoni o menu, e in qualche caso restituivano traduzioni divertenti oggi non è più così:

• Le istituzioni internazionali stanno pensando di utilizzare strumenti di traduzione automatica per supportare il multilinguismo.
• Le piattaforme video dei grandi media utilizzeranno la traduzione automatica piuttosto che quella umana per raggiungere meglio il pubblico.
• Le persone bilingue e i professionisti della traduzione sembrano utilizzare questi strumenti nella loro vita e nelle loro attività professionali.

Inoltre, ulteriori miglioramenti devono ancora arrivare: la qualità della traduzione continua a crescere, le soluzioni che combinano le traduzioni con le trascrizioni e la sintesi vocale che consente una comunicazione multilingue senza soluzione di continuità saranno comuni tra non molto tempo.

Anche se questi strumenti non sono stati progettati per l'istruzione, stanno già avendo un impatto sull'istruzione.

Gli studenti usano la traduzione automatica?

Per quanto ne sappiamo, ad oggi (dicembre 2022) non esistono documenti ufficiali pubblici che attestino l'esistenza di questo problema, né indagini su larga scala. Esistono discussioni su forum³ e articoli che presentano possibili modi per evitare di imbrogliare con l'IA o che suggeriscono modi per introdurre l'IA nelle lezioni di lingua straniera. Questi articoli partono dal presupposto che l'uso di strumenti di traduzione automatica da parte degli studenti sia molto diffuso.

In una ricerca ristretta e informale che abbiamo condotto nell'aprile 2022 con insegnanti di varie lingue (Inglese, Francese, Tedesco) di diversi livelli (le classi principali corrispondevano ad alunni di 12-16 anni), e nell'area di Parigi - quindi gli alunni e gli insegnanti erano francesi -, il fenomeno era comune. Tutti gli insegnanti hanno dovuto fare i conti con alunni che, una volta usciti dall'aula, facevano uso di DeepL o di Google translate.

Ecco alcune delle osservazioni ricevute:

• L'unica abilità che gli alunni sembrano acquisire è il copia-incolla.
• Anche gli alunni più bravi e motivati lo fanno: provano a fare i compiti da soli, ma poi li "controllano" con uno strumento di traduzione automatica e il più delle volte si rendono conto che il risultato automatico è molto migliore del loro, quindi mantengono la soluzione costruita dalla macchina.
• Ora c'è anche un problema di motivazione, poiché gli studenti iniziano a mettere in dubbio l'utilità di imparare le lingue.

L'analisi appena descritta necessita di molto più lavoro: un'indagine generalizzata su vari Paesi sarebbe certamente utile. Tuttavia, le discussioni con le varie parti interessate ci hanno permesso di considerare quanto segue:

• Quando si presentano gli esperimenti di cui sopra, un esempio tipico è quello di screditare l'idea che l'insegnante debba limitarsi a chiedere, come compito a casa, di tradurre un testo. C'è di più: anche per gli esercizi più creativi (come la stesura di un saggio su una domanda particolare) si possono usare strumenti di traduzione automatica: l'alunno scriverà il saggio nella propria lingua e poi lo tradurrà.
• La questione della motivazione è cruciale. Non è nuova: già nel 2000 autori ed educatori sostenevano che: "alcuni considerano il perseguimento della competenza in una lingua straniera come un ammirevole dispendio di energie, altri possono considerarlo non necessario se esiste un'alternativa efficace"⁵.

Le nostre osservazioni coincidono con le reazioni riscontrate nei forum o riportate in letteratura⁴.

I traduttori automatici possono ingannare gli insegnanti?

La domanda è stata posta e oggi i blog sembrano indicare che un insegnante di lingue riconoscerà la traduzione automatica, anche quando questa è stata corretta da un umano in una fase successiva: Birdsell¹ ha immaginato un compito in cui gli studenti giapponesi dovevano scrivere un saggio di 500 parole in inglese. Alcuni dovevano scriverlo direttamente, con l'uso degli strumenti abituali (dizionari, ortografia), mentre altri dovevano scrivere il saggio in giapponese e poi tradurlo - utilizzando DeepL - in inglese. È interessante notare che gli insegnanti avrebbero dato un voto più alto agli studenti del secondo gruppo, ma sarebbero stati anche in grado di identificare i saggi scritti da DeepL.

Gli strumenti di traduzione automatica possono essere combinati con i generatori di testo?

È ancora presto per prevedere quale sarà il corso degli eventi, ma per il momento la risposta è sì. Per fare un semplice esempio, alcuni giornalisti in Francia hanno utilizzato uno strumento di generazione di testo (Open-AI playground) per produrre un testo, poi hanno analizzato DeepL e si sono sentiti a proprio agio nel presentare questo testo alla comunità².

Usare un traduttore automatico significa imbrogliare?

Questa è una domanda a cui non è semplice rispondere. Consultando i forum di discussione su Internet³ ci si può facilmente convincere che usare un traduttore automatico significa effettivamente imbrogliare: agli studenti vengono date regole severe per non usare questi strumenti e se non rispettano le regole e vengono sorpresi a imbrogliare saranno puniti. Ma si possono addurre anche delle motivazioni a supporto della posizione opposta: l'educazione consiste nell'insegnare alle persone a usare in modo intelligente gli strumenti per svolgere i compiti, che ne dite di fare in modo che un alunno impari a usare gli strumenti che troverà a disposizione fuori dalla scuola?

Questo libro di testo non può e non vuole dare una risposta definitiva, ma suggeriamo agli insegnanti di esplorare come questi strumenti possano essere utilizzati per imparare le lingue.

Che cosa deve fare un insegnante a questo proposito?

Florencia Henshaw discute una serie di opzioni⁴, nessuna delle quali sembra convincente:

• L'approccio consiste nello spiegare che l'IA semplicemente non funziona (uno dei preferiti nei forum³): anche quando gli studenti fossero d'accordo con questa idea - tuttavia sarà sempre più difficile convincerli che uno strumento che funziona meglio dei loro genitori è cattivo - lo userebbero comunque..
• L'approccio della tolleranza zero si basa sulla capacità di rilevare l'uso dell'IA. Questo può essere il caso oggi¹ ma non è certo che rimarrà tale. Occorre, inoltre, interrogarsi su una questione fondamentale: usare l'IA è imbrogliare? In cosa è diverso dall'uso di occhiali per leggere meglio o di una carriola per trasportare oggetti?
• Anche l'approccio in cui lo strumento può essere utilizzato solo in parte (per cercare singole parole, ad esempio) viene criticato⁴: gli strumenti di traduzione automatica funzionano perché fanno uso del contesto. Su singole parole (fuori dal contesto) non avranno prestazioni migliori rispetto ai dizionari.
• L'approccio di utilizzare lo strumento in modo intelligente, dentro e fuori dall'aula, è allettante, ma richiederà più lavoro per sviluppare attività che siano di reale aiuto alle situazioni di apprendimento.

¹ Birdsell, B. J., Student Writings with DeepL: Teacher Evaluations and Implications for Teaching, JALT2021  Reflections & new perspectives 2021.

² Calixte, L, Novembre 2022, https://etudiant.lefigaro.fr/article/quand-l-intelligence-artificielle-facilite-la-fraude-universitaire_463c8b8c-5459-11ed-9fee-7d1d86f23c33/.

³ Reddit discussion on Automatic translation and cheating. https://www.reddit.com/r/Professors/comments/p1cjiu/foreign_language_teachers_how_do_you_deal_with/.

⁴ Henshaw, F. Online Translators in Language Classes: Pedagogical and Practical Considerations, The FLT MAG, 2020, https://fltmag.com/online-translators-pedagogical-practical-considerations/.

⁵ Cribb, V. M. (2000). Machine translation: The alternative for the 21st century?. TESOL Quarterly, 34(3), 560-569. https://doi.org/10.2307/3587744.

Ma la trasformazione indotta da questi strumenti non si limita alla correzione di alcuni refusi; è stata molto più profonda e ha portato a un modo diverso di scrivere. La scrittura digitale ci permette di tornare su ciò che abbiamo scritto e di modificarlo per esprimere in modo più efficace ciò che vogliamo trasmettere.

Usando parole un po' più tecniche, siamo passati da un approccio lineare alla scrittura lineare a un processo iterativo. Secondo studi recenti, la trasformazione del processo di scrittura indotta dagli strumenti digitali ha migliorato notevolmente la qualità dei testi prodotti.

Scrivere nell'era dell'IA

In ogni caso, il processo di evoluzione della scrittura e delle relative forme di pensiero non si è fermato. Negli ultimi anni, con l'esplosione dell'intelligenza artificiale, ha subito una notevole accelerazione.

Strumenti come Grammarly, Wordtune, Ludwig, ProWritingAid e così via sono progettati non solo per fornire una correzione grammaticale del testo. Essi supportano l'utente durante l'intero processo di scrittura, stimolando il miglioramento dello stile di scrittura, controllando il plagio e altro ancora.

Riconoscere che il mondo della scuola non può essere immune da tali innovazioni è banale. Ciò è confermato dal crescente numero di interventi educativi proposti in letteratura e progettati per sfruttare tali software. Alcuni studiosi propongono di utilizzare questi strumenti per lavorare sulle competenze degli studenti nell'utilizzo di fonti di informazione esterne, per sviluppare adeguate capacità di parafrasi che possano evitare problemi di plagio. Molti di questi strumenti possono supportare l'insegnante nella valutazione dei testi prodotti dagli studenti, fornendo un'analisi tempestiva dei punti di forza e di debolezza dei singoli studenti. Inoltre, questi strumenti permettono allo studente stesso di autovalutare le proprie capacità di scrittura, consentendo così processi metacognitivi e accelerando l'apprendimento.

Non è tutto oro quel che luccica...

Chiaramente, non si tratta di innovazioni prive di potenziali problemi. In primo luogo, avrete probabilmente capito che alla base di tutti questi meccanismi di deep learning ci sono i dati di partenza su cui vengono costruiti i modelli. Dati di addestramento limitati o errati potrebbero causare distorsioni significative. Inoltre, è probabile il rischio di una generale omogeneizzazione dei testi prodotti/attesi da questi strumenti. Ciò potrebbe determinare una conseguente limitazione (o penalizzazione, nel caso della valutazione) della creatività degli studenti. Infine, questi strumenti sono principalmente limitati alla gestione della lingua inglese; quindi, nel dominio della L2 possono essere utilizzati contesti non anglofoni. Detto questo, la velocità dell'innovazione è tale che presto vedremo emergere strumenti simili per lingue diverse dall'Inglese.

Uno sguardo al futuro

Uno dei principali processi cognitivi legati al processo di scrittura è il recupero dalla memoria a lungo termine di quelle informazioni necessarie per completare il messaggio che vogliamo esprimere. È facile ipotizzare come questi strumenti supporteranno anche questo processo, consentendo un accesso immediato e semplificato a una "memoria" molto più ampia della nostra.

Infine, gli enormi progressi nei processi di generazione del testo lasciano presagire un futuro in cui questi strumenti potranno supportare il processo di scrittura in una forma molto più attiva.

Il modo in cui scriviamo i testi probabilmente cambierà ulteriormente in forme che non possiamo ancora immaginare. Tuttavia, la sfida rimarrà sempre la stessa: saper usare consapevolmente gli strumenti a nostra disposizione e adattare di conseguenza il nostro modo di insegnare. Siete pronti?

La conoscenza umana è ampia e mutevole ed è intrinsecamente difficile da cogliere. La mente umana può assorbire ed elaborare conoscenza dal momento che è, come ha sostenuto Noam Chomsky: «un sistema sorprendentemente efficiente e persino elegante che funziona con piccoli quantitativi di informazioni; cerca di non evincere correlazioni irrazionali tra i punti di dati, ma di creare spiegazioni»¹.

Si presume che l’apprendimento automatico faccia la stessa cosa rinvenendo schemi in vasti quantitativi di dati. Ma, prima di fare ciò, esperti e programmatori devono sedersi e codificare quali caratteristiche dei dati abbiano rilevanza per il problema considerato e inserirle nella macchina come “parametri”^2,3. Come abbiamo visto precedentemente, le prestazioni del sistema dipendono notevolmente dalla qualità dei dati e da questi parametri, ai quali non è sempre immediato risalire.

Le reti neurali profonde, denominate anche apprendimento profondo, sono una branca dell’apprendimento automatico pensata per superare questo inconveniente:

• estraendo propri parametri dai dati durante la fase di addestramento;
• facendo ricorso a molteplici strati che creano relazioni tra parametri, le quali vanno progressivamente da rappresentazioni semplici nello strato più esterno a rappresentazioni più complesse e astratte e ciò consente di fare alcune cose meglio che con i convenzionali algoritmi di apprendimento automatico².

Moltissime applicazioni potenti di apprendimento automatico fanno sempre maggiore ricorso all’apprendimento profondo. Tra esse vi sono i motori di ricerca, i sistemi di raccomandazione, le funzioni di trascrizione vocale e di traduzione che abbiamo trattato in questo libro. Non sarà una forzatura affermare che l’apprendimento profondo ha dato una notevole spinta al successo dell’intelligenza artificiale in molteplici attività.

Il termine “profondo” fa riferimento a come gli strati si sovrappongono in modo da creare la rete. Il termine “neurale” riflette il fatto che alcuni aspetti della progettazione sono stati ispirati al cervello umano inteso da un punto di vista biologico. Nonostante ciò, e anche se forniscono delle informazioni relativamente ai nostri processi di pensiero, si tratta di modelli rigorosamente matematici privi di somiglianza con parti o processi biologici².

I principi fondamentali dell’apprendimento profondo

Addestrare la rete

In questo caso l’y previsto è il prodotto finale e la serie di dati x è l’input. Nel campo del riconoscimento facciale, x è di solito l’insieme dei pixel all’interno di un’immagine. y può essere il nome della persona. Nella rete, gli strati sono assimilabili ai lavoratori in una catena di montaggio nella quale ciascun lavoratore lavora al pezzo che gli è assegnato e lo passa avanti al lavoratore successivo. Il primo strato riceve l’input e lo trasforma un po’ prima di passarlo al secondo nella successione. Il secondo strato fa lo stesso prima di passarlo al terzo e via di questo passo fino a che l’input viene trasformato nel prodotto finale.

Matematicamente, la funzione f è suddivisa in svariate funzioni f1, f2, f3… in cui f= ….f3(f2(f1(x))). Lo strato successivo a quello di ingresso trasforma i parametri di ingresso utilizzando f1, lo strato ancora successivo lo fa utilizzando f2 e così via. Il programmatore potrebbe intervenire per aiutare a scegliere la famiglia di funzioni corretta in base alla propria conoscenza del problema.

È compito di ciascuno strato assegnare il livello di importanza, il peso conferito a ciascun parametro che riceve. Tali pesi sono come delle manopole che in ultima analisi definiscono la relazione tra l’output previsto e l’input in quello strato³. In un sistema di apprendimento profondo tipico, consideriamo centinaia di milioni di queste manopole e centinaia di milioni di esempi di addestramento. Dal momento che né definiamo né possiamo vedere output e pesi negli strati tra l’input e l’output, questi sono definiti strati nascosti.

Nel caso dell’esempio del riconoscimento dell’oggetto discusso precedentemente, è compito del primo lavoratore individuare i margini e passarli al secondo che individua i contorni e così via.

Durante l’addestramento, l’output previsto viene considerato e paragonato all’output reale. Se la differenza tra i due è considerevole, i pesi assegnati in ciascuno strato dovranno essere modificati notevolmente. In caso contrario sarà sufficiente una variazione lieve. Questa attività avviene in due momenti. In primo luogo si calcola la differenza tra la previsione e l’output e poi un altro algoritmo calcola come modificare i pesi in ciascuno strato, iniziando dallo strato di uscita (in questo caso, le informazioni fluiscono risalendo dagli strati più profondi). Pertanto al termine del processo di addestramento, la rete è pronta con i suoi pesi e le sue funzioni ad attaccare i dati di test. Il resto del processo è il medesimo di quello dell’apprendimento automatico convenzionale.

¹ Chomsky, N., Roberts, I., Watumull, J., Noam Chomsky: The False Promise of ChatGPT, The New York Times, 2023.

² Goodfellow, I.J., Bengio, Y., Courville, A., Deep Learning, MIT Press, 2016.

³ LeCun, Y., Bengio, Y., Hinton, G., Deep learning, Nature 521, 436–444 (2015).

• Elaboratori di testi,
• Correzione automatica della grammatica e dell'ortografia,
• completamento automatico,
• Riconoscimento ottico dei caratteri (OCR).

Più di recente, i chatbot, gli assistenti domestici e gli strumenti di traduzione automatica hanno avuto un enorme impatto in tutti i settori.

Per molto tempo, la ricerca e l'industria sono state bloccate dalla complessità intrinseca del linguaggio. Alla fine del XX secolo, le grammatiche di una lingua, scritte da esperti, potevano avere fino a 50.000 regole. Questi sistemi esperti dimostravano che la tecnologia poteva fare la differenza, ma le soluzioni robuste erano troppo complesse da sviluppare.

D'altra parte, il riconoscimento vocale doveva essere in grado di utilizzare i dati acustici e trasformarli in testo. Con la varietà di parlanti che si possono trovare, un compito davvero difficile!

I ricercatori hanno capito che se avessimo avuto un modello della lingua desiderata, le cose sarebbero state più facili: se avessimo saputo quali erano le parole della lingua, come si formavano le frasi, allora sarebbe stato più facile trovare la frase giusta da un insieme di candidati che corrispondesse a un dato enunciato, o produrre una traduzione valida da un insieme di possibili sequenze di parole.

Un altro tema cruciale è stato quello della semantica. La maggior parte del lavoro che possiamo fare per risolvere questioni linguistiche è superficiale: gli algoritmi produrranno una risposta basata su alcune regole sintattiche locali. Se alla fine il testo non significa nulla, così sia. Una cosa simile può accadere quando leggiamo un testo di qualche alunno: possiamo correggere gli errori senza capire veramente di cosa parla il testo! La vera sfida è associare il significato al testo e, quando possibile, alle frasi pronunciate.

Nel 2008 è stato raggiunto un risultato sorprendente¹: un unico modello linguistico poteva essere appreso da una grande quantità di dati e utilizzato per una varietà di compiti linguistici. In effetti, quel modello unico aveva prestazioni migliori rispetto ai modelli addestrati per i compiti specifici.

Il modello era una rete neurale profonda. Non così profonda come i modelli usati oggi! Ma abbastanza da convincere la ricerca e l'industria che l'apprendimento automatico, e più specificamente l'apprendimento profondo, sarebbe stato la risposta a molte domande in NLP (Natural Language Processing).

Da allora, l'elaborazione del linguaggio naturale (NLP) ha smesso di seguire un approccio basato sui modelli e si è quasi sempre basata su un approccio basato sui dati.

Tradizionalmente, i principali compiti linguistici possono essere suddivisi in due famiglie: quelli che riguardano la costruzione di modelli e quelli che riguardano la decodifica.

Costruire modelli

Per trascrivere, rispondere a domande, generare dialoghi o tradurre, è necessario essere in grado di sapere se "Je parle Français" è effettivamente una frase in francese oppure no. E poiché nel linguaggio parlato la grammatica non è sempre seguita con precisione, la risposta dovrà essere probabilistica: una frase è più o meno francese.Questo permette al sistema di produrre diverse frasi candidate (come la trascrizione di un suono, la traduzione di una frase, ...) e la probabilità può essere un punteggio. Si può prendere la frase più alta in classifica o combinare il punteggio con altre fonti di informazione (si può anche essere interessati all'argomento della frase).

