Perchè usare l’IA a scuola? Versione compatta
In breve
Perché dovremmo usare l’IA a scuola? Non basta rispondere che è ormai presente nella società o che gli studenti devono imparare a usarla. Il punto di partenza dovrebbe essere l’apprendimento: prima chiedersi quali condizioni aiutano realmente una persona a imparare bene, poi verificare se e come l’IA possa contribuire a crearle. Vista in questa prospettiva, l’IA può diventare un interlocutore cognitivo, offrire rappresentazioni diverse, sostenere un’interazione continua e mettere alla prova le idee. Il criterio non è quindi introdurre l’IA nella scuola, ma usarla quando migliora le condizioni per imparare.
Nota per l’uso
Questo articolo è disponibile in due versioni, Compatta ed Estesa.
Le due versioni sviluppano lo stesso percorso, mantengono la stessa struttura in capitoli e paragrafi e arrivano alle stesse conclusioni. Non differiscono quindi per i temi affrontati, ma per il livello di sviluppo dell’argomentazione.
La versione Compatta (questa) presenta l’intero ragionamento in forma più concettualizzata: concentra i passaggi essenziali, riduce esempi, riprese e sviluppi esplicativi e privilegia la visibilità dell’architettura complessiva.
La versione Estesa sviluppa gli stessi passaggi più estesamente, attraverso argomentazioni, esempi, distinzioni e approfondimenti che permettono di seguire più analiticamente il percorso.
La Compatta può quindi essere letta autonomamente oppure utilizzata come mappa concettuale dell’intero lavoro; l’Estesa consente di entrare nei passaggi sui quali si desidera soffermarsi maggiormente.
Non sono due articoli diversi e la Compatta non è il riassunto dell’Estesa: sono due livelli di elaborazione dello stesso ragionamento.
Perché usare l’IA a scuola?
L’Intelligenza Artificiale è ormai disponibile e gli studenti possono utilizzarla per scrivere testi, risolvere problemi, costruire presentazioni, fare ricerche e realizzare molti degli artefatti richiesti a scuola.
Questo pone un problema al quale la scuola non può sottrarsi. Ma qui ne affrontiamo un altro:
Abbiamo buone ragioni pedagogiche per far utilizzare intenzionalmente l’IA agli studenti per imparare? E, se sì, quali?
Non possiamo rispondere semplicemente: perché c’è.
Abbiamo già commesso questo errore nella storia delle tecnologie didattiche: arriva una nuova tecnologia, la introduciamo nella scuola e successivamente cerchiamo buone ragioni pedagogiche per utilizzarla.
Il percorso deve essere rovesciato.
Non partiamo dall’IA. Partiamo dall’apprendimento.
Una tecnologia nuova, domande molto meno nuove
L’arrivo dell’IA non richiede necessariamente una nuova pedagogia.
Pedagogia, didattica e psicologia dell’apprendimento affrontano da molto tempo le questioni fondamentali: come si impara? Che cosa deve fare chi apprende? Quale funzione hanno attività cognitiva, errore e feedback? Come si consolida e si trasferisce una conoscenza? Quanto aiuto è utile? Quando il sostegno favorisce lo sviluppo e quando crea dipendenza? Come si costruisce autonomia?
L’IA non rende obsolete queste domande. Modifica però profondamente le condizioni nelle quali dobbiamo porle.
Accanto allo studente può esserci oggi una macchina sempre disponibile, capace di spiegare, interrogare, suggerire, proporre esempi e controesempi, dare feedback, discutere un’argomentazione.
E capace anche di svolgere direttamente molte delle operazioni che vorremmo facesse lo studente.
È precisamente questa ambivalenza a costituire il problema pedagogico.
Prima chiediamoci in quali condizioni si impara
Non partiremo quindi dalla domanda:
Che cosa possiamo fare a scuola con l’IA?
Ma da una domanda precedente:
Che cosa sappiamo sulle condizioni e sui processi che favoriscono l’apprendimento?
Riprenderemo alcune questioni classiche: elaborazione attiva della conoscenza, recupero e consolidamento, feedback e revisione, pluralità delle rappresentazioni, transfer, scaffolding, autonomia e metacognizione.
Soltanto dopo chiederemo:
Può l’IA contribuire a creare, rafforzare o rendere più praticabili alcune di queste condizioni?
Una possibilità tecnologica non è ancora una ragione pedagogica
Quasi tutto ciò che possiamo fare oggi con l’IA potevamo, almeno in linea di principio, farlo anche prima: interrogare, offrire feedback, proporre controesempi, costruire casi, graduare un aiuto.
Il fatto che oggi possa farlo anche una macchina non costituisce ancora una ragione per utilizzarla.
La domanda deve essere più severa:
Che cosa può consentire allo studente di fare l’IA, con valore per l’apprendimento, che senza l’IA sarebbe impossibile, più difficile, meno frequente o meno efficace?
Cercheremo quindi il valore aggiunto pedagogicamente rilevante, non il semplice valore aggiunto tecnologico.
E dovremo sempre fare una seconda domanda
Ogni possibilità interessante dell’IA presenta anche il rischio opposto.
Può mettere alla prova il mio pensiero oppure pensare al mio posto.