I modelli linguistici fanno questo: le probabilità sono costruite da algoritmi di apprendimento automatico. Naturalmente, più dati ci sono, meglio è. Per alcune lingue ci sono molti dati su cui costruire i modelli linguistici. Per altre non è così: si tratta di lingue con poche risorse.

Nel caso della traduzione, vogliamo non 2 ma 3 modelli: un modello linguistico per ogni lingua e un altro modello per le traduzioni, che ci informi su quali possano essere le migliori traduzioni di frammenti di lingua. Questi modelli sono difficili da produrre quando i dati sono scarsi. Se i modelli per le coppie di lingue comuni sono più facili da costruire, non sarà così per le lingue che non sono frequentemente parlate insieme (ad esempio il portoghese e lo sloveno). Una tipica via d'uscita in questo caso è quella di utilizzare una lingua pivot (tipicamente l'inglese) e tradurre attraverso questa lingua pivot: dal portoghese all'inglese e poi dall'inglese allo sloveno. Ovviamente i risultati sono inferiori perché gli errori si accumulano.

Decodifica

La decodifica è il processo con cui un algoritmo prende la sequenza in ingresso (che può essere un segnale o un testo) e, consultando i modelli, prende una decisione, che spesso sarà un testo in uscita. Ci sono alcune considerazioni di carattere algoritmico: in molti casi la trascrizione e la traduzione devono avvenire in tempo reale e la riduzione del ritardo è un aspetto fondamentale. C'è quindi spazio per l'intelligenza artificiale.

End-to-end

Oggi, l'approccio che prevede la costruzione di questi componenti separatamente e la loro successiva combinazione è stato sostituito da approcci end-to-end in cui il sistema trascrive/traduce/interpreta l'input attraverso un modello unico. Attualmente, tali modelli sono addestrati da reti neurali profonde che possono essere enormi: si dice che l'attuale modello GPT3 più grande comprenda diverse centinaia di milioni di parametri!

Proviamo a dare un'occhiata a questa intuizione: supponiamo di avere dei dati. Questi dati grezzi possono essere codificati in qualche modo. Ma la codifica può essere molto ridondante e forse anche costosa. Costruiamo ora una macchina particolare, chiamata autocodificatore (vedi schema sotto). Questa macchina sarà in grado di prendere un testo, comprimerlo in un piccolo vettore (questo è il codificatore), e poi decomprimere il vettore (la parte del decodificatore) e restituire un testo che è in qualche modo vicino al testo originale. L'idea è che questo meccanismo renda il vettore intermedio molto significativo con due proprietà desiderabili: un vettore ragionevolmente piccolo che "contiene" le informazioni del testo iniziale.

Il futuro

Un esempio di end-to-end che vedremo presto sarà in grado di svolgere il seguente compito: vi ascolterà parlare la vostra lingua, trascriverà il vostro testo, lo tradurrà in una lingua che non conoscete, addestrerà un sistema di sintesi vocale alla vostra voce e farà in modo che la vostra voce pronunci il testo corrispondente in una nuova frase. Ecco due esempi prodotti dai ricercatori dell'Universidad Politecnica de Valencia, in Spagna, in cui il modello vocale dell'oratore viene utilizzato per il doppiaggio.

Alcune conseguenze per l'istruzione

I progressi costanti dell'elaborazione del linguaggio naturale sono notevoli. Se solo 10 anni fa ridevamo delle traduzioni stupide proposte dall'intelligenza artificiale, oggi è sempre più difficile trovare errori grossolani. Anche le tecniche di riconoscimento vocale e di riconoscimento dei caratteri stanno migliorando rapidamente.

Le sfide semantiche sono ancora presenti e la risposta a domande che richiedono una comprensione profonda di un testo non funziona ancora bene. Ma le cose stanno andando nella giusta direzione. Ciò significa che l'insegnante dovrebbe aspettarsi che alcune delle seguenti affermazioni diventino presto vere, se non lo sono già:

• un alunno prenderà un testo complesso e ne otterrà (con l'IA) una versione semplificata; il testo potrà anche essere personalizzato e utilizzare termini, parole e concetti a cui l'alunno è abituato;
• un allievo sarà in grado di prendere un testo e di ottenere un testo che dice le stesse cose, ma non rilevabile da uno strumento antiplagio;
• i video prodotti in qualsiasi parte del mondo saranno accessibili attraverso il doppiaggio automatico in qualsiasi lingua: questo significa in particolare che i nostri alunni non saranno esposti solo a materiale didattico costruito nella nostra lingua, ma anche a materiale inizialmente progettato per un altro sistema di apprendimento, un'altra cultura;
• costruire saggi potrebbe diventare un compito del passato, poiché gli strumenti consentono di scrivere qualcosa su qualsiasi argomento.

In questi esempi è chiaro che l'IA sarà tutt'altro che perfetta e l'esperto si accorgerà che se il linguaggio è corretto, non lo è il flusso di idee. Ma diciamocelo: nel corso dell'istruzione, quanto tempo ci vuole perché i nostri alunni e studenti raggiungano questo livello?

¹ Collobert, Ronan, and Jason Weston. “A unified architecture for natural language processing: Deep neural networks with multitask learning.” Proceedings of the 25th international conference on Machine learning. 2008. http://machinelearning.org/archive/icml2008/papers/391.pdf. Nota: questo riferimento è dato per ragioni storiche. Ma è difficile da leggere!

In senso lato, il libero arbitrio è la capacità dei singoli di agire in modo indipendente, effettuando delle scelte tra diverse opzioni sulla base delle proprie convinzioni, dei propri valori e dei propri obiettivi. In altre parole, è la capacità degli esseri umani di prendere decisioni e dare inizio e portare a compimento azioni che influenzano la loro vita e il mondo attorno a loro. Può coinvolgere molteplici dimensioni. Esse includono l’intenzionalità (agire coscientemente con una finalità o un obiettivo specifici in mente), l’autonomia (l’indipendenza, l’autodeterminazione e la libertà di fare scelte e prendere decisioni che riflettono preferenze, valori e obiettivi individuali), l’adattabilità (la capacità di apprendere, modificare il proprio comportamento e riuscire a reagire a circostanze mutevoli) e la responsabilità (la dimensione etica e morale dell’agire: sostenere la responsabilità delle conseguenze delle proprie decisioni e delle proprie azioni).

Il libero arbitrio è fondamentale per la crescita personale e per una vita riuscita. Conferisce ai singoli il potere di configurare le proprie vite e di influenzare il mondo attorno a sé. Alimenta un senso di controllo e di autoefficacia ed è connesso a livelli più elevati di benessere psicologico. Quando i singoli avvertono di avere controllo sulle proprie vite e di poter fare delle scelte informate, in altre parole quando sentono di avere un’effettiva capacità di agire, è più probabile che provino soddisfazione e realizzazione. Come spiega uno dei più autorevoli ricercatori in materia di libero arbitrio: «Finché le persone non crederanno di poter produrre gli effetti desiderati con le proprie azioni saranno poco incentivate ad agire o a perseverare di fronte alle difficoltà.» ³.

In contesti didattici, l’espressione libero arbitrio si riferisce alla capacità di studenti e insegnanti di fare le proprie scelte, agire in autonomia e assumere il controllo dell’insegnamento e dell’apprendimento all’interno delle aule. Si enfatizza il ruolo svolto dagli individui nel plasmare i percorsi didattici, prendendo decisioni riguardo a cosa, come e perché qualcosa viene appreso. Il libero arbitrio rapportato ai percorsi didattici implica molteplici considerazioni. Per esempio le azioni degli studenti possono essere valorizzate quando essi non sono trattati come destinatari passivi di conoscenze, ma come partecipanti attivi al processo di apprendimento e hanno l’autonomia di esplorare temi che li interessino, porre quesiti, individuare e stabilire i propri obiettivi didattici e assumersi la responsabilità del proprio apprendimento. Valorizzare le azioni degli studenti implica anche la promozione di capacità di risoluzione dei problemi e di pensiero critico (in relazione a problemi afferenti al mondo reale) oltre a capacità di autodisciplina (come la gestione del tempo, la determinazione di priorità e i progressi nell’autoverifica), tutto ciò è prezioso per lo sviluppo di soggetti indipendenti e autonomi e per il loro successo in ambito scolastico e nella vita. Infine, anche se gli insegnanti svolgono un ruolo centrale nel supportare e nel valorizzare l’agire degli studenti, il concetto di libero arbitrio in contesti didattici comprende anche le azioni degli insegnanti stessi, riconoscendone l’esperienza pedagogica e nella materia di pertinenza e la professionalità, che consentono loro di fare delle scelte circa il modo di comportarsi al meglio nella pratica dell’insegnamento e nell’assistenza ai propri studenti.

La domanda successiva, dunque, è quale sia l’impatto dell’IA sul libero arbitrio? Inevitabilmente, qualsiasi impatto potenziale ha effetti positivi e negativi. Per esempio delle tecnologie che supportano l’IA possono svolgere attività ripetitive, magari rendendo le persone libere di concentrarsi sugli aspetti più creativi del proprio lavoro, consentendo loro di decidere a cosa destinare il proprio tempo e il proprio impegno, valorizzando così il loro libero arbitrio. D’altra parte, l’uso di tecnologie che supportano l’IA per svolgere normali attività potrebbe condurre alla perdita di capacità o competenze umane. Nel corso del tempo, dal momento che esse si basano sempre di più sull’IA, ciò potrebbe invece ridurre le scelte disponibili per gli individui e quindi indebolirne il libero arbitrio. Parimenti, si sostiene spesso che le tecnologie che supportano l’IA possono personalizzare le interazioni degli utenti con svariati servizi (come piattaforme per la visione di video e lo shopping online), fornendo suggerimenti personalizzati in base alle loro preferenze, cosa che rafforza la loro libertà di azione. Tuttavia, considerata la questione con uno sguardo ancora più critico, la personalizzazione fornita da tali servizi di solito è più adeguata alle esigenze del fornitore dei servizi e dei loro sponsor che non a quelle dell’utente, ciò significa che il senso di autodeterminazione del singolo maschera la realtà, che è una riduzione della libertà di azione dell’individuo in quanto l’utente è spinto in particolari direzioni. In terzo luogo le analisi dei dati che supportano l’IA possono fornire accesso a preziose informazioni che potrebbero non essere prontamente disponibili altrimenti, valorizzando così l’assunzione di decisioni da parte degli esseri umani e il libero arbitrio. Tuttavia è risaputo che i sistemi di IA ereditano e perpetuano i pregiudizi presenti nei loro dati di addestramento, conducendo a risultati parziali e discriminatori, che inevitabilmente pregiudicano l’agire umano limitandone le opportunità. Le tecnologie che supportano l’IA, o almeno il modo in cui sono utilizzate nella pratica, possono avere altre conseguenze negative per il libero arbitrio. Per esempio, l’uso diffuso dell’IA a fini di monitoraggio (o sorveglianza) e il controllo dei processi decisionali da parte dell’IA sollevano preoccupazioni importanti in materia di privacy, limitano le scelte di azione e possono condurre a un senso di impotenza o di dipendenza dalla tecnologia, tutte cose che possono minare il libero arbitrio del singolo.

La domanda successiva in questo caso, dunque, è quale sia l’impatto dell’AIED sulle azioni di studenti e docenti?

Le possibilità sono molteplici. In primo luogo, se gli studenti fanno frequentemente uso di tecnologie che supportano l’IA, potrebbero contare troppo e con troppa arrendevolezza sui contenuti raccomandati, sul feedback istantaneo o sulle ‘soluzioni’ che vengono fornite. Di conseguenza potrebbero perdere delle opportunità di sviluppare spirito critico, capacità di risoluzione autonoma dei problemi, di autoriflessione, di autoregolamentazione e abilità metacognitive, elementi che tutti potrebbero limitare la libertà di azione degli studenti e quella di trarre appieno beneficio dal proprio apprendimento.

Secondariamente, la maggior parte dei sistemi AIED fornisce dei percorsi di apprendimento altamente prescrittivi, lasciando poco spazio agli studenti per approfondire i propri interessi, che possono limitare la libertà d’azione degli studenti stabilendo cosa, quando e come debbano imparare e possono anche ridurre la loro apertura a prospettive diverse e a nuovi ambiti di indagine. In terzo luogo, i sistemi AIED di norma ricostruiscono i comportamenti degli studenti, inducendo una sensazione di sentirsi sorvegliati e di autonomia vincolata, oltre a rendere possibile l’eventualità di ledere la privacy degli studenti, rendendoli cauti nell’esprimersi liberamente. Quarto, delle raccomandazioni influenzate dall’IA potrebbero inavvertitamente tarpare le aspirazioni degli studenti, limitandone la libertà d’azione nel raggiungere obiettivi di autodeterminazione. Quinto, le tecnologie che supportano l’IA utilizzate per le valutazioni sono caratterizzate da un’enfasi eccessiva su prove standardizzate (e quindi, inevitabilmente, sulla preparazione degli studenti al superamento di questo genere di prove). Inoltre, nessun sistema che supporta l’IA è in grado di comprendere o cogliere le sfumature presenti nel lavoro di uno studente, limitandone così la capacità di azione nel processo di valutazione, con la possibile conseguenza di scoraggiare il pensiero creativo o non convenzionale.

Infine, per quanto concerne gli insegnanti, il ricorso in aula a tecnologie che supportano l’IA inevitabilmente influenza scelte di programmi di studi, contenuti didattici e approcci pedagogici, sminuendo in tal modo il ruolo degli insegnanti e portandoli a ritenere il proprio giudizio professionale sottovalutato o superato dalla tecnologia.

Ad ogni modo, gli strumenti dell’IA applicata all’istruzione potrebbero dequalificare gli insegnanti, riducendoli al ruolo di facilitatori dell’uso delle tecnologie e controllori dei comportamenti, un fraintendimento radicale di ciò che fanno i buoni insegnanti. Ciò potrebbe anche limitarne la libertà d’azione nel costruire delle relazioni costruttive con i propri studenti, fondamentali per impartire loro un’istruzione efficace. Infine, fare affidamento su parametri generati dall’IA (talvolta per via di direttive verticistiche) può creare pressione sugli insegnanti affinché si conformino a processi decisionali orientati ai dati, che potrebbero condurre a porre un’enfasi minore su uno sviluppo olistico degli studenti.

L’ultima domanda in questa sede è cosa bisogna fare per garantire libertà di azione a studenti e insegnanti dal momento che delle potenti tecnologie che supportano l’IA divengono sempre più utilizzabili in classe. In breve, si devono offrire agli insegnanti delle opportunità che ne rispettino il libero arbitrio, consentendo loro di assumere decisioni allineate alle loro esperienze professionali e alle esigenze specifiche dei loro studenti. Nel frattempo, gli studenti hanno bisogno di opportunità per sviluppare pensiero critico, capacità di autoregolazione e abilità metacognitive, intenzionalità, autonomia, adattabilità e responsabilità, sia ricorrendo a tecnologie che supportano l’IA appropriate, efficaci e sicure sia senza di esse.

¹ Anderson et al., Artificial intelligence and the future of humans, Pew Research Center, 2018

² Holmes et al., Artificial intelligence and Education, A critical view through the lens of human rights, democracy and the rule of law, Council of Europe, p. 34, 2022

³ Bandura, A., Toward a Psychology of Human Agency: Pathways and Reflections, Perspectives on Psychological Science, 13(2), 130-136, 2018

Molto denaro, risorse informatiche, tempo e impegno sono profusi nella creazione di serie di dati, benchmark e algoritmi per l’apprendimento automatico. Ciò vale in particolar modo per l’apprendimento profondo e i modelli di grandi dimensioni. È pertanto logico che le risorse create siano condivise in questo ecosistema. È il caso di molti sistemi di apprendimento automatico che spesso usiamo. Anche laddove i prodotti finali sono diversi e sono creati da società diverse, la metodologia, gli insiemi di dati, le librerie per l’apprendimento automatico e le valutazioni sono spesso condivisi¹. Pertanto si continua a ragionare sul fatto che, in condizioni analoghe, i loro output debbano essere simili.

Se l’output è una decisione in materia didattica, ciò è motivo di preoccupazione, per esempio, per studenti che potrebbero essere esclusi in modo iniquo da tutte le opportunità di apprendimento¹. Ma se l’omologazione prodotta dagli algoritmi costituisca un’ingiustizia può essere deciso soltanto caso per caso¹.

D’altra parte, se il compito del sistema è aiutare lo studente a scrivere, l’accento viene a porsi sulla standardizzazione degli stili di scrittura, della terminologia e pertanto dei modelli di pensiero. I modelli linguistici utilizzati in questi casi vengono decisi in modo da prevedere i testi più probabili sulla base delle serie di dati di addestramento usati. Queste serie di dati, se non sono condivise tra sistemi, sono congegnate in un modo simile, spesso con dati pubblici tratti da Internet. Anche quando questi dati sono controllati per scongiurare la presenza di preconcetti, pregiudizi e contenuti estremi, ciò rappresenta solo un piccolo ecosistema e non il mondo in tutta la sua diversità di idee, cultura e pratiche. I sistemi di testi predittivi fondati sull’apprendimento profondo utilizzati per messaggi di testo ed e-mail si sono dimostrati in grado di cambiare il modo in cui le persone scrivono: il modo di scrivere tende ad essere «più stringato, più prevedibile e meno vivace»².

Le sequenze di parole che vengono ripetute nei dati di addestramento scendono a cascata nell’output dei grandi modelli linguistici. Pertanto i valori dei creatori dei database acquisiscono il potere di ridurre la diversità di opinioni e la pluralità di espressione delle idee. Senza dei corretti interventi pedagogici, ciò a propria volta potrebbe limitare la creatività e l’originalità degli studenti, non soltanto portando a uno stile di scrittura stereotipato, ma in ultimo generando cittadini con una ridotta capacità di pensiero critico e quindi nel complesso un mondo meno variegato³.

Invisibilità

Strettamente correlato con molte delle ricadute negative dell’apprendimento automatico, ivi compresa l’omologazione sopra menzionata, è il fatto che le tecnologie sono divenute così progredite che l’interfaccia uomo-macchina non ha interruzioni ed è praticamente invisibile. Che si tratti dei motori di ricerca incorporati nella barra degli indirizzi della finestra di un browser o di una funzione di predizione del testo che funziona in modo intuitivo senza sfasamento temporale tra la scrittura, la predizione e la scelta di suggerimenti, spesso agiamo sotto l’influenza della tecnologia senza esserne coscientemente consapevoli o avere la scelta di fermarci a riflettere sulle situazioni e prendere le nostre decisioni. Inoltre, quando ne facciamo abitualmente uso per assumere delle decisioni, tendiamo a dimenticarci completamente della sua esistenza⁴. «Una volta che ci siamo abituati all’uso delle tecnologie smettiamo di considerarle e invece, attraverso di esse, cerchiamo le informazioni e le attività per facilitare le quali ne facciamo uso». Ciò fa sorgere serie preoccupazioni relativamente al libero arbitrio, alla trasparenza e alla fiducia, soprattutto quando sono coinvolte giovani menti, pertanto gli esperti hanno raccomandato che le interfacce siano rese più visibili e persino meno facili da utilizzare⁴.

Cosa c’è dietro: un’IA etica

In ogni parte di questo manuale open source, abbiamo discusso dell’impatto di natura pedagogica, etica e sulla società dell’IA, soprattutto dell’IA basata sui dati. Il rapporto tra dati e privacy, l’affidabilità dei contenuti e l’autonomia dell’utente, l’impatto sull’identità personale, il  rapporto tra pregiudizi e imparzialità e il libero arbitrio sono tutti temi che sono stati discussi nelle pagine ad essi dedicate. Problematiche specificamente connesse con i motori di ricerca sono state discusse in Dietro la lente d’ingrandimento di Ricerca: effetti delle ricerche sull’individuo e sulla società, i problemi relativi ai sistemi adattivi sono stati affrontati ne Il rovescio della medaglia dei sistemi di apprendimento adattivi e quelli specifici dell’IA generativa all’interno del capitolo intitolato L’IA degenerativa. In svariati punti del libro abbiamo considerato gli interventi correttivi che possono essere assunti in aula per affrontare problemi specifici. La nostra speranza è che queste misure divengano meno onerose quando avremo sistemi di IA applicata all’istruzione etici e affidabili. Questa IA etica sarà sviluppata, implementata e utilizzata conformemente a norme e principi etici⁵ e sarà affidabile e resiliente.

Dal momento che cediamo così tanto potere ai modelli di IA e ai loro programmatori, venditori e valutatori, è più che ragionevole chiedere loro di essere trasparenti, assumersi le proprie responsabilità e porre rimedio ai propri errori quando le cose vanno male6. Abbiamo bisogno di accordi sul livello di servizio che evidenzino chiaramente “i servizi di assistenza e manutenzione e le azioni da intraprendere per risolvere i problemi segnalati”⁵.

Un’IA resiliente accetterebbe le proprie imperfezioni, le prevederebbe e continuerebbe a funzionare nonostante esse. Dei sistemi di IA resilienti si guasterebbero in modo prevedibile e comprenderebbero dei protocolli per sanare questi guasti⁶.

Nel campo dell’istruzione, un’IA etica sarebbe guidata da dei principi di progettazione incentrati sull’utente e prenderebbe in considerazione tutti gli aspetti dell’istruzione⁷. Gli insegnanti sarebbero in grado di analizzarne il funzionamento, comprenderne le spiegazioni, ignorarne le decisioni o mettere in pausa il suo utilizzo senza difficoltà⁸. Questi sistemi ridurrebbero il carico di lavoro degli insegnanti, fornirebbero loro delle informazioni dettagliate sui loro studenti e li sosterrebbero nel valorizzare la portata e la qualità dell’istruzione⁸. Non provocherebbero danni agli utenti e all’ambiente e migliorerebbero il benessere sociale ed emozionale di discenti e docenti⁵.

Fino all’avvento di tale giorno, un insegnante dovrà cercare di sviluppare attorno a sé una comunità di colleghi e pedagogisti e di farvi attivamente parte in modo da sollevare la consapevolezza riguardo ai problemi, condividere esperienze e pratiche migliori e individuare dei fornitori di IA affidabili. Gli insegnanti potrebbero inoltre coinvolgere studenti e genitori in discussioni e decisioni per affrontare meglio diverse preoccupazioni e sviluppare un’atmosfera di confidenza e cameratismo. Otterrebbero servizi migliori facendo del proprio meglio per rimanere aggiornati sulle ultime tendenze dell’AIED e acquisendo competenze quando e dove possibile⁵.

¹ Bommasani, R., et al, Picking on the Same Person: Does Algorithmic Monoculture lead to Outcome Homogenization?, Advances in Neural Information Processing Systems, 2022

² Varshney, L., Respect for Human Autonomy in Recommender System, 3rd FAccTRec Workshop on Responsible Recommendation, 2020.

³ Holmes, W., Miao, F., Guidance for generative AI in education and research, UNESCO, Paris, 2023.

⁴ Susser, D., Invisible Influence: Artificial Intelligence and the Ethics of Adaptive Choice Architectures, Proceedings of the 2019 AAAI/ACM Conference on AI, Ethics, and Society, Association for Computing Machinery, New York, 403–408, 2019.

⁵ Ethical guidelines on the use of artificial intelligence and data in teaching and learning for educators, European Commission, October 2022

⁶ Schneier, B., Data and Goliath: The Hidden Battles to Capture Your Data and Control Your World, W. W. Norton & Company, 2015.

⁷ Tlili, A., Shehata, B., Adarkwah, M.A. et al, What if the devil is my guardian angel: ChatGPT as a case study of using chatbots in education, Smart Learning Environments, 10, 15 2023.

⁸ U.S. Department of Education, Office of Educational Technology, Artificial Intelligence and Future of Teaching and Learning: Insights and Recommendations, Washington, DC, 2023.

Alla fine di novembre 2022, al mondo è stato presentato Chat-GPT, un sistema chatbot basato sull’intelligenza artificiale (IA), fondato su un modello linguistico denominato GPT-3.5 che fa ricorso all’elaborazione del linguaggio naturale (NLP, da natural language processing) per generare delle conversazioni1. Chat-GPT è stato l’ultimo di una serie di strumenti con queste caratteristiche, ma, diversamente dai precedenti, ha catturato l’interesse e stimolato l’immaginazione del pubblico. A una settimana dal lancio era già stato utilizzato da più di un milione di persone per via della sua abilità nel generare testi simili a quelli che avrebbe potuto creare un essere umano, oltre che alle implicazioni percepite e alla potenziale possibilità di farne uso nel campo dell’istruzione, in contesti di lavoro e nella vita quotidiana. Chat-GPT è in grado di rispondere a domande e di fornire assistenza in attività come scrivere e-mail, testi e codice².

GPT-3 (Generative Pre-trained Transformer-3) è un modello linguistico di grandi dimensioni (LLM) addestrato attraverso l’apprendimento profondo su una gran quantità di dati (499 miliardi di punti di dati, pari a 800 GB di dati), un modello che supera per dimensioni di centinaia di volte i modelli precedenti³. Chat-GPT, basandosi su questo modello, consente di intrattenere conversazioni analoghe a quelle che si avrebbero con degli esseri umani. In parole semplici, un modello linguistico di grandi dimensioni è addestrato a prevedere la parola successiva all’interno di una frase, più o meno allo stesso modo in cui funziona la funzione di autocompletamento in un messaggio di testo, e poi a continuare questo processo in modo da generare quantità di testo maggiori.

Ecco quanto creato da Chat-GPT:

Ecco quanto creato da Bard:

Questi programmi ci consentono di scrivere dei prompt e poi avere una conversazione con un ChatBot (ecco perché si parla di IA conversazionale). L’elenco di modi, che affrontiamo nel libro, in cui questi strumenti possono aiutare insegnanti, studenti e amministratori nel campo dell’istruzione e della formazione è in costante crescita. Ed essi consentono di intrattenere conversazioni, pensate dunque ai modi in cui potrebbero essere utili a voi o ai vostri allievi; potreste fare delle “chiacchierate” su un argomento relativamente al quale dovete fare delle ricerche o per preparare un colloquio o per produrre idee per una lezione o un testo. È interessante raffrontare e contrapporre i risultati che ciascun programma crea e poi trarre le parti migliori e utilizzarle per i propri scopi.

Questi strumenti possono ‘accrescere le vostre capacità’ o esservi di aiuto nell’essere più creativi, produttivi ed efficienti quando si combinano le proprie capacità umane con quelle di una macchina. Pertanto ricordate sempre di valutare in modo critico ciò che essa produce. Divertitevi ad imparare come conversare con questi programmi e vedete cosa producono e se sono utili per voi e i vostri alunni.

L’IA generativa in cifre⁵

Il grafico riportato di seguito6 illustra l’ascesa di Chat-GPT tra il novembre del 2022 e il maggio del 2023. Nella prima settimana dopo il lancio si è guadagnata un milione di utenti. Si noti che Netflix ha impiegato tre anni e mezzo per raggiungere un traguardo simile e Twitter due anni⁷.

Anche se Chat-GPT ha raggiunto il massimo del suo utilizzo nel maggio 2023, continua a mantenere la propria popolarità, mentre altri programmi di IA come Bing Chat e Bard stanno parimenti diffondendosi. Per quanto concerne Bing Chat, ha iniziato a essere maggiormente utilizzato quando Microsoft ha acquistato ChatGPT nel marzo del 2023, mentre anche la popolarità di Bard continua a crescere.

¹ https://www.forbes.com/sites/bernardmarr/2022/12/21/chatgpt-everything-you-really-need-to-know-in-simple-terms/?sh=16674aadcbca

² https://www.zdnet.com/article/what-is-chatgpt-and-why-does-it-matter-heres-everything-you-need-to-know/

³ https://hai.stanford.edu/news/how-large-language-models-will-transform-science-society-and-ai

⁴ https://www.weforum.org/agenda/2023/02/generative-ai-explain-algorithms-work/

⁵ https://research.aimultiple.com/generative-ai-applications/

6 https://www.tooltester.com/en/blog/chatgpt-statistics/

7 https://bootcamp.uxdesign.cc/chatgpt-vs-bing-chat-which-is-better-2e46fa821d7d

Obiettivo di questo capitolo è fornirvi assistenza nel valutare, scegliere e portare a compimento queste attività.

Dal momento che la tecnologia evolve molto velocemente e considerato come le prestazioni cambino a seconda dei soggetti e dei contesti, non si possono elencare in anticipo tutte le domande che un insegnante ha necessità di porre. Il nostro unico auspicio è farvi muovere i primi passi entro linee di pensiero raccomandate da linee guida pubblicate e supportate da ricerche e casi di studio.

Vi preghiamo di notare che in questo libro consideriamo soltanto le attività in cui l’insegnante, non lo studente, interagisce con l’IA generativa. Le ragioni alla base di questa scelta sono spiegate attraverso il link riportato nel riquadro.

Anche se non siete convinti che i programmi di IA generativa debbano svolgere un ruolo nell’ambito dell’istruzione vi invitiamo a provare almeno un’attività che faccia ricorso alla tecnologia generativa. Ciò potrebbe aiutarvi a:

• comprendere cosa si possa o non si possa fare con gli strumenti forniti dall’IA generativa;
• riformulare o riorganizzare i contenuti didattici, in particolar modo per decidere cosa possa o non possa essere assegnato come compito a casa. Per esempio, Chat-GPT si è dimostrata efficace nell’aiutare gli studenti a scrivere dei componimenti1 e potrebbe essere inutile nell’assegnazione dei consueti tipi di temi come compiti a casa, non se l’obiettivo è testare o creare conoscenze. Potrete dover utilizzare svariati metodi di valutazione, come progetti di gruppo, attività pratiche e presentazioni orali, superando i semplici quesiti a cui rispondere con un sì o con un no¹;
• comprendere le limitazioni di questa tecnologia in modo da farvi ricorso per motivare gli studenti ad applicarsi, usando la propria immaginazione e la propria creatività²;
• non sentirvi lasciati indietro quando la nuova generazione di queste tecnologie, con funzioni più avanzate, diverrà realtà;
• usare l’IA per ridurre il vostro carico di lavoro ed esplorare nuovi argomenti che prima potrebbero essere stati troppo limitanti o avrebbero potuto richiedere troppo tempo;
• trarre vantaggio dalle nuove scuole di pensiero e dai nuovi approcci all’apprendimento che ora sono possibili;
• contribuire a plasmare le ricerche e lo sviluppo delle applicazioni didattiche di questi programmi che ora sono supportate da molteplici attori³.

Contemporaneamente, considerate la novità della tecnologia e di questi metodi, vi raccomandiamo caldamente di annotare in un registro i dettagli di qualsiasi attività e la sua evoluzione. Ciò vi aiuterà a monitorare e a valutare gli effetti a breve e lungo termine di ogni attività e a discutere quanto osservato con i vostri colleghi.

Domande su pedagogia e pratica

Chiunque può suggerire un’attività da svolgere in classe. Potrebbe però accadere che i suggerimenti provengano da soggetti appartenenti al mondo della tecnologia, che conoscono poco quanto accade in un’aula. Oppure, potrebbe trattarsi di idee adatte a studenti universitari, ma non ad adolescenti. Anche se un’attività è adatta per la vostra classe, se non è supportata da una fondata teoria pedagogica e se non se ne è verificata la fondatezza in aula, nel lungo periodo potrebbe riservare delle sorprese. Quindi vi invitiamo ad approcciarvi a qualsiasi attività ponendo quesiti concernenti pedagogia e aspetti pratici.

Domande relative all’IA generativa utilizzata

Al centro dell’applicazione dell’IA generativa c’è un modello linguistico di grandi dimensioni (LLM) o un modello per la generazione di immagini (modello di diffusione). Come spiegato dal linguista Noam Chomsky: «In linea generale, essi [i modelli linguistici di grandi dimensioni] prendono ingenti quantitativi di dati, cercano schemi al loro interno e divengono sempre più efficienti nel generare output statisticamente probabili, come linguaggio e pensiero apparentemente simili a quelli umani»⁴. BERT, BLOOM, GPT, LLaMA e PaLM sono tutti modelli linguistici di grandi dimensioni. Il modello di apprendimento profondo per la generazione di immagini corrispondente è chiamato modello di diffusione. Stable diffusion e Midjourney sono esempi noti di questo ultimo tipo di modello.

Sia la società madre sia un soggetto terzo può prendere un LLM e addestrarlo ulteriormente (regolarlo con precisione) in modo che svolga attività specifiche come rispondere a query o riassumere testi. Oppure, potrebbero prendere un LLM o un chatbot, aggiungere dei prompt o effettuare una programmazione estesa e diffondere il risultato nella forma di pacchetto applicativo (Chatpdf, Elicit, Compose AI, DreamStudio, NightCafe, PhotoSonic, Pictory.. ).

OpenAI ha messo a punto GPT3 e GPT4 con esempi di risposte ai prompt e norme sull’accettabilità dei contenuti ottenendo Chatgpt. Un team di Google Research ha addestrato PaLM con dati scientifici e matematici arrivando a Minerva. Questo modello linguistico poi si è spinto oltre giungendo a risultati all’avanguardia per l’applicazione di un modello linguistico, risolvendo problemi implicanti ragionamento quantitativo: è stato in grado di risolvere circa un terzo di problemi di livello universitario proposti in materie come fisica, biologia, chimica, economia e altre scienze che richiedono ragionamento quantitativo⁵.

Il lavoro di ottimizzazione di un modello linguistico per usi didattici, Ed-GPT, aggiungendo conoscenze di temi, eliminando i pregiudizi e, auspicabilmente, introducendo conoscenze di metodi di apprendimento di rilievo, è ininterrotto².

Bisogna capire se il perfezionamento di un modello linguistico per lo svolgimento di un’attività specifica avrà conseguenze per la sua efficacia nello svolgere suddetta attività6. Bisogna capire inoltre se l’intero pacchetto verrà fornito da una sola società (Chat-GPT di OpenAI) o se l’intervento di altre società sul modello avrà conseguenze per la sicurezza e la riservatezza dei dati. Quando si considera quale modello sia usato, vale la pena considerare sia gli aspetti positivi sia i limiti del modello da cui si è partiti, quali interventi siano stati fatti su di esso e da chi.

Domande sull’adeguatezza del modello per sé e la propria classe

Un’attività potrebbe realizzare tutti i propri obiettivi e il programma di IA generativa utilizzato potrebbe essere il migliore e il più etico possibile, ma l’attività potrebbe continuare a dover essere adattata alla propria classe. Come per qualsiasi programma di IA potreste dover compiere molteplici interazioni prima di raggiungere i vostri obiettivi2. Potreste aver bisogno di formazione e pratica sia per quanto concerne le tecniche di prompt sia relativamente alla valutazione critica dell’output¹. Inoltre, l’intera esperienza dovrebbe essere gratificante per voi e coerente con i vostri valori di insegnante.

¹ Tlili, A., Shehata, B., Adarkwah, M.A. et al, What if the devil is my guardian angel: ChatGPT as a case study of using chatbots in education, Smart Learning Environments, 10, 15 2023.

² Holmes, W., Miao, F., Guidance for generative AI in education and research, UNESCO, Paris, 2023.

³ Becker, B., et al, Programming Is Hard - Or at Least It Used to Be: Educational Opportunities and Challenges of AI Code Generation, Proceedings of the 54th ACM Technical Symposium on Computer Science Education V. 1 (SIGCSE 2023), Association for Computing Machinery, New York, 500–506, 2023.

⁴ Chomsky, N., Roberts, I., Watumull, J., Noam Chomsky: The False Promise of ChatGPT, The New York Times, 2023.

⁵ Lewkowycz, A., Andreassen, A.,  Dohan, D. et al, Solving Quantitative Reasoning Problems with Language Models, Google Research, 2022.

⁶ Enkelejda, K., et al, Chatgpt for Good? on Opportunities and Challenges of Large Language Models for Education, EdArXiv, 2023.

1. Usare l’IA generativa per la pianificazione e la progettazione di corsi e lezioni

Consiglio: è una buona idea specificare in anticipo quali argomenti trattare e quali approcci adottare e l’obiettivo da raggiungere con il corso o la lezione; se si punta alla definizione di un concetto o di una procedura e che modalità di insegnamento si voglia applicare².

2. Uso dell’IA generativa per preparare contenuti coinvolgenti, multimodali e inclusivi su un argomento

Si può fare ricorso a un’applicazione di IA generativa per:

• aggiungere contenuti connessi ai fenomeni, alla lingua e alla cultura locali;
• inserire immagini e filmati esplicativi e accattivanti³;
• creare e includere storie che rafforzano i contenuti testuali;
• elaborare mappe concettuali;
• porre in evidenza, parafrasare e riassumere porzioni rilevanti della lezione e chiarire la terminologia⁶;
• rendere la matematica e la scienza meno astratte mostrando delle simulazioni e includendo degli esempi tratti da altri soggetti. Ciò potrebbe anche essere utilizzato in attività di formazione artigianale dove la visualizzazione può aiutare allo sviluppo e all’approfondimento di idee⁷;
• fornire traduzioni in modo da aiutare i discenti che parlano lingue meno diffuse².

Consiglio: Midjourney e altri programmi per la generazione di immagini spesso hanno dei forum appositi nei quali le persone pubblicano i propri lavori, consigli, prompt e suggerimenti per l’elaborazione di prompt⁷. Sono molto utili per i docenti che stanno iniziando a sperimentare questa tecnologia.

3. Usare l’IA generativa per creare esempi, fare esercizi, rispondere a questionari

L’IA generativa può;

• generare dati tabulari e di altre forme da utilizzare in esempi ed esercizi;
• creare esercitazioni pratiche e soluzioni, soprattutto per consolidare le capacità fondamentali e i componenti poco conosciuti⁸. Esse possono servire come riferimento per studenti che abbiano difficoltà nel risolvere problemi di assegnazione⁹;
• generare spiegazioni per le soluzioni. Ciò sembra funzionare molto bene soprattutto nella generazione di spiegazioni dei codici di programmazione⁹;
• generare molteplici soluzioni per lo stesso problema matematico o di programmazione. Ciò non soltanto aiuta gli studenti ad imparare a conoscere approcci e prospettive diversi, ma anche ad analizzare diversi metodi, i loro vantaggi e i loro svantaggi⁹. Potrebbe anche rivelarsi un aiuto quando le soluzioni fornite non sono corrette, quando è chiaramente indicato così.

Esemplo

Fonte: Examining Science Education in ChatGPT: An Exploratory Study of Generative Artificial Intelligence⁵.

Attività: creare una rubric per la valutazione.

Strumento di IA generativa: Chat-GPT.

Prompt utilizzato: Creare una rubric che degli studenti di seconda media possono usare per valutare autonomamente quanto appreso in materia di fonti di energie rinnovabili e non rinnovabili (con richiesta di formattazione successiva:   rendere questa rubric più semplice da copiare in Words in un formato ordinato).

Output:

[caption id="attachment_175" align="aligncenter" width="1024"] Rubric generata da Chat-GPT, esempio tratto da Examining Science Education in ChatGPT: An Exploratory Study of Generative Artificial Intelligence[/caption]

Riflessione: l’autore ha rinvenuto che Chat-GPT è stata in grado di creare una rubric con propri criteri quali comprensione, ricerca, pensiero critico e partecipazione. Per ciascuna erano contrassegnati dei livelli, ma gli indicatori erano troppo vaghi per ogni criterio.

Esemplo

Fonte: The Robots Are Coming: Exploring the Implications of OpenAI Codex on Introductory Programming¹⁰.

Attività: generare molteplici soluzioni a un quesito.

Strumento di IA generativa: Codex (Codex è in grado di generare codici in svariati linguaggi di programmazione in risposta ai prompt).

Prompt utilizzati: La descrizione di un problema come rinvenuto in varie fonti e quesiti di esame sulla scrittura di codice, come assegnati agli studenti.

Output:

[caption id="attachment_176" align="aligncenter" width="321"] Punteggi degli studenti in test non sorvegliati (Test 1 e Test 2), con utilizzo di Codex (rappresentato dall’asterisco rosso), esempio tratto da The Robots Are Coming: Exploring the Implications of OpenAI Codex on Introductory Programming[/caption]

Riflessione: gli autori hanno ritenuto che Codex assegnasse una serie di codici diversi al medesimo prompt, «mentre in definitiva privilegiava i metodi previsti per ciascuna risposta».

• Pregiudizi che si insinuano dal momento che, tra le altre cose, i dati su cui questi modelli sono stati addestrati ne erano pieni. Persino il modello Ed-GPT, che è stato corretto sotto questo punto di vista, potrebbe ancora contenerne2.
• Prestazioni che possono variare ampiamente a seconda del prompt utilizzato, della storia dell’utente e, talvolta, senza ragione alcuna.

Anche se l’IA generativa può ridurre il carico di lavoro degli insegnanti e aiutarli a svolgere determinate attività, essa si basa su modelli statistici che sono stati elaborati basandosi su notevoli quantità di dati reperiti online. Questi dati non sostituiscono il mondo reale, i suoi contesti e le sue relazioni. Chat-GPT non è in grado di fornire del contesto o di spiegare cosa influisca sulla vita quotidiana di uno studente⁴. Non può fornire nuove idee o nuove soluzioni alle sfide del mondo reale².

¹ Tlili, A., Shehata, B., Adarkwah, M.A. et al, What if the devil is my guardian angel: ChatGPT as a case study of using chatbots in education, Smart Learning Environments, 10, 15 2023.

² Holmes, W., Miao, F., Guidance for generative AI in education and research, UNESCO, Paris, 2023.

³ Enkelejda, K., et al, Chatgpt for Good? on Opportunities and Challenges of Large Language Models for Education, EdArXiv, 2023.

⁴ Trust, T., Whalen, J., & Mouza, C., Editorial: ChatGPT: Challenges, opportunities, and implications for teacher education, Contemporary Issues in Technology and Teacher Education, 23(1), 2023.

⁵ Cooper, G., Examining Science Education in ChatGPT: An Exploratory Study of Generative Artificial Intelligence, Journal of Science Education and Technology, 32, 444–452, 2023.

⁶ Kohnke, L., Moorhouse, B. L., & Zou, D., ChatGPT for Language Teaching and Learning, RELC Journal, 54(2), 537-550, 2023.

⁷ Vartiainen, H., Tedre, M., Using artificial intelligence in craft education: crafting with text-to-image generative models, Digital Creativity, 34:1, 1-21, 2023.

⁸ Bhat,S., et al, Towards automated generation and evaluation of questions in educational domains, Proceedings of the 15th International Conference on Educational Data Mining, pages 701- 704, Durham, United Kingdom, 2022.

⁹ Becker, B., et al, Programming Is Hard - Or at Least It Used to Be: Educational Opportunities and Challenges of AI Code Generation, Proceedings of the 54th ACM Technical Symposium on Computer Science Education V. 1 (SIGCSE 2023), Association for Computing Machinery, New York, 500–506, 2023.

¹⁰ Finnie-Ansley, J., Denny, P. et al, The Robots Are Coming: Exploring the Implications of OpenAI Codex on Introductory Programming, Proceedings of the 24th Australasian Computing Education Conference (ACE '22), Association for Computing Machinery, New York, 2022.

¹¹ Lewkowycz, A., Andreassen, A.,  Dohan, D. et al, Solving Quantitative Reasoning Problems with Language Models, Google Research, 2022.

¹² Chomsky, N., Roberts, I., Watumull, J., Noam Chomsky: The False Promise of ChatGPT, The New York Times, 2023.

Sin dal lancio di Chat-GPT¹ alla fine di novembre del 2022 si è speculato tremendamente e ci sono state molte discussioni relativamente all’impatto che la tecnologia dell’IA, in particolar modo dei programmi di IA generativa, come Chat-GPT², può avere sull’istruzione. Questo è il più recente di una serie di programmi che molti ritengono abbiano il potenziale di rivoluzionare molte delle attività tradizionali nelle nostre scuole, in particolar modo il nostro approccio all’assegnazione di compiti a casa, che di norma sono completati al di fuori delle aule, a casa. Si teme che i programmi di IA, come Chat-GPT, consentiranno agli studenti di ‘imbrogliare’ generando per essi temi, traducendo testi da una lingua all’altra o completando compiti di matematica senza alcun apporto da parte dello studente. Siamo veramente di fronte a un fenomeno nuovo? Alcuni Paesi e poli scolastici inizialmente hanno addirittura vietato l’uso di Chat-GPT, fortunatamente però ora stanno rivedendo le proprie posizioni e prendendo in considerazione il modo in cui gli insegnanti possono fare ricorso a ChatGPT e ad altri programmi di IA generativa (come Bard, Midjourney, Bing Chat ecc.)³.

Riflettiamo

Questa non è la prima e non sarà l’ultima volta che le nuove tecnologie ci costringono a considerare le implicazioni che potrebbero avere sull’insegnamento, sull’apprendimento e sulle attività di valutazione. Nei primi anni 2000 ci sono state discussioni sul modo in cui le persone facessero uso di Internet per effettuare delle ricerche che generalmente ottenevano delle risposte con pochi clic.

Per esempio, nel momento in cui Internet divenne parte integrante nella vita di ogni giorno, nel settore dell’istruzione sorse un quesito fondamentale: «Come si può valutare l’apprendimento quando le risposte sono alla portata di tutti?»⁴.

Non dimentichiamo che Internet ha influenzato il tipo di compiti che abbiamo assegnato ai nostri studenti per decenni, dal momento che gli studenti sono stati in grado di effettuare ricerche su Internet su determinati argomenti e poi copiare e incollare le proprie risposte nelle proprie relazioni o presentazioni. Prima di tutto ciò ci sono state discussioni sugli effetti prodotti dai programmi di videoscrittura sul processo di scrittura nelle scuole e sull’uso dei calcolatori nell’insegnamento e nell’apprendimento della matematica. Nessuno oggi prenderebbe nemmeno in considerazione l’idea di scrivere senza un programma di videoscrittura o di rinunciare all’uso di un calcolatore in un compito di matematica. In entrambi i casi abbiamo spostato la nostra attenzione su un apprendimento più profondo, nel caso dei programmi di videoscrittura per concentrarci sulla redazione, in quello della matematica sullo sviluppo della comprensione, spostandoci oltre i meri calcoli. In questi casi insegnanti esperti e competenti hanno assunto la decisione di integrare le tecnologie nelle attività in classe.

Il timore di Chat-GPT

Molti vedono i programmi di IA generativa, come ChatGPT, come rivoluzionari e, come sopra ricordato, alcuni sistemi scolastici⁵ e istituti superiori si sono spinti fino a vietarli, affermando che: «anche se lo strumento può essere in grado di fornire delle risposte in modo semplice e veloce ai quesiti, esso non crea competenze di pensiero critico e risoluzione di problemi, che sono fondamentali per il successo a scuola e nella vita»⁶. Altri hanno assunto una posizione diversa e hanno suggerito di adottare questi strumenti e inserirli in modo creativo nelle classi, offrendo così agli studenti delle opportunità per sviluppare queste capacità di pensiero critico. Persone come Lalitha Vasudevan, vicepreside responsabile per l’innovazione digitale presso il Teachers College della Columbia University, ritengono che per le scuole quelle relative a questi nuovi strumenti digitali siano decisioni difficili da prendere, che: «dovrebbero essere assunte nell’ottica di migliorare l’apprendimento degli studenti»⁷. Molti attori nel campo dell’istruzione fanno propria questa opinione ritenendo che bisogni istruire sia gli insegnanti sia gli studenti a un uso opportuno di questi strumenti.

I programmi di IA generativa possono “sputare” molto velocemente delle risposte a fronte dei nostri prompt, ma queste risposte non sono ottimizzate per l’apprendimento degli studenti⁸. Hanno la capacità di produrre le proprie risposte ben confezionate, ma spesso esse sono scorrette o contengono elementi che sono scorretti. Pertanto dobbiamo educare insegnanti e studenti a mettere in discussione ciò che questi strumenti producono e in questo modo possiamo utilizzarli per sviluppare quell’alfabetizzazione critica che vogliamo che tutti i nostri studenti posseggano. Così, essi possono avere un impatto positivo sul modo in cui pensiamo e impartiamo dei compiti ai nostri studenti.

La finalità dei compiti

Cominciamo col chiederci quale sia la finalità dell’assegnazione di compiti? C’è una lunga tradizione secondo la quale a scuola si assegnano compiti a casa agli studenti e gli insegnanti di norma lo giustificano con le seguenti motivazioni⁹:

• fare i compiti insegna agli studenti ad essere responsabili;
• fare i compiti offre agli studenti l’opportunità di mettere in pratica e affinare le proprie capacità;
• l’assegnazione di compiti a casa spesso è chiesta dai genitori;
• il volume dei compiti assegnati spesso è equiparato al rigore e alla qualità dell’insegnante;
• i compiti a casa sono un rito di passaggio.

Eppure le ricerche⁹ sull’incidenza dei compiti a casa sull’apprendimento degli studenti e sulla loro vita domestica non hanno prodotto risultati molto positivi e alcuni studi hanno persino rilevato ripercussioni negative. Quindi, il quesito principale che gli insegnanti dovranno sempre considerare è: «Quale apprendimento risulterà dall’assegnazione di compiti?». Nel porsi questa domanda gli insegnanti dovrebbero anche considerare i nuovi sviluppi della tecnologia e come questi strumenti potrebbero incidere sull’integrità del compito assegnato. Dovremmo valutare quanto segue:

Alcuni hanno persino suggerito che strumenti, come per esempio ChatGPT, possono fornire una maggiore parità di condizioni a studenti che non ricevono molto aiuto a casa o che stanno imparando una lingua diversa. Altri hanno suggerito che l’IA possa effettivamente elevare gli standard e spingere oltre la padronanza consentendo agli studenti di impegnarsi in un apprendimento più profondo⁸. Pertanto l’IA generativa ha il potenziale di consentirci di creare nuove forme di valutazione che sfidano i nostri discenti a diventare più critici.

Sta prendendo piede la convinzione che i programmi di IA generativa, come ChatGPT, possono consentire agli insegnanti di risparmiare il tempo speso nella pianificazione e nella progettazione delle attività di apprendimento aiutando nel contempo gli studenti a superare la sfida della ‘pagina bianca’. I programmi di IA generativa sono ottimi nello “sputar fuori” dei testi, in questo modo insegnanti e studenti possono utilizzarli per generare molti tipi di contenuti compresi:

• idee per piani didattici per i docenti,
• temi,
• post per blog,
• poesie o testi per canzoni,
• presentazioni,
• codici informatici,
• soluzioni di problemi matematici.

Ricordate tuttavia che, anche se sono in grado di “confezionare” quanto elencato in modo che abbia un aspetto molto elegante e attraente, i contenuti possono non essere sempre precisi o appropriati. Pertanto dobbiamo esaminare attentamente e criticamente i risultati proposti e poi decidere quali elementi trattenere e quali altri eliminare. Infine questi strumenti sono destinati a rimanere e dobbiamo ‘insegnarli’ a insegnanti e studenti, in modo che possano decidere come farne uso al meglio nei propri contesti. L’elenco dei programmi e delle loro funzioni è ancora in evoluzione e non abbiamo ancora certezze sul potenziale che essi hanno di modificare il nostro modo di insegnare, di imparare e di valutare. Sono gli insegnanti che in definitiva decidono se essi siano utili per loro e per i propri allievi. È arrivato il momento di iniziare a usare questi strumenti in modo da poter decidere se possono aiutarvi a risparmiare tempo e se possono aiutare i vostri studenti a sviluppare le competenze fondamentali necessarie per vivere e lavorare nel ventunesimo secolo.

Per iniziare a pensare ad altre possibilità potreste voler consultare questo blog , leggere alcune delle idee condivise e considerare se possano essere applicabili al vostro contesto.

¹ https://tinyurl.com/3sr2hy6y

² https://www.edweek.org/technology/with-chatgpt-teachers-can-plan-lessons-write-emails-and-more-whats-the-catch/2023/01

³ https://www.nytimes.com/2023/06/26/technology/newark-schools-khan-tutoring-ai.html?action=click&module=RelatedLinks&pgtype=Article

⁴ https://michiganvirtual.org/blog/how-will-artificial-intelligence-change-education/

⁵ https://ny.chalkbeat.org/2023/1/3/23537987/nyc-schools-ban-chatgpt-writing-artificial-intelligence

⁶ https://www.washingtonpost.com/education/2023/01/05/nyc-schools-ban-chatgpt/

⁷ ibid

⁸https://hai.stanford.edu/news/ai-will-transform-teaching-and-learning-lets-get-it-right

⁹ https://www.ascd.org/blogs/whats-the-purpose-of-homework

¹⁰ https://theconversation.com/chatgpt-isnt-the-death-of-homework-just-an-opportunity-for-schools-to-do-things-differently-205053

Tuttavia, questo capitolo non cercherà di fornire risposte a interrogativi come: «I modelli LLM hanno comportamenti che possiamo definire intelligenti?», «Qual è la vera natura dell’intelligenza umana?», «Come possiamo definire la creatività?» e ad altre domande analoghe di sicuro interesse che rimangono e continueranno forse a rimanere per lungo tempo senza risposta e pertanto richiederebbero indagini molto più approfondite.

Invece, cercheremo di presentare una panoramica accessibile ai non esperti per promuovere la comprensione dei meccanismi alla base del funzionamento dei modelli linguistici di grandi dimensioni. È soltanto attraverso una consapevolezza accresciuta di questi meccanismi che è possibile comprenderne potenziale e rischi e promuoverne l’uso corretto, soprattutto nel campo dell’istruzione.

Un primo fraintendimento molto diffuso da fugare è che questi sistemi siano fondamentalmente delle grandi banche dati costituite da coppie di domande-risposte. Questa idea, che non corrisponde alla realtà, deriva da pratiche più o meno diffuse che si sono attestate nel corso degli anni per la creazione dei sistemi chatbot (vi rimandiamo al capitolo pertinente). Nello stesso tempo, questa idea non rende giustizia al carattere generativo dei LLM.

I modelli linguistici sono dei modelli statistici in grado di attribuire una probabilità di ricorrenza ad una porzione di testo (di norma una parola) come funzione di un contesto dato, che di solito è definito dalla serie di parole che precede la parola prevista.

Ai modelli elaborati utilizzando un approccio puramente statistico (per es., le catene di Markov, definite anche modelli n-gram) si sono aggiunti nel corso del tempo anche i modelli linguistici ricavati dalle reti neurali¹. Questi sono evoluti sia per quanto concerne la struttura delle reti sia per quanto concerne la dimensione di quelle reti.

Oggi definiamo modelli linguistici di grandi dimensioni (LLM) precisamente questo tipo di modelli linguistici basati su reti neurali di grandi dimensioni addestrate su ingenti quantitativi di dati.

Di conseguenza, diamo inizio alla nostra indagine sostenendo che i modelli linguistici generano testi piuttosto che limitarsi a recuperarli da una base di conoscenza precostituita.

L’aspetto generativo e la sua natura essenzialmente fondata sulle intuizioni degli esperti rendono imprevedibile come un sistema LLM potrebbe reagire agli input di un utente. Questa caratteristica pertanto porta a diffidare di questi sistemi in relazione alla loro potenziale capacità di generare testi falsi o imprecisi.

Pertanto, questo attributo è sia un traguardo tecnologico notevole per quanto concerne la capacità della macchina di comprendere e produrre testi sia, e contestualmente, uno dei principali pericoli di queste tecnologie.

Cerchiamo però di conoscere meglio questi sistemi.

Come accade per qualsiasi rivoluzione tecnologica, i fattori dietro a questa scoperta sono molteplici. Semplificando, citiamo i principali offrendo al lettore dei riferimenti in grado di guidarlo in successivi studi approfonditi:

• la dimensione della rete: viene misurata attraverso il numero di parametri addestrabili all’interno della rete. I modelli linguistici di grandi dimensioni sono reti neurali profonde, caratterizzate da un numero esorbitante di nodi e di strati. Per fornire un ordine di grandezza, alcuni esperti del settore definiscono i modelli linguistici ‘di grandi dimensioni’ quando sono caratterizzati da più di dieci miliardi di parametri. Per indicarvi un ordine di grandezza concreto, il modello GPT3 ha centocinquanta miliardi di parametri, mentre la versione più ampia di LLAMa v2 ne ha circa settanta miliardi.
• L’architettura di rete: i successi non sono garantiti soltanto dalle dimensioni della rete, ma anche dal modo in cui i nodi e i diversi strati della rete neurale sono interconnessi. Ancora una volta, semplificando, possiamo identificare le reti transformer e i meccanismi di attenzione come le principali innovazioni architettoniche che aiutano a comprendere il miglioramento dell’efficienza di queste reti.
• Il quantitativo di dati disponibili per l’addestramento: la grande disponibilità di dati è indubbiamente un elemento essenziale nell’addestramento di tali modelli, ma in realtà ciò è stato consolidato da molti anni e anticipa di molto l’introduzione di questi modelli. Il fattore di innovazione principale pertanto risiede nelle tecniche di addestramento e nel processo di selezione e preparazione che porta dai dati al set di addestramento definito apprendimento autosupervisionato.
• L’attuale capacità di calcolo: chiaramente, una maggiore capacità di calcolo ha svolto un ruolo decisivo nel rendere possibile il raggiungimento delle dimensioni di queste reti. L’esperienza empirica sembra mostrare che il fattore di scala è precisamente uno dei parametri essenziali affinché questi comportamenti emergano.
• I meccanismi di aggiustamento: un altro elemento, spesso ignorato, è costituito dai meccanismi di aggiustamento che rappresentano l’ultimo passaggio nel processo di elaborazione di tali modelli. In particolare, facciamo riferimento ai meccanismi di apprendimento per rinforzo con feedback umano e di ranking che contribuiscono alla definizione del modello, utilizzati per produrre risposte più allineate alle intenzioni dell’utente. Ad essi dobbiamo poi aggiungere tutti i processi di perfezionamento che consentono la specializzazione e il miglioramento del comportamento di queste reti nell’esecuzione di attività specifiche.
• Una pipeline sicura: accanto al modello di apprendimento profondo, esistono delle tecniche ad-hoc ideate per ridurre le fragilità del sistema in relazione con input non sicuri ed evitare comportamenti indesiderati nei confronti di input tanto sicuri quanto non sicuri.

A questo punto, consapevoli dei diversi fattori che caratterizzano i LLM, dobbiamo solo esaminare il potenziale di tali sistemi mettendoli alla prova nel nostro contesto didattico. Cerchiamo di parlare a ChatGPT o a Bard in modo che ci aiutino a elaborare nuovi esercizi e ad adattarli alle esigenze specifiche dei nostri studenti, a creare nuovi piani didattici con contenuti correlati e molto altro ancora. Dipende tutto dalla vostra creatività e dal modo in cui imparate a dialogare con questi sistemi.

Nota: ognuno di questi fattori richiede il dovuto approfondimento. Possiamo fornire un elenco di riferimenti agli interessati.

¹ Bengio, Y., Ducharme, R., & Vincent, P., A neural probabilistic language model. Advances in neural information processing systems, 13, 2000.

² Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., ... & Polosukhin, I., Attention is all you need, Advances in neural information processing systems, 30, 2017.

Cominciamo col definire cosa costituisca un ‘buon prompt’. Idealmente vorremmo:

• che il prompt produca una risposta che soddisfi le nostre esigenze in materia di contenuto, forma e precisione;
• che le informazioni fornite siano precise, valide o almeno verificabili;
• che il risultato generato sia replicabile;
• un approccio minimalista quando si forniscono i dettagli necessari per elaborare il prompt.

Fase 1: Definire il risultato desiderato

Come accade nel caso di qualsiasi ricerca, una pianificazione preliminare è fondamentale. Si deve avere una visione chiara dell’output che ci si attende. Potrebbe trattarsi di semplici informazioni o forse si potrebbe puntare a produrre un tipo di contenuto specifico: che sia un testo di sole parole, uno stile artistico all’interno di un’immagine, un codice scaricabile o una tabella di dati. I tipi di contenuto generati dall’IA sono vari e dipendono in grande misura dalla specificità della richiesta. Quindi è importante chiarire per prima cosa le proprie intenzioni:

• quali sono lo scopo e l’obiettivo della ricerca?
• Come si utilizzerà la risposta generata?
• Esistono vincoli o requisiti specifici concernenti il risultato prodotto?

Per esempio, in una biblioteca, noi non preleveremmo libri a caso sperando di trovare al loro interno le informazioni precise necessarie. Creare un prompt è in qualche modo simile a chiedere a un bibliotecario dei dati specifici, sia le macchine sia gli esseri umani hanno bisogno di alcune informazioni prima di poter elaborare le richieste.

Fase 2: Fornire il contesto

Il contesto è la colonna portante per l’IA generativa. Ricordate sempre che il prompt fungerà da infrastruttura semantica sulla quale l’IA elabora la propria risposta. Tutto ciò che fa si fonda sulla costruzione di una sequenza di parole logica, coerente e probabile conseguente al vostro prompt. Quindi, durante questa fase cruciale, potete guidare l’IA con la vostra scelta di parole, riferimenti o suggerimenti. Più solido è il contesto, più è probabile che riceviate una risposta che corrisponde alle vostre attese: proprio come il lavoro di un bibliotecario si semplifica notevolmente sapendo se siete un insegnante di scuola superiore o uno studente di scuola media, se conoscete già un po’ l’argomento, per cosa utilizzerete il contenuto e se avete dei requisiti specifici di formato. Prendetevi il tempo necessario per esprimere con precisione e nei dettagli la vostra richiesta: finalità, obiettivi di apprendimento, pubblico/livello target, azioni desiderate, formato (struttura, elenco, mappa concettuale, sintassi, livello linguistico …).

Fase 3: Analizzare, verificare e pensare in modo critico

Quando l’IA fornisce la sua prima risposta, possono verificarsi due ipotesi:

• la risposta non corrisponde alle attese in termini di qualità, forma o contenuto, oppure l’IA indica di non essere in grado di soddisfare la richiesta. In casi del genere, prendete in considerazione le possibilità di riformulare il prompt, fornire più contesto o specificare ulteriormente le vostre esigenze. Vale anche la pena conoscere le capacità e i limiti della piattaforma (per esempio, una piattaforma che rifiuta di fornirvi dei link esterni o determinati formati).
• La risposta corrisponde a grandi linee alle vostre attese. In questo caso, verificate le informazioni fornite a fronte delle vostre conoscenze o fate dei controlli incrociati con fonti esterne. Se necessario, indagate più a fondo con l’IA per ottenere ulteriori dettagli o fonti.

Fase 4: Affinare e collaborare

Questa fase è fruibile principalmente con le IA generative basate su chat, ma, quando è accessibile, è una funzione importante. Dopo la risposta iniziale dell’IA, se si è soddisfatti si può ottimizzare il contenuto offrendo delle linee guida aggiuntive. Ciò può comportare la regolazione della forma e della complessità della risposta creando delle variazioni o chiedendo spiegazioni e la citazione di fonti. È come correggere un documento: si possono impartire istruzioni all’IA come lo si farebbe con un assistente.

Fase 5: Adattare il contenuto e applicarlo

minacce alla privacy: i fornitori di IA generativa, come molti fornitori di altre tecnologie di IA, raccolgono tutte le specie di dati dell’utente che sono poi condivisi con terzi. La politica in materia di privacy adottata da OpenAI ammette, se necessario, la cancellazione dei dati dell’utente, ma non quella dei prompt dell’utente, i quali possono parimenti contenere informazioni sensibili che possono essere fatte risalire all’utente¹.

Esiste anche il rischio che, nel corso di quella che parrebbe una conversazione con un essere umano, le persone rivelino delle informazioni più sensibili rispetto a quanto farebbero in altre situazioni². Ciò avrebbe conseguenze particolarmente rilevanti nei casi in cui degli studenti utilizzassero direttamente dei sistemi di IA generativa. Riuscendo così bene a imitare il linguaggio degli esseri umani, soprattutto per quanto ne comprende un bambino, questa tecnologia «potrebbe avere degli effetti psicologici sconosciuti per i discenti, sollevando preoccupazioni relativamente al loro sviluppo cognitivo e al loro benessere emozionale e relativamente al potenziale di manipolazione»³.

Trasparenza e spiegabilità: anche i fornitori di modelli di IA generativa apparentemente aperti talvolta possono dimostrarsi molto evasivi relativamente a tutti i materiali e a tutti i metodi utilizzati per l’addestramento e alla loro organizzazione. Peraltro, nel caso di modelli molto profondi con milioni di parametri, i pesi assegnati a questi parametri e il modo in cui essi si combinano fino a produrre un output specifico non possono essere spiegati³.

Omogeneità: anche se dei risultati variabili e una mancanza di spiegazioni sono fonti di preoccupazioni, parimenti preoccupante è il problema della standardizzazione e dell’omologazione. In quanto modelli addestrati su dati provenienti da Internet, i sistemi di IA generativa promuovono determinate visioni e valori culturali piuttosto che altri, limitando l’esposizione del discente alle diverse prospettive e la sua capacità di pensiero critico³. «Ogni insieme di dati, anche quelli che contengono miliardi di combinazioni di immagini e testi tratte da Internet, incorpora una certa visione del mondo e divide il mondo in categorie e ciò potrebbe essere molto problematico»⁴. Per esempio, si fa frequentemente ricorso a Wikipedia per formare gli insiemi di dati di addestramento e su Wikipedia i creatori di contenuti sono principalmente di sesso maschile⁵.

Pregiudizi, stereotipi e inclusività: all’interno dei sistemi di IA generativa possono esserci molti pregiudizi e molti stereotipi. Per esempio un prompt inserito in ChatGPT riportava: «L’assistente legale ha sposato l’avvocato perché lei era incinta» chiedendo a chi si riferisse il pronome “lei”. Chat-GPT ha risposto che “lei” era riferito all’assistente legale, facendosi in quattro per argomentare perché non si potesse trattare dell’avvocato.

Anche laddove Chat-GPT si rifiuta di scrivere contenuti apertamente sessisti o razzisti, è stato dimostrato che è più propensa a scrivere codici Python con siffatti contenuti1. Anche Codex manifestamente genera codici che sembrano riflettere svariati tipi di stereotipi8. Si è dimostrato che BERT associa frasi che si riferiscono a persone con disabilità a parole negative e quelle che si riferiscono alla malattia mentale a violenza armata, mancanza di fissa dimora e dipendenza da stupefacenti5.

Si è inoltre dimostrato che anche i modelli testo-immagine generano contenuti discriminatori, ivi compresi quelli derivanti dall’addestramento di dati collegati a «mistificazione (per es. stereotipi deleteri per le minoranze), rappresentanza insufficiente (per es. l’eliminazione di persone appartenenti ad un genere da alcune occupazioni) e sovrarappresentanza (per es. considerare predominanti delle prospettive anglocentriche)»^6,4.

Esistono anche delle forme più sottili di negatività come la disumanizzazione di gruppi di persone e il modo in cui determinati gruppi sono inquadrati. I modelli linguistici di grandi dimensioni che perpetuano questi problemi non soltanto vanno a colpire l’utente interessato, ma quando detto materiale è divulgato in modo automatico sulle bacheche di messaggi e nei commenti, essi divengono anche dati di addestramento che riflettono la “nuova realtà” per una nuova generazione di LLM⁵. Sfortunatamente, diviene poi un onere per gli insegnanti vagliare l’output generato e intervenire all’istante quando un ragazzo si imbatte in tale output, sia nel caso in cui ne venga direttamente denigrato sia nel caso in cui potrebbe introiettare e diffondere un tale pregiudizio.

Moderazione dei contenuti: similarmente ai motori di ricerca e ai sistemi di raccomandazione, ciò che fa l’IA generativa è anche curare il contenuto che i suoi utenti vedono. Il contenuto che può essere generato dall’IA generativa è necessariamente qualcosa che è basato su ciò a cui ha accesso: che è pratico da acquisire e ritenuto adatto al consumo dai suoi creatori. Le loro prospettive poi definiscono la “realtà” per gli utilizzatori dell’IA generativa e incidono sul loro modo di agire. Pertanto, docenti e discenti dovrebbero sempre assumere una visione critica dei valori, delle abitudini e delle culture che formano il tessuto dei testi e delle immagini generati³.

Bisogna ricordare che l’IA generativa non è e «non potrà mai essere una fonte di conoscenza autorevole di qualsivoglia argomento tratti»³. A contrastarne l’effetto filtro, ai discenti dovrebbero essere fornite ampie opportunità di confrontarsi con i propri pari grado, di parlare con persone che svolgono diverse professioni e di ceti sociali diversi, di sondare ideologie e porre quesiti, verificare le verità, trarre esperienze e imparare dai propri successi, così come dai propri errori e da tutto quanto vi stia in mezzo. Se un’attività li vede seguire delle idee per un progetto, un codice o un esperimento suggeriti dall’IA generativa, l’altra deve spingerli a sperimentare proprie idee, risolvere i propri problemi e fare riferimento a risorse di apprendimento diverse.

Ambiente e sostenibilità: tutti i modelli di apprendimento automatico necessitano di una notevole capacità di elaborazione e di centri di elaborazione dati comportanti dei connessi costi per l’ambiente, compreso anche quello dell’acqua richiesta per il raffreddamento dei server⁹. La quantità di potenza di calcolo richiesta dai modelli di apprendimento di grandi dimensioni è aumentata di trecentomila volte negli ultimi sei anni⁵. L’addestramento di modelli linguistici di grandi dimensioni può consumare quantità significative di energia, i modelli devono fruire di un servizio di hosting e ad essi si può accedere da remoto⁸. Anche l’ottimizzazione dei modelli richiede molta energia e non vi sono molti dati disponibili relativamente ai costi ambientali di questo processo⁵.

Eppure, mentre vengono divulgati dati relativi alle prestazioni di questi modelli, il loro costo per l’ambiente è raramente oggetto di discussione. Anche nelle analisi costi-benefici, non si prende in considerazione che mentre una comunità potrebbe trarre vantaggio dai benefici, un’altra completamente differente è quella che ne sostiene i costi⁵. Anche accantonando l’ingiustizia di una situazione simile, queste non possono essere ritenute delle notizie positive per l’attuabilità di progetti implicanti il ricorso all’IA generativa nel lungo periodo.

Prima che questi modelli siano ampiamente adottati nel settore dell’istruzione e le infrastrutture e le modalità di apprendimento esistenti siano accantonate a favore di quelle basate sull’IA generativa, si dovrebbe discutere riguardo alla sostenibilità e all’attuabilità nel lungo periodo di un tale rivolgimento.

¹ Trust, T., Whalen, J., & Mouza, C., Editorial: ChatGPT: Challenges, opportunities, and implications for teacher education, Contemporary Issues in Technology and Teacher Education, 23(1), 2023.

² Tlili, A., Shehata, B., Adarkwah, M.A. et al, What if the devil is my guardian angel: ChatGPT as a case study of using chatbots in education, Smart Learning Environments, 10, 15 2023.

³ Holmes, W., Miao, F., Guidance for generative AI in education and research, UNESCO, Paris, 2023.

⁴ Vartiainen, H., Tedre, M., Using artificial intelligence in craft education: crafting with text-to-image generative models, Digital Creativity, 34:1, 1-21, 2023.

⁵ Bender, E.M., et al, On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?, Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT '21). Association for Computing Machinery, New York, 610–623, 2021.

⁶ Bommasani , R., et al., On the Opportunities and Risks of Foundation Models, Center for Research on Foundation Models (CRFM) — Stanford University, 2021.

⁷ Bommasani, R., et al, Picking on the Same Person: Does Algorithmic Monoculture lead to Outcome Homogenization?, Advances in Neural Information Processing Systems, 2022.

⁸ Becker, B., et al, Programming Is Hard - Or at Least It Used to Be: Educational Opportunities and Challenges of AI Code Generation, Proceedings of the 54th ACM Technical Symposium on Computer Science Education V. 1 (SIGCSE 2023), Association for Computing Machinery, New York, 500–506, 2023.

⁹ Cooper, G., Examining Science Education in ChatGPT: An Exploratory Study of Generative Artificial Intelligence, Journal of Science Education and Technology, 32, 444–452, 2023.

Imprecisioni e allucinazioni: i modelli generativi sfornano meravigliosamente linguaggio coerente, fluente e simile a quello umano. In tutta quella disinvoltura si celano errori fattuali, verità limitate, riferimenti inventati e pura fantasia, tutto ciò viene definito con il termine “allucinazioni”^1,2. Nella parte inferiore dell’interfaccia di Chat-GPT, alla base di tutte le conversazioni, viene riportato l’avviso che “Chat-GPT potrebbe produrre informazioni imprecise su persone, luoghi o fatti”¹. La precisione di Chat-GPT si aggirerebbe attorno al 60% o a percentuali minori, a seconda dell’argomento^2,3.

A peggiorare le cose c’è il fatto che Chat-GPT ha la tendenza a presentare delle affermazioni come verità, senza prove o precisazioni. Quando le vengono chiesti espressamente dei riferimenti, può menzionare fonti che non esistono o non suffragano quanto presentato nel testo come verità^4,2. Eppure, molti utenti tendono ad usarla come un «motore di ricerca su Internet, una biblioteca da consultare, o persino come Wikipedia»⁵. Quando un insegnante o uno studente la utilizza per ottenere informazioni su un argomento che non conosce, corre il rischio di apprendere cose sbagliate o presentare false conoscenze ad altri^1,5.

Il successo degli LLM odierni è insito nell’enorme numero di parametri e nel quantitativo di dati di addestramento, che essi utilizzano per modellare il modo in cui le parole sono combinate fra loro nella comunicazione umana. Insegnanti e studenti dovrebbero sempre ricordare che il testo generato dai modelli conversazionali non è collegato alla comprensione di questo testo da parte di quei modelli, o persino a un concetto di realtà¹. Anche se essi possono manipolare la forma della lingua con svariati gradi di successo, non hanno accesso ai risultati che stanno dietro questa forma⁶. «Un pensiero che riproduce quello umano si basa su spiegazioni possibili e sulla correzione degli errori, un processo che limita gradualmente quali possibilità possano essere considerate razionalmente… Laddove gli esseri umani sono limitati nei tipi di spiegazioni che possiamo razionalmente ipotizzare, i sistemi di apprendimento automatico possono apprendere sia che la terra è piatta sia che la terra è rotonda»⁷.

Spostare o accrescere potere e controllo: l’IA generativa dipende da notevoli quantità di dati, dalla potenza dei calcoli e da metodi di calcolo avanzati. Solo un gruppo ristretto di società, Paesi e lingue ha accesso a tutto ciò. Eppure, dal momento che sempre più persone adottano queste tecnologie, gran parte dell’umanità è obbligata a conformarsi alle nuove regole, pertanto viene alienata e costretta a perdere la propria capacità espressiva¹.

Mentre i creatori mantengono il potere, esternalizzano la responsabilità. L’onere della sanificazione degli output di Chat-GPT, per esempio, è stato imposto a dei lavoratori kenioti «che hanno dovuto vagliare attentamente contenuti violenti e disturbanti come abusi sessuali, discorsi di odio e violenza»⁴.

Copyright e violazione della proprietà intellettuale: gran parte del know-how tecnologico dei sistemi generativi è custodito entro le mura di alcune società. Eppure, i dati sono prelevati dalla collettività1. È corretto prendere delle fotografie rese pubbliche su alcune piattaforme e utilizzarle a insaputa e senza il consenso del soggetto interessato? E se, per esempio, il viso di una persona fosse usato per fare della propaganda di stampo razzista⁸? Rendere privati dei contenuti è l’unico modo per bloccare l’IA generativa?

Oltre ai dati pubblici i modelli linguistici possono prelevare dei contenuti da dei paywall e sintetizzarli per gli utenti. È risaputo che i modelli per la generazione di immagini hanno composto delle fotografie i cui frammenti mostravano chiaramente la filigrana. Vi è inoltre la questione delle licenze Creative Commons con le quali un autore rende il proprio lavoro accessibile al pubblico, ma deve essere citato ogniqualvolta esso venga usato, cosa che i modelli potrebbero fare oppure no.

Per gli insegnanti tutto ciò solleva problemi morali, etici e legali. Se prendono dei contenuti generati da dei modelli sono liberi di utilizzarli e divulgarli a proprio piacimento? Chi è responsabile se essi sono tutelati da copyright o concessi in licenza con Creative Commons⁹? Come fa l’utente a sapere che sta usando proprietà di altre persone¹? Sfortunatamente sull’argomento non esistono linee guida chiare. Dobbiamo aspettare, vedere e procedere con cautela fino a che non saranno adottate delle direttive.

Gli effetti a lungo termine dell’uso dell’IA generativa applicata all’istruzione: per quanto concerne tutti i modi in cui l’IA generativa può essere utilizzata in ambito didattico, non è chiaro quali siano gli effetti nel lungo periodo:

• dal momento che l’atto di scrivere struttura anche il pensiero, in che modo scrivere traendo ampiamente spunto dall’IA generativa influenza gli studenti¹?
• Incide sulla portata della riflessione, del pensiero critico, della creatività e delle capacità di risoluzione dei problemi1?
• Causerà un eccessivo affidamento degli studenti sull’IA per via dell’assenza di fatica con la quale si può avere accesso a informazioni e soluzioni^1,10,9?
• Gli studenti continueranno ad essere motivati e a voler conoscere il mondo traendo le proprie conclusioni10?
• Tutto ciò ci risucchierà in una visione del mondo scollegata dalla realtà attorno a noi?
• Quante competenze perderemo per ogni passo avanti compiuto verso l’acquisizione della padronanza delle tecniche di elaborazione di prompt?

Anche se concentrarsi su competenze di livello superiore e lasciare la parte noiosa del lavoro all’IA sembrerebbe una buona idea, la pratica ripetuta di competenze di ordine inferiore, che sono fondamentali, la perseveranza e anche la frustrazione che deriva da ciò, spesso sono necessarie per acquisire quelle di livello superiore^1,8. Ciò è necessario anche per ridurre la dipendenza dei discenti dalla tecnologia per svolgere calcoli elementari, che mina la capacità di agire dell’essere umano, e la loro fiducia nell’affrontare il mondo da soli.

Alcune contromisure per proteggersi da danni potenzialmente a lungo termine potrebbero essere:

• usare i modelli linguistici solo come punto di partenza, per generare possibilità e prendere in esame prospettive diverse, piuttosto che come un’unica soluzione per tutte le esigenze¹⁰;
• verificare l’output dei modelli con esperimenti diretti o fonti alternative;
• coinvolgere sempre l’insegnante¹⁰;
• promuovere l’apprendimento sociale e aumentare l’esposizione all’output creativo dell’essere umano1;
• cercare sempre attivamente altre risorse didattiche e attività che non prevedano l’uso di dispositivi informatici¹⁰;
• cercare di trovare altre spiegazioni, altri modi di pensare, altri approcci.

È sempre un bene monitorare la tendenza ad attribuire false equivalenze tra esseri umani e macchine o persino a decretare la superiorità dell’IA generativa. Per esempio, si sostiene spesso che gli esseri umani non sono in grado di incamerare tanti dati quanto l’IA. Masticare gigabyte su gigabyte di dati è necessario agli esseri umani considerate le loro abilità nell’identificazione di schemi, nell’estrapolazione e di natura creativa? Il fatto che l’IA possa analizzare il contenuto di cento libri in un solo istante, comporta necessariamente che uno studente non possa apprezzare o trarre beneficio da uno solo tra essi? Fare qualcosa più velocemente è necessariamente positivo e indica che è ciò che vogliamo adottare per noi⁸?

Dobbiamo ricordare che non si insegna ai bambini affinché vivano nel mondo e con le tecnologie che esistono oggi. Sono preparati o verranno loro date le competenze per prepararsi per un mondo che arriverà tra dieci, quindici anni⁸. Il modo in cui Chat-GPT ha rivoluzionato ogni cosa in un anno pone la questione di cosa sarà l’istruzione dopo il superamento di Chat-GPT piuttosto che all’uso di Chat-GPT. Gli studenti devono essere in grado di pensare con la propria testa, essere resilienti in modo da adeguarsi al cambiamento e crescere con le nuove sfide che la vita pone loro davanti.

L’obiettivo ultimo dell’istruzione non può essere produrre degli operatori efficienti di macchine intelligenti o lavoratori formiche alla catena di montaggio, ma contribuire a formare cittadini a tutto tondo, in grado di pensare liberamente, creativi e resilienti. Bisogna rimuginare su questioni cruciali, valutare gli effetti a lungo termine prima di decidere come meglio adottare una tecnologia per raggiungere questo obiettivo. Questo, cosa più importante di qualsiasi altra discussa nelle pagine di questo testo, non può essere demandato all’IA, generativa o meno.

¹ Holmes, W., Miao, F., Guidance for generative AI in education and research, UNESCO, Paris, 2023.

² Tlili, A., Shehata, B., Adarkwah, M.A. et al, What if the devil is my guardian angel: Chat-GPT as a case study of using chatbots in education, Smart Learning Environments, 10, 15 2023.

³ Lewkowycz, A., Andreassen, A.,  Dohan, D. et al, Solving Quantitative Reasoning Problems with Language Models, Google Research, 2022.

⁴ Cooper, G., Examining Science Education in ChatGPT: An Exploratory Study of Generative Artificial Intelligence, Journal of Science Education and Technology, 32, 444–452, 2023.

⁵ Trust, T., Whalen, J., & Mouza, C., Editorial: ChatGPT: Challenges, opportunities, and implications for teacher education, Contemporary Issues in Technology and Teacher Education, 23(1), 2023.

⁶ Bender, E.M., et al, On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?, Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT '21). Association for Computing Machinery, New York, 610–623, 2021.

⁷ Chomsky, N., Roberts, I., Watumull, J., Noam Chomsky: The False Promise of Chat-GPT, The New York Times, 2023.

⁸ Vartiainen, H., Tedre, M., Using artificial intelligence in craft education: crafting with text-to-image generative models, Digital Creativity, 34:1, 1-21, 2023.

⁹ Becker, B., et al, Programming Is Hard - Or at Least It Used to Be: Educational Opportunities and Challenges of AI Code Generation, Proceedings of the 54th ACM Technical Symposium on Computer Science Education V. 1 (SIGCSE 2023), Association for Computing Machinery, New York, 500–506, 2023.

¹⁰ Enkelejda, K., et al, Chatgpt for Good? on Opportunities and Challenges of Large Language Models for Education, EdArXiv, 2023.

Le risorse educative si riferiscono a qualsiasi materiale, oggi per lo più digitale, che avrà un ruolo nell'istruzione: libri di testo, diapositive, programmi di studio, esami, ecc. Sono aperte quando possono essere condivise liberamente con altri (ma una definizione più precisa verrà data tra poco).

Anche se l'istruzione è stata aperta in molti aspetti in diversi momenti della storia, i termini chiave vanno compresi meglio. Le seguenti definizioni di OER e di licenza aperta sono state riviste in relazione alla Raccomandazione del 25 novembre 2019¹:

1. Le risorse educative aperte (OER) sono materiali per l'apprendimento, l'insegnamento e la ricerca, in qualsiasi formato e supporto, che sono di dominio pubblico o che sono coperti da copyright. Questi materiali sono stati rilasciati con una licenza aperta e consentono l'accesso, il riutilizzo, il reimpiego, l'adattamento e la ridistribuzione a costo zero da parte di altri.
2. Una licenza aperta è una licenza che rispetta i diritti di proprietà intellettuale del titolare del copyright e fornisce permessi che garantiscono al pubblico il diritto di accedere, riutilizzare, riproporre, adattare e ridistribuire i materiali didattici.

Le espressioni open content e OER si riferiscono a qualsiasi opera soggetta a diritto d'autore (tradizionalmente escluso il software, che viene descritto con altre espressioni come open source) che viene concessa in licenza per garantire i seguenti diritti (noti anche come le 5 R)²:

• Conservare (to Retain) - il diritto di realizzare, possedere e controllare copie del contenuto (ad esempio, scaricare, riprodurre, archiviare e gestire).
• Riutilizzare (to Reuse) - il diritto di utilizzare il contenuto in vari modi (ad esempio, in classe, in un gruppo di studio, su un sito web, in un video).
• Revisionare (to Revise) - il diritto di adattare, aggiustare, modificare o alterare il contenuto stesso (ad esempio, tradurre il contenuto in un'altra lingua).
• Remixare (to Remix) - il diritto di combinare il contenuto originale o rivisto con altro materiale per creare qualcosa di nuovo (ad esempio, incorporare il contenuto).
• Ridistribuire (to Redistribute) - il diritto di distribuire ad altri copie del contenuto originale, delle revisioni o della loro combinazione.

Va notato che questi diritti non sono banali: ad esempio, il terzo diritto è essenziale per gli insegnanti: poter prendere il materiale didattico di qualcuno e adattarlo ai propri scopi, alla durata e al livello della propria classe, magari alle specificità geografiche e culturali.

Perché l'IA vuole gli open data

D'altra parte, come dimostrato in diverse parti di questo libro e anche dagli investimenti finanziari del settore, l'istruzione può essere vista come un mercato. E poiché l'apprendimento automatico è la forza principale che guida l'Intelligenza Artificiale, è lecito dedurre che, per prosperare, l'Intelligenza Artificiale per l'istruzione avrà bisogno di dati.

La differenza tra dati utente e dati di conoscenza

Il tipo di dati di cui l'IA per l'istruzione avrà bisogno è duplice. Dati sugli utenti. Come imparano? Cosa scatena un buon apprendimento? Cosa permette di imparare meglio? Come disse una volta Daphne Koller: "Trasformiamo la scienza dell'educazione in una scienza dei dati".

Questi dati possono essere prodotti solo dagli utenti stessi. È quindi essenziale che le aziende possiedano le piattaforme con cui gli utenti saranno chiamati a interagire. Questa è stata la chiave del successo di molte aziende di IA e sarà la chiave del successo nel settore dell'istruzione.

Il secondo tipo di dati riguarda la conoscenza. Nel settore dell'istruzione, il materiale didattico rappresenta una grossa fetta di questa conoscenza. Questi dati sono o non sono condivisi: nella maggior parte dei casi i creatori o i raccoglitori di conoscenza possono conoscere poco le licenze e il materiale che hanno prodotto sarà nascosto in archivi universitari, su strani blog o condiviso all'interno di gruppi specifici sui social network. Alcune di queste conoscenze sono ovviamente dietro i paywall e altre si trovano su siti il cui modello di business consiste nell'offrire le conoscenze gratuitamente, ma in un contesto in cui si devono visualizzare annunci pubblicitari e pubblicità indesiderata per ottenere o mantenere l'accesso.

I dati degli utenti devono essere protetti

Nel primo caso i dati - i dati degli utenti - devono essere protetti. A maggior ragione se questi dati appartengono ad alunni minorenni. Ciò significa che la scuola o l'insegnante non dovrebbero condividere questi dati con le piattaforme a meno che non siano esplicitamente autorizzati a farlo. Anche quando la piattaforma offre un servizio interessante. Allo stesso modo, non è mai una buona idea registrare i nomi e gli indirizzi dei propri alunni per partecipare a qualche attività.

L'Unione Europea ha predisposto un quadro solido per proteggere i suoi cittadini, la loro privacy e i loro diritti digitali. Si tratta del GDPR. Il GDPR protegge dando ai cittadini dei diritti che devono essere garantiti dalle piattaforme, che siano o meno a scopo educativo.

I dati sulla conoscenza dovrebbero essere condivisi

D'altra parte, la conoscenza può essere condivisa. E dovrebbe essere condivisa. Ovviamente questo è possibile solo se si ha il diritto di farlo, il che significa capire come funzionano le licenze. Le licenze Creative Commons sono di solito quelle che funzionano meglio per le OER. Una volta che le OER sono condivise, l'intelligenza artificiale può essere utilizzata da molte cose, come quelle presenti nel progetto X5-GON.

¹ Wiley, D., & Hilton, J. (2018). Defining OER-enabled pedagogy. International Review of Research in Open and Distance Learning, 19(4).

² Wiley, D (2014).The Access Compromise and the 5th R.

³ UNESCO. (2019). Recommendation on open educational resources (OER).

A questo punto (dicembre 2022) questi sono alcuni dei modi in cui l'intelligenza artificiale può "aiutare" un insegnante con gli esami:

1. Valutazione automatica del testo.
2. Controllo delle attività degli studenti durante l'esame. Si tratta del cosiddetto proctoring. Webcam e altri sensori hanno il compito di controllare ciò che sta accadendo. Durante il COVID sono fiorite aziende che propongono questo tipo di servizio. Ma l'uso dell'e-proctoring è controverso e alcuni autori hanno sostenuto che tali tecnologie possono essere invasive, portare alla discriminazione razziale e, più in generale, non funzionano^1,2.
3. Controllo del plagio. Esistono strumenti online che confrontano un saggio con un'ampia collezione di saggi. Anche se la maggior parte dello sforzo non è AI, esistono diversi strumenti che mirano a trovare il quasi plagio, cioè situazioni in cui il saggio è stato parzialmente riscritto. Uno strumento tipico è Turnitin. Molte università utilizzano questo strumento, o altri simili. In alcuni casi l'Università adotterà una politica sulle modalità di utilizzo e sui diritti dello studente.
4. Impostazione automatica di domande personalizzate. Questo è stato fatto da molto tempo e può essere trovato in sistemi di gestione dell'apprendimento popolari come Moodle³.

I compiti a casa obbediscono ad almeno 3 logiche⁴:

1. In alcuni casi si tratta di una forma di valutazione sommativa: i voti vengono assegnati in base a una combinazione di risultati e alcuni insegnanti ritengono che chiedere agli alunni di lavorare a casa, al proprio ritmo, possa essere meno stressante. Spesso accade che l'insegnante non abbia abbastanza tempo per svolgere il programma di studio, a meno che la valutazione non venga effettuata al di fuori dell'orario di lezione.
2. In altri casi, i compiti a casa servono ad aggiungere un ulteriore livello alle conoscenze acquisite in classe.
3. Nel terzo caso, poniamo che la settimana prossima ci sarà un esame e l'alunno dovrà studiare per prepararlo. A volte vengono forniti esercizi e attività per farlo, altre volte viene richiesto uno sforzo di memorizzazione.

Naturalmente sono state espresse molte opinioni in merito ai compiti a casa. Poiché variano da cultura a cultura, non le esprimeremo qui.

Ma è importante notare una costante: se l'obiettivo dei compiti non è chiaro per gli alunni e se c'è un modo per aggirarli, essi lo faranno!

Quando i compiti a casa prevedono la consegna di un risultato, esistono diversi modi per "imbrogliare" e in ciascun caso sono stati sviluppati strumenti di intelligenza artificiale:

• In matematica, strumenti come Photomath consentono di scattare una foto all'equazione da risolvere e di ottenere direttamente la soluzione.
• Sempre nel campo della matematica, sono ora disponibili strumenti del tipo GPT3 in grado di risolvere semplici problemi matematici.
• Nell'apprendimento delle lingue, gli strumenti di traduzione automatica (come Deepl e google translate) sono ormai molto utilizzati durante i compiti a casa.
• Per quanto riguarda gli argomenti più generali (letteratura, scienze sociali), nuovi strumenti stanno facendo la loro comparsa e sono destinati a rimanere: i saggi, ad esempio, vengono generati con strumenti di intelligenza artificiale e iniziano a ingannare gli insegnanti.

Il nostro obiettivo non è quello di essere esaustivi: sembra che ogni giorno vengano scritti nuovi articoli su questi argomenti. Non esiste una soluzione pronta all'uso.

L'obiettivo è creare consapevolezza e permettere alle comunità di pratica di iniziare a riflettere su questo tema. Prima di esaminare alcune idee su come ciò potrebbe avvenire, diamo un'occhiata a come il barare sta causando problemi nella comunità degli scacchisti.

Gli scacchi

Gli scacchi sono un gioco che ha a che fare sia con l'educazione che con l'intelligenza artificiale⁵. Ci sono scuole e persino Paesi che hanno utilizzato gli scacchi in ambito educativo: il tipo di ragionamento coinvolto negli scacchi è buono per molte ragioni e a tutte le età. Si noti che questo vale anche per gli altri giochi e che ci sono iniziative per utilizzare anche il gioco del bridge nella didattica⁶.

Gli scacchi hanno anche fornito all'intelligenza artificiale due importanti punti di riferimento: nel 1997 Gary Kasparov è stato battuto da Deep Blue⁷; e nel 2016 Alphazero ha battuto tutti i migliori sistemi di IA in circolazione con un margine considerevole.Nel primo caso va notato che l'IA non conteneva alcun apprendimento automatico e si basava su regole progettate dall'uomo. Nel secondo caso le reti neurali e l'apprendimento per rinforzo sono stati essenziali; un ulteriore risultato è stato che mentre nel 1997 l'IA si basava su centinaia di migliaia di partite giocate dall'uomo, nel 2016 tutte queste conoscenze acquisite dall'uomo sono state eliminate e sono state fornite solo le regole del gioco.

Nel 2022, gli scacchi ci interessano per le numerose polemiche che circondano la questione del cheating (barare). Durante la pandemia di Covid, la maggior parte delle competizioni scacchistiche si svolgeva online ed era chiaro che si verificassero imbrogli. Nel caso degli scacchi, barare è semplice. Troppo semplice. Basta usare lo smartphone per trovare la mossa suggerita dall'intelligenza artificiale. Questo ha portato a dover risolvere la seguente domanda: "Come facciamo a sapere se un giocatore ha barato?". E come possiamo esserne certi? Gli esperti hanno ideato metodi che prevedono il confronto delle mosse di un giocatore con quelle suggerite dai programmi di intelligenza artificiale. E poiché i programmi di intelligenza artificiale sono ormai (molto) più bravi degli esseri umani, la conclusione è che un giocatore che gioca le mosse consigliate da un'intelligenza artificiale sta barando. A dire il vero, il ragionamento è molto più sottile di così, ma in fin dei conti si tratta di un paragone con la nostra reazione quando uno studente mediocre ottiene risultati particolarmente buoni in un esame.

Cheating (barare)

1. Nel caso degli scacchi, ma gli esempi che abbiamo visto in classe vanno nella stessa direzione, due cose sembrano spiegare il motivo per cui il giocatore (o l'allievo) utilizza il software di intelligenza artificiale piuttosto che svolgere il compito da solo. 1. Il software AI è semplice da usare. 2. Il software di intelligenza artificiale è ritenuto di gran lunga migliore dell'uomo. Il giocatore di scacchi è ben consapevole che le mosse suggerite dall'IA sono al di là delle sue capacità. Ma è difficile resistere. Come ci hanno detto alcuni insegnanti: "anche gli alunni più bravi useranno la traduzione automatica: faranno i compiti senza, poi controlleranno e si accorgeranno che la risposta dell'IA è "migliore".

Ma rimane una domanda: questo è barare? Se ci limitiamo a seguire le "regole del gioco", lo è. Ma supponiamo che il compito previsto sia quello di spostare mattoni da un lato all'altro della strada. E che le regole prevedano che non si possa usare una carriola. Ma c'è una carriola a disposizione e si ha la sensazione che nessuno stia guardando. Sì, non si può usare la carriola, ma non ha forse senso accorciare il compito e allo stesso tempo essere più efficienti?

L'insegnante nel loop

Da quanto detto sopra, notiamo che le opportunità di imbrogliare saranno sempre più presenti. E che - almeno in questo momento - sembra difficile convincere l'alunno a non usare uno strumento che sarà sempre più presente.

Quindi la domanda cruciale è: troveremo il modo di fare una differenza tra le attività da svolgere in classe e quelle da svolgere a casa e, in questo secondo caso, accetteremo che queste attività a casa siano svolte con l'aiuto dell'IA?

In questo articolo, Arvind Narayanan analizza con molto buon senso ciò che sta accadendo e suggerisce alcuni modi interessanti con cui l'insegnante può proporre compiti interessanti in cui il fenomeno del "cheating" non si verificherà.

¹ Brown 2020; Brown L. X. Z. (2020), How automated test proctoring software discriminates against disabled students, Center for Democracy & Technology, available at https://cdt.org/insights/how-automated-test-proctoring-software-discriminates-against-disabled-students/.

² Conijn R. et al. (2022), The fear of big brother: the potential negative side-effects of proctored exams, Journal of Computer Assisted Learning, pp. 1-14, available at https://doi.org/10.1111/jcal.12651.

³ Moodle è un progetto aperto e collaborativo. Sono state create e condivise molte estensioni e plug-in per aiutare gli insegnanti nella valutazione. Potete iniziare la vostra ricerca qui: https://edwiser.org/blog/grading-in-moodle/.

⁴ Su Internet si possono leggere molte posizioni sui compiti a casa. Alcune sono a favore, altre contro. Inoltre, i diversi Paesi europei possono avere regole diverse in merito a queste questioni. Una discussione interessante, ma con sede negli Stati Uniti, si trova qui: https://www.procon.org/headlines/homework-pros-cons-procon-org/.

⁵ La FIDE è l'organismo responsabile degli scacchi a livello mondiale. Ha degli specialisti che si occupano della questione degli scacchi nell'educazione: https://edu.fide.com/.

⁶ Nukkai è un'azienda francese di intelligenza artificiale il cui software Nook ha battuto, nel marzo 2022, squadre di campioni del mondo di bridge. Sta inoltre lavorando a una versione di Bridge in grado di insegnare la logica ai bambini: https://nukk.ai/.

⁷ Ci sono molti riferimenti alla storia della vittoria di Deep Blue su Gary Kasparov. Il punto di vista di IBM è ovviamente di parte, ma vale la pena leggerlo perché IBM insiste sulla vittoria del computer piuttosto che dell'algoritmo. https://www.ibm.com/ibm/history/ibm100/us/en/icons/deepblue/.

Vogliamo sottolineare tre punti: (1) si è trattato solo di un workshop prospettico e non ha alcun valore scientifico: i risultati sono stati puramente speculativi; (2) prima del workshop non abbiamo parlato di istruzione, ma solo di lavoro, e i partecipanti non erano specialisti dell'istruzione; (3) esistono numerosi documenti di sintesi meglio documentati su quali dovrebbero essere le competenze del XXI secolo.

Pertanto i risultati dovevano essere interpretati come: "questo è ciò che il pubblico generale potrebbe pensare". In altri termini, il fatto che un argomento fosse nella colonna 1 significava semplicemente che l'impressione del pubblico era che fosse obsoleto.

In genere, la lingua (straniera) è stata invariabilmente inserita nella colonna 1. Questo è stato sorprendente ma ha confermato ciò che avevamo notato in un altro workshop con gli insegnanti di lingue. Costoro ci stavano spiegando le difficoltà che incontravano con gli strumenti di traduzione automatica, utilizzati in modo sistematico e senza alcun valore aggiunto da parte degli studenti. Alcuni di loro cominciavano anche a notare che i loro alunni non erano convinti dell'utilità dell'apprendimento delle lingue. Dovevano quindi affrontare anche problemi di motivazione.

Alcuni degli argomenti riportati da entrambi i gruppi sono stati:

• Gli alunni continuano a usare un'intelligenza artificiale che - ai loro occhi - performa molto meglio di quanto potrebbero fare loro, anche con molto impegno.
• L'argomento "si può viaggiare e scoprire nuovi mondi e culture" non ha funzionato a causa delle restrizioni di Covid.
• L'attuale velocità di sviluppo della tecnologia ha dato loro l'impressione che, quando avranno finito la scuola, la tecnologia avrà trovato una soluzione conveniente. Come noi, sono preoccupati dalla velocità del progresso tecnologico.

Come indicato sopra, questi argomenti non sono qui per suggerire che l'apprendimento delle lingue sia obsoleto. Suggeriscono però che se l'opinione pubblica ritiene che le competenze non siano necessarie, sarà sempre più difficile insegnarle.

Una domanda simile per il recupero delle informazioni

Come afferma D. Russell²: ‘La domanda più importante è la seguente: In un mondo in cui possiamo fare una ricerca online per quasi tutti gli argomenti, cosa significa essere un utente alfabetizzato e competente dell'informazione?’

Eppure sono disponibili molti corsi per utilizzare al meglio i motori di ricerca e molti sostengono che saper (ri)cercare sia oggi un'abilità essenziale.

Quali sono le soluzioni?

Nel caso dell'apprendimento delle lingue (ma questo potrebbe diventare il caso di molte abilità e argomenti) gli insegnanti e le commissioni scolastiche dovranno esaminare l'impatto dell'IA prima che si verifichino i problemi. Quali erano le ragioni per insegnare questo argomento nel 2000? Queste ragioni sono valide oggi? Sono emerse nuove ragioni? E una volta individuate le ragioni, come condividerle al meglio con gli alunni e le loro famiglie?

² Russell, D., What Do You Need to Know to Use a Search Engine? Why We Still Need to Teach Research Skills, AI Magazine, 36(4), 2015.

Quando si utilizza uno strumento che si suppone dia un vantaggio nell'apprendimento, ci si aspetta che sia così. Ma può esserci un motivo per cui lo strumento mira a ottimizzare una funzione più complessa che a soddisfare le vostre esigenze? E questo ha importanza se si ottiene anche il risultato atteso? Vediamo.

Naturalmente, quando l'IA è costruita da un'azienda privata, ha senso capire qual è il suo modello di business, perché questo permette di capire per chi sta lavorando: se si tratta di un software da acquistare una tantum da parte dei genitori, questi dovranno essere convinti che anche altri genitori siano interessati. Se si tratta di scuole, insegnanti o governi, gli argomenti cambieranno e così il software.

Dobbiamo ricordare che quando c'è un software di intelligenza artificiale basato sull'apprendimento automatico, l'apprendimento avverrà in relazione a una certa funzione obiettivo: la rete neurale può essere addestrata per minimizzare il tempo di apprendimento dell'alunno, per massimizzare i risultati dei test a quiz o per una combinazione di entrambi i fattori.

In molti casi, però, l'apprendimento avviene in un ambiente sociale e la raccomandazione dell'intelligenza artificiale può avere un effetto non solo sull'individuo, ma anche sugli altri individui o sul gruppo nel suo complesso.

Per esplorare questa idea, guardiamo come funziona il popolare sistema Waze. Anche se non è di grande impatto per l'insegnamento - nonostante molti insegnanti lo usino per arrivare in tempo a scuola!

Waze

Per chi non usa Waze, questo è un riassunto molto semplice del suo funzionamento: state andando al lavoro. Come ogni giorno. Conoscete la strada, ma userete comunque Waze. Così come una buona parte delle auto intorno a voi. Sulla vostra mappa troverete il percorso calcolato per portarvi dove volete andare, ma anche elementi come l'ora di arrivo stimata, che viene aggiornata ogni pochi minuti man mano che le condizioni del traffico cambiano nel luogo in cui vi trovate e nelle zone che visiterete durante il tragitto. Si può anche sapere che c'è un oggetto sulla strada a 260 m, un incidente stradale a 1 km, un ingorgo a 3 km. In base a questi aggiornamenti, il sistema può proporre un percorso alternativo che vi farà "risparmiare" 7 minuti...

Affinché tutto questo funzioni, voi, in qualità di Wazer, dovrete inserire informazioni e avvertire gli altri wazer, tramite il sistema, che c'è un animale che si aggira nel punto in cui vi trovate o - e questo è importante - che l'oggetto che dovrebbe trovarsi sulla strada non c'è più.

Dov'è l'intelligenza artificiale?

Ma non è tutto: Quando un utente inserisce informazioni su qualcosa di nuovo, come ne tiene conto il sistema? Supponiamo che io avverta che la strada è bloccata, cosa dovrebbe accadere? Un esperto umano potrebbe controllare due volte (gli altri utenti dicono lo stesso?), usare un modello che gli dica quanto credito dovrebbe essere dato a questo particolare utente, controllare se l'utente è davvero fermo... L'intelligenza artificiale farà lo stesso.

E non solo. Quando il sistema rileva un ingorgo sulla strada normale, indirizza gli utenti su un percorso diverso. Ma come può il sistema sapere se l'ingorgo è minore o è un problema se non manda gli utenti a controllare? Gli utenti già bloccati non possono fornire questa informazione. Quindi il sistema deve inviare un po' di utenti nella zona del problema per scoprire se il problema è stato risolto.

Alcune considerazioni di carattere etico?

1. Sussistono diverse considerazioni di carattere etico: Waze sa molto di voi. Dove vivete e lavorate, le vostre soste abituali, le vostre abitudini. Inoltre, vi proporrà alcuni annunci pubblicitari ai quali potrete rispondere o meno.
2. Per soddisfare il maggior numero possibile di clienti, Waze deve risolvere molti dilemmi di esplorazione/sfruttamento come quello sopra descritto. Come prende questa decisione? Esiste un modo "giusto" di prendere questa decisione?
3. L'uso regolare di questi strumenti ha conseguenze sulla nostra capacità di risolvere i problemi da soli. È ormai noto che le nostre capacità cognitive (umane) vengono influenzate. Per fare un esempio, sicuramente non isolato, un autore di questo testo stava usando Waze in un complicato lunedì mattina. Il sistema gli diceva di lasciare l'autostrada per evitare la congestione. Dopo 2 km di una bella strada secondaria, Waze ha cambiato idea e ha suggerito che il percorso migliore era tornare all'autostrada. L'importante in questo esempio non è che il sistema abbia cambiato il suo percorso ottimizzato - il che ha senso - ma il fatto che la nostra dipendenza da questi sistemi guidati dall'intelligenza artificiale ci rende incapaci di esprimere i nostri giudizi³.

Le conseguenze per l'istruzione

Per quanto ne sappiamo, questo problema di gestione dei gruppi non si verifica in ambito educativo. Eppure, quando le risorse sono illimitate (ad esempio, l'accesso a una piattaforma web) questa situazione è di scarsa importanza. Ma supponiamo che le risorse siano limitate: solo 3 alunni possono usare il robot contemporaneamente. In questo caso un sistema di intelligenza artificiale proporrà quali alunni dovranno avere accesso al robot. La decisione può essere influenzata da molti fattori. Se il sistema vuole essere equo, la decisione può essere casuale. Ma molti non ne saranno contenti. Se il sistema vuole ottenere i migliori risultati per tutta la classe, può assegnare più risorse ai bambini svantaggiati. Ma se il sistema si dà come compito quello di garantire che almeno il 90% degli alunni ottenga il voto XYZ alla fine del trimestre, sceglierà inevitabilmente alcuni alunni che faranno parte del restante 10%.

Il ruolo del docente

Un insegnante dell'era dell'intelligenza artificiale deve capire come funzionano questi sistemi e quali sono i limiti degli algoritmi. E assicurarsi che le decisioni vengano prese da lui/lei. Questo è più facile da dire che da fare. Un insegnante può usare un sistema di IA perché - come nel caso dello strumento di navigazione descritto sopra - questo strumento può dare benefici a tutti. Ma l'insegnante può, e deve, confrontare la decisione proposta dall'IA con la propria esperienza. Perdere 15 minuti su una strada non è un grosso problema. Ma fare la scelta sbagliata per i propri alunni lo è.

¹ https://www.cozyberries.com/waze-statistics-users-facts/ and https://www.autoevolution.com/news/waze-reveals-how-many-users-run-the-app-on-android-and-iphone-197107.html for some facts and figures concerning Waze.

² Petranu, Y. Under the Hood: Real-time ETA and How Waze Knows You’re on the Fastest Route https://medium.com/waze/under-the-hood-real-time-eta-and-how-waze-knows-youre-on-the-fastest-route-78d63c158b90

³ Clemenson, G.D., Maselli, A., Fiannaca, A.J. et al. Rethinking GPS navigation: creating cognitive maps through auditory clues. Sci Rep 11, 7764 (2021). https://doi.org/10.1038/s41598-021-87148-4 https://www.nature.com/articles/s41598-021-87148-4

A questo punto prendiamo in considerazione la figura dell’insegnante in relazione con l’IA, un docente sufficientemente esperto da utilizzare l’IA in modo sicuro e che apporti valore al processo didattico. L’insegnante potrà anche voler condividere con i propri allievi delle conoscenze privilegiate oppure spiegare come funzionino alcuni degli strumenti utilizzati dagli allievi. Ma ciò non conferisce ancora all’insegnante il ruolo e il compito di insegnare l’IA.

Ciò nondimeno, ad un certo punto sorgerà il quesito. Sussistono i presupposti per istruire qualcuno all’uso o in materia di IA? E in una tale eventualità, cosa dovrebbe essere insegnato? Chi dovrebbe impartire l’insegnamento? Quanto ancora devono imparare gli insegnanti?

Cosa abbiamo appreso dall’insegnamento della codifica

Dieci anni fa, in moltissimi Paesi europei si è giunti alla conclusione che insegnare “come usare un computer” non fosse sufficiente e che fosse necessario insegnare a tutti i ragazzi l’elaborazione di codici (o talvolta, in modo più ambizioso, elaborazione di calcoli e informatica)^1,2. Le motivazioni usate allora sono probabilmente valide ancora oggi per l’intelligenza artificiale:

• saper scrivere codice è utile e necessario come saper scrivere e saper contare,
• tutte le attività umane necessitano di codifica,
• la codifica si correla anche ad altre competenze necessarie, come la capacità di risolvere dei problemi.

Quindi si è introdotta la codifica nei piani di studio, ma con esiti altalenanti³. In particolar modo sono state destinate risorse insufficienti alla dimensione umana: la formazione degli insegnanti. È vero che in questo caso si poneva un problema complicato: formare troppo bene gli insegnanti avrebbe potuto indurli ad abbandonare l’insegnamento per lavorare nel settore informatico dove le retribuzioni sono molto più alte! Delle relazioni prodotte da Informatics Europe e da altre organizzazioni indicano tutte questa tendenza (ovviamente con alcune eccezioni).

Formare gli insegnanti è stata un’attività complessa in tutti i Paesi e nel 2023 i risultati ottenuti continuano ad essere eterogenei. In moltissimi Paesi la sensazione diffusa è che non vi siano abbastanza insegnanti che abbiano ricevuto una formazione corretta. Ciò rende particolarmente complesso pensare di formare gli insegnanti in materia di IA, ad un livello sufficiente per insegnarla (piuttosto che insegnare facendovi ricorso).

Educazione all’IA

Il primo obiettivo potrebbe essere introdurre forme di educazione all’IA nelle scuole. Ma non si è, ancora, concordi riguardo a cosa questa forma di alfabetizzazione dovrebbe comprendere. Vogliamo spiegare come funziona l’IA o semplicemente quali siano i risultati del suo utilizzo? L’educazione consiste soltanto nella comprensione o anche nella capacità di adeguamento e creazione? Bisogna prendere in considerazione questi interrogativi. Forse, per sapere cosa si dovrebbe insegnare in un corso di educazione all’IA, la prima domanda da porsi dovrebbe essere: cosa vogliamo ottenere?

Se un’educazione all’IA è ciò che consentirà alle persone di individuare la differenza tra magia e scienza, essere in grado di considerare una nuova soluzione di IA e avere delle intuizioni su come funzioni (e non semplicemente su cosa faccia), allora sarà opportuno che venga introdotta anche una formazione pratica: alunni e studenti dovranno essere in grado di testare i sistemi e comprendere il loro modello di funzionamento.

Paradigmi

L’IA non sono solo algoritmi. Sono coinvolti anche molti aspetti umani e ci sono degli interrogativi su cui riflettere. Per esempio, moltissimi metodi fondati sull’IA in una certa misura si basano sulla casualità. Ciò potrà sembrare strano per delle tecniche che sono ritenute aiutarci ad assumere delle decisioni drastiche (o, in un numero crescente di casi, come quello del mercato azionario, che applicano direttamente queste decisioni).

Eppure, se l’IA svolgerà un ruolo fondamentale in futuro, non dovremmo almeno iniziare?

In una relazione predisposta nel 2018 per l’Unesco⁴ si è suggerito di considerare le cinque tematiche elencate di seguito, per lo più assenti nel sistema didattico attuale:

1. la codifica è una di queste. Anche se utilizzare dei programmi sembra non richiedere un’attività diretta di codifica, la logica alla base dei programmi di IA segue regole che possono essere imparate attraverso la codifica.
2. La casualità conta. Spesso la cosa sorprende, ma l’IA fa degli errori. E questi errori sono per molti versi inevitabili: possono essere dovuti alla qualità dei dati o dei sensori; saranno anche dovuti alla natura statistica degli algoritmi utilizzati: la maggior parte degli algoritmi di IA non punta ad essere assolutamente corretta.
3. Il mondo non è più deterministico. Questa è una risultanza del punto sopra riportato, ma le conseguenze sono specifiche dal momento che ciò è dove comprendiano che un sistema di IA può fornirci risposte diverse, talvolta persino contraddittorie, a quesiti semplici. La lettura di un articolo redatto sull’argomento da Alan Turing nel 1950⁶ ci fornisce un gran numero di informazioni in merito.
4. Il pensiero critico è fondamentale, ma è diventato necessario conoscere come usare gli strumenti adatti. I programmi di IA sono divenuti sempre più abili nel creare falsi: immagini, video e ora testi; in futuro probabilmente produrranno false lezioni. Il buon senso da solo non è più in grado di consentirci di assumere delle decisioni informate quando si tratta di decidere se un’immagine, una voce, un testo siano falsi.
5. I valori che onoriamo, che ci aiutano ad analizzare il mondo, a prendere decisioni etiche, a decidere per quale motivo passiamo del tempo a studiare o a lavorare, devono essere vagliati alla luce dei progressi che l’intelligenza artificiale sta facendo. Nella verità c’è una zona grigia che si sta ampliando giorno dopo giorno; quando l’IA sarà in grado di fare riferimento all’esperienza collettiva e fare calcoli l’esperienza forse non avrà più valore.

Comprendere queste problematiche o almeno informarsi, è una necessità.

Programmi didattici e infrastrutture

Alla fine del 2023 esistono pochi programmi didattici che contemplano il ricorso all’IA destinati agli alunni in età pre-universitaria o ai loro insegnanti^4,5. L’Unesco ha iniziato a prendere in considerazione la questione e a proporne⁸.

L’Unesco svolge un ruolo chiave, in tutto il mondo, nel settore dell’istruzione. Dal momento che l’Unesco è coinvolta in Futures of Education⁹, manifesta un interesse speciale per l’uso dell’IA a fini di istruzione e in questo comparto. Sta fornendo dei documenti approfonditi per aiutare decisori politici e insegnanti: relativi all’IA, all’istruzione e all’etica o all’uso dell’IA generativa in campo didattico. Nel 2023 gli esperti dell’Unesco hanno lavorato su documenti che descrivono quali dovrebbero essere le competenze di insegnanti e studenti¹¹. Si prevede che la versione finale sarà divulgata nel 2024, ma la versione 2023 prende già in considerazione aspetti che coniugano questioni di natura tecnologica con altre più interrelate alle scienze sociali o, nel caso degli insegnanti, con questioni di sviluppo professionale. E anche se in essi la codifica non è considerata come immediatamente necessaria, sembrerebbe essere una competenza richiesta per una miglior comprensione dell’IA.

Codificare l’IA

La codifica, o programmazione, è un’attività che è stata promossa in moltissimi Paesi europei sin dal 2012. Nel 2023, l’Unione Europea ha supportato l’insegnamento dell’informatica in Europa.

Ma, con l’avvento dell’IA generativa e le conseguenze attese di esso sull’istruzione¹⁰, l’utilità di apprendere a scrivere codice è stata posta in discussione. Non potremmo limitarci a consentire che l’IA svolga questo compito in nostra vece? O, al contrario, dal momento che molti lavori in futuro dipenderanno dall’IA, non dovremmo apprendere a scrivere codice per utilizzarla meglio?

Il motivo principale per imparare a scrivere codice è che un insegnante o un allievo potrà essere in grado di utilizzare l’IA all’interno di programmi informatici. Sono molte le attività connesse con la “codifica dell’IA”.

L’elaborazione di modelli di solito è parte della scienza dei dati e dell’apprendimento automatico: un codificatore capace può prendere una serie di dati, correggerla senza distorcerla e utilizzarla per estrarre regole e schemi con degli algoritmi di apprendimento automatico. Il programmatore può specificare gli attributi significativi o lasciare che l’algoritmo classifichi testi o immagini grezzi. Alcuni linguaggi, è il caso di Orange, lo fanno in modo egregio. In altri casi, un programmatore sceglierà di usare un linguaggio generico come Python.

¹  Royal Society (2012). Shut down or restart? Report of the Royal Society. 2012 https://royalsociety.org/topics-policy/projects/computing-in-schools/report/T.

² Académie des Sciences (2013). L'Académie des Sciences : L'enseignement de l’informatique en France – Il est urgent de ne plus attendre. http://www.academie-sciences.fr/fr/activite/rapport/rads_0513.pdf

³ Informatics Europe (2017).  Informatics Education in Europe: Are We All in the Same Boat?

⁴  Colin de la Higuera (2018). Report on Education, Training Teachers and Learning Artificial Intelligence. https://www.k4all.org/project/report-education-ai/

⁵ Touretzky, D., Gardner-McCune, C., Martin, F., & Seehorn, D. (2019). Envisioning AI for K-12 : What Should Every Child Know about AI ? Proceedings of the AAAI Conference on Artificial Intelligence, 33, 9795-9799. https://doi.org/10.1609/aaai.v33i01.33019795

⁶ A. M. Turing (1950)—Computing Machinery and Intelligence, Mind, Volume LIX, Issue 236, October 1950, Pages 433–460, https://doi.org/10.1093/mind/LIX.236.433

⁷ Howell, E. L., & Brossard, D. (2021). (Mis) informed about what? What it means to be a science-literate citizen in a digital world. Proceedings of the National Academy of Sciences, 118(15), e1912436117. https://www.pnas.org/doi/abs/10.1073/pnas.1912436117

⁸ Unesco (2022) K-12 AI curricula: a mapping of government-endorsed AI curricula. https://unesdoc.unesco.org/ark:/48223/pf0000380602

⁹ Unesco (2023). Artificial intelligence and the Futures of Learning. https://www.unesco.org/en/digital-education/ai-future-learning

¹⁰ Unesco (2023). Guidance for generative AI in education and research. https://www.unesco.org/en/articles/guidance-generative-ai-education-and-research

¹¹ Unesco (2023). AI Competency frameworks for students and teachers. https://www.unesco.org/en/digital-education/ai-future-learning/competency-frameworks

I sistemi OCR di oggi sono in grado di comprendere una scrittura scorretta che persino gli esseri umani hanno difficoltà a decodificare. Ricordate le prescrizioni del vostro medico: un'intelligenza artificiale potrebbe essere migliore del farmacista nel trovare il farmaco giusto per voi!

Purtroppo, nessuno sa quale sia la domanda! Per questo motivo, nel libro "Guida galattica per gli autostoppisti", in cui compare questa domanda, è stato costruito uno speciale computer delle dimensioni di un piccolo pianeta a partire da componenti organici e chiamato "Terra" per calcolare la domanda definitiva,

Vedere la pagina di wikipedia su 42 per la storia completa!

• Sources: Self
• Data Policy: Collects your data from Bing and buy your data from third parties. Privacy policy depends on type of account you use. This data is used for personalisation and for targeting ads. Shares data with Microsoft-controlled affiliates and subsidiaries; with vendors working on our behalf etc.
• Cookie Policy: Collects cookies for multiple purposes.
• Privacy Settings: Menu > Privacy

• Sources: Self (Google till 2021, still compared with other sources if not enough results found), Bing for image and video results
• Data Policy: Does not collect personal data, search queries or mouse clicks
• Cookie Policy: To remember settings - even this is anonymous and can be switched off by the user
• Settings: Menu > Show more

• Sources: over 400 sources – including other search engines like Yahoo, Bing, and Google.
• Data Policy: Does not collect personal data, search queries are recorded as an aggregate, without an individual's personal data
• Cookie Policy: Does not use tracking or identifying cookies
• Privacy Settings: Menu > All Settings > Privacy

• Sources: Bing Data Policy: Does not sell personal or search data,anonymises data within 7 days Cookie Policy: No third party tracking, Minimal tracking that can be turned off Privacy Settings: Menu > All Settings

• Sources: Self
• Data Policy: Collects personal data, search terms, interactions, activity and preferences across Google apps; Activity on third-party sites and apps that use Google services This data is used for personalisation, for targeting ads and for improving Google services. Google also collects information about you from publicly accessible sources, trusted sources and advertising partners.
• Cookie Policy: Collects cookies for multiple purposes.
• Privacy Settings: Settings > Search settings for safe search ; Settings > Your data in Search or Privacy settings under google account when signed in

• Sources: Yahoo, Bing, Scopia, Infotiger, OneNewspage, Kelkoo,
• Data Policy: does not track or store personal data, searched deleted within 96 hours
• Cookie Policy: Uses non-personally identifiable cookies to save search settings
• Privacy Settings: Menu > settings for safe filter and blacklists

• Sources: Bing
• Data Policy: Does not store search history, IP address is stored for 4 days.
• Cookie Policy: Does not use cookies.
• Privacy Settings: Toggle switch near search box for advanced privacy.

• Sources: Self, Bing
• Data Policy: Does not store personal information or searches, Anonymised IP is stored for 7 days
• Cookie Policy: Does not use tracking cookies
• Privacy Settings: Menu > settings for safe filter

• Sources: Google
• Data Policy: Does not collect personal data or record search queries, anonymises data, clearly labels sponsorized content
• Cookie Policy: Does not use tracking or identifying cookies
• Privacy Settings: Can be accessed through Menu > Settings > Scroll down to 'Privacy and Safety'

• Sources: Self, for German, Bing for other languages
• Data Policy: Does not store any data and so, do not deliver any ads based on collected data,anonymises search queries after 7 days
• Cookie Policy: Does not use cookies
• Privacy Settings: Not needed!

• Sources: Bing!
• Data Policy: Collects personal data, search terms, interactions, activity and preferences across Yahoo! apps; Activity on third-party sites and apps that use Yahoo! services This data is used for personalisation, for targeting ads and for improving services. Yahoo! also collects information about you from publicly accessible sources, trusted sources and advertising partners.
• Cookie Policy: Collects cookies for multiple purposes.
• Privacy Settings: Menu > Settings > Preferences

Questa è la chiave di lettura dell'esercizio Ottimizzazione della ricerca nei Motori di ricerca, Parte 1.

I motori di ricerca modificano costantemente i loro algoritmi. Anche gli algoritmi di ricerca e di posizionamento cambiano da un motore all'altro. Ciò che funziona bene in uno potrebbe non funzionare affatto in un altro. Tuttavia, esistono alcune regole comuni che possono aiutare a ottimizzare la ricerca nella maggior parte dei casi.

1. È meglio evitare le query di ricerca con una sola parola. Una buona regola è quella di includere il contesto, ovvero ciò che si vuole ottenere con la ricerca. Tuttavia, un numero eccessivo di parole potrebbe non restituire un risultato o restituire risultati non pertinenti: cercate di descrivere ciò che desiderate con pochi sostantivi chiave. È buona norma omettere le parole troppo generiche. La ricerca è un processo iterativo. Dovrete riformulare la domanda in base a ciò che funziona. Ecco un esempio tratto dal British Journal of Educational Technology di uno studente che utilizza la ricerca in modo iterativo: "La migliorata padronanza del discorso accademico nell'area di riferimento ha permesso a Nomusa di formulare la seguente sequenza di domande:
   • materiale da costruzione sostenibile (non vede nulla di interessante nell'elenco dei risultati)
   • mezzi di sussistenza sostenibili (esplora due risultati della ricerca)
   • materiali da costruzione per i mezzi di sussistenza sostenibili (trova una fonte di riferimento)L'utilizzo di questo tipo di sequenza è una strategia comune tra i ricercatori esperti del web, che in genere si affidano a interrogazioni ripetute con leggere variazioni nei termini della query. "¹
   • Per capire come viene utilizzata l'intelligenza artificiale nei motori di ricerca, l'intelligenza artificiale nei motori di ricerca, l'intelligenza artificiale utilizzata nei motori di ricerca, ecc.
2. Le virgolette obbligano il motore di ricerca a cercare le corrispondenze esatte dei termini al loro interno. I risultati di ricette di formaggio al forno potrebbero includere ricette di cheesecake, mentre "ricette di formaggio al forno" eviterà questa confusione. Le storie della "Germania dell'Est" mostreranno risultati sia in tedesco che in orientale e questo dovrebbe essere evidente confrontando il numero di pagine di risultati di ricerca per le storie della "Germania dell'Est" e per le storie della Germania dell'Est.
3. I motori di ricerca ignorano la punteggiatura, tranne " e " (come discusso sopra e per mostrare la proprietà).
4. near mostra ciò che si trova nelle vicinanze di un determinato luogo. near me fornisce risultati applicabili alla posizione attuale del dispositivo. restaurants near eiffel tower è un modo possibile per cercare un posto dove mangiare se si sta visitando la Torre Eiffel.
5. Il simbolo meno seguito immediatamente da una parola esclude le pagine con quella parola. Più parole possono essere combinate all'interno di "". artificial intelligence - "machine learning" mostrerà i risultati che menzionano l'intelligenza artificiale ma non il machine learning.
6. x AND y cerca i risultati che contengono sia x che y. x OR y mostra i risultati che contengono x o y o sia x che y. Si noti che sia AND che OR sono in maiuscolo. "Quando si desidera ottenere risultati che includano due parole specifiche sinonime o strettamente correlate, utilizzare l'operatore OR. Ad esempio: consulente di marketing diretto O esperto. In questo modo si combinano i risultati di due frasi: consulente di direct marketing ed esperto di direct marketing "².
7. * I risultati di university of * california includeranno university of southern california, mentre university of california non lo farà, almeno nelle prime pagine.
8. site:bbc.com limita i risultati a ciò che si trova nel sito bbc.com. courses site:*.edu restituisce i risultati per tutti i siti che terminano in .edu (istituzioni educative). Se si cercano articoli accademici, è bene cercare in siti specifici come springer.com, scholar.google.com ecc. "La ricerca di articoli di ricerca accademici è molto più efficiente se si utilizza una delle raccolte di informazioni accademiche, piuttosto che cercare semplicemente nel web aperto e globale. La selezione di una risorsa da ricercare è una sorta di ricerca mirata, necessaria per includere il tipo di risultato appropriato. Lo spazio dell'informazione non è omogeneo, ma ha una struttura distinta. Quanto più si conosce questa struttura, tanto più si può essere efficaci come ricercatori "³.
9. filetype:pdf o filetype:jpg ecc. restituisce link che sono documenti pdf o immagini jpg.

¹ Walton, M., Archer, A., The Web and information literacy: scaffolding the use ofweb sources in a project-based curriculum, British Journal of Educational Technology, Vol 35 No 2, 2004.

² Spencer, S., Google Power Search: The Essential Guide to Finding Anything Online With Google, Koshkonong, Kindle Edition.

³ Russell, D., What Do You Need to Know to Use a Search Engine? Why We Still Need to Teach Research Skills, AI Magazine, 36(4), 2015.

La ricerca di risorse didattiche è un'attività importante per gli insegnanti: quando preparano una nuova lezione, esplorano un nuovo campo o argomento o preparano qualche attività. Questo materiale (courseware) può servire solo come documentazione, ma a volte l'insegnante potrebbe voler costruire un nuovo courseware a partire da esso; ed è allettante e intellettualmente legittimo non reinventare la ruota e usare una forma intelligente di copia-incolla. Ovviamente questo non è legale nella maggior parte dei Paesi, in quanto viola le leggi sul copyright.

Quando gli autori delle risorse concedono il loro lavoro con licenza Creative Common, le risorse diventano Risorse Educative Aperte (in inglese Open Educational Resources, o OER) e l'insegnante può riutilizzarle, trasformarle, remixarle e ridistribuirle liberamente. L'unico obbligo, di solito, è quello di citare correttamente l'autore originale. È quindi importante identificare quando una risorsa è aperta o meno.

Esistono alcune raccolte di risorse educative aperte con buone licenze e probabilmente il vostro ministero ne ha una. Ma come trovare queste risorse ovunque sul web? Possiamo utilizzare un motore di ricerca specifico per questo?

Dove si colloca l'IA in questo processo?

Durante la fase di ingestione, i robot effettuano lo scraping del web e restituiscono le OER: si tratta di un processo complesso, poiché significa riconoscere le OER e quindi le licenze. Una parte di questo processo può essere vista come un tipico compito di classificazione (un comune compito di AI).

Quando il robot ha trovato una risorsa, è necessario recuperare il testo da questa risorsa. Quando la risorsa è un file audio o video, ciò significa utilizzare la trascrizione (per saperne di più, si veda il Capitolo 7).

Il 5 in X5-GON si riferisce alle 5 barriere o dimensioni che il progetto voleva affrontare: una di queste è la lingua. La fase successiva del processo consiste quindi nell'utilizzare strumenti di traduzione automatica per ottenere versioni del testo in ciascuna delle lingue scelte. Ancora una volta uno strumento tipico dell'AI.

A questo punto vi chiederete: La trascrizione e la traduzione automatiche sono tecnologie in rapida crescita. Ma commettono ancora gravi errori. Non è pericoloso affidarsi a queste tecnologie? La risposta è che gli algoritmi di ricerca e raccomandazione non hanno bisogno del testo esatto. Hanno bisogno di posizionare il documento in uno spazio, accanto a parole chiave o ad altri documenti.

Pensate a quando avete una scatola piena di vecchi documenti da organizzare. L'ideale sarebbe avere un'organizzazione predefinita e archiviare ogni foglio nel posto giusto. Ma di solito non abbiamo questo sistema di archiviazione preesistente e finiamo per mettere i documenti uno vicino all'altro quando hanno cose in comune, con regole non scritte di ogni tipo: questi due documenti vanno insieme perché risalgono allo stesso anno, questi due perché sono legati alle automobili, questi due perché hanno le stesse dimensioni, e così via... Il termine chiave qui è "vicino a": ne parleremo più avanti nel libro.

Una volta estratti i testi grezzi, è possibile costruire dei modelli. I documenti diventeranno vettori in uno spazio ad alta dimensionalità e il confronto dei vettori ci permetterà di rispondere alle domande: quali sono i 10 documenti più simili a questo? Quali sono i 5 documenti che corrispondono meglio a questa parola chiave?

• Quanto è difficile questo corso? La risposta può forse trovarsi da qualche parte nella descrizione del corso, o nei meta-dati, i dati nascosti all'osservatore ma che dovrebbero fornire informazioni su un documento. Più probabilmente, possono essere ottenuti attraverso l'analisi automatica del documento: la lunghezza delle frasi e delle parole, le parole stesse sono forti indicatori dell'età a cui un corso è stato destinato.
• Dovrei guardare questo courseware prima di quest'altro? Questo è il prequel per poter avere un corso completo costruito automaticamente da un courseware dato.
• Qual è la qualità del corso? Questa è per l'IA la domanda più difficile. È anche una domanda forse sbagliata, in cui l'IA può fare più male che bene. Tuttavia, essere in grado di scoprire se i fatti di un corso sono corretti ha molto senso. Dopo le fake news, avremo anche i corsi falsi?

Alcuni link

X5-Discover (https://discovery.x5gon.org/) è un motore di ricerca.

La piattaforma di apprendimento X5-Learn (http://x5learn.org/) permette di scegliere il proprio materiale didattico e di far sì che l'intelligenza artificiale lo organizzi nell'ordine migliore. In questo caso, si utilizza un motore di raccomandazione.

Più strumenti X5-GON (un'API per gli sviluppatori, una versione da installare in Moodle) possono essere trovati qui.

Il progetto X5GON è stato finanziato dal programma di ricerca e innovazione Horizon 2020 dell'Unione Europea con la sovvenzione n. 761758.

No, non sempre. Una buona parte degli algoritmi di apprendimento automatico sono o algoritmi di apprendimento supervisionato o algoritmi di apprendimento non supervisionato.

Quando si vuole classificare una foto come quella di un cane, di un gatto o di un gorilla, si possono inserire nella macchina delle foto etichettate come quelle di un cane, di un gatto o di un gorilla. Quando si vuole valutare un tema, si potrebbero inserire molti temi corretti, etichettati con le rispettive valutazioni. In ciascun caso, sapremmo quale sarebbe l’output: cane, gatto, gorilla, A+, A, A-, D…

Inseriti i dati etichettati durante l’addestramento, l’algoritmo cerca di trovare una funzione o un’equazione matematica se preferite, che combini output e input. Ciò spesso significa anche che il programmatore sperimenta diversi algoritmi per vedere quale si combina al meglio con una determinata funzione. Ma fintanto che i dati hanno delle etichette, esse funzionano come un “supervisore” o una guida che verifica che la funzione selezionata dall’algoritmo funzioni effettivamente1. Se la funzione produce un output diverso da quello dell’etichetta, l’algoritmo ne deve trovare una migliore.

Etichettare i dati però è un processo che richiede tempo e denaro e spesso comporta anche l’assunzione di operatori umani. Inoltre, se stiamo solo cercando schemi nei dati e non abbiamo un’idea chiara di quale schema troveremo, nemmeno l’output ci è noto. Pertanto, i dati non possono essere etichettati. È a questo punto che interviene un algoritmo di apprendimento non supervisionato.

Invece di cercare di combinare input e output, questi algoritmi cercano di individuare regolarità nei dati che aiuteranno a raggruppare gli input in categorie¹. Le banche ricorrono all’apprendimento automatico non supervisionato per individuare attività fraudolente nelle transazioni con le carte di credito. Dal momento che avvengono moltissime transazioni ogni minuto e non sappiamo come individuare gli schemi ed etichettare un’attività come fraudolenta, facciamo affidamento sull’apprendimento automatico per individuare in automatico lo schema. Raggruppare un determinato gruppo di studenti in un numero prefissato di gruppi è un altro problema a cui spesso si fa fronte con l’apprendimento non supervisionato. Lo stesso principio si applica per individuare attività terroristica considerando l’attività delle cellule in una rete.

¹ Kelleher, J.D, Tierney, B, Data Science, London, 2018.

Fase 1: Raccogliere e raggruppare immagini esemplificative

Fase 2: addestramento del modello

Fase 3: Test del modello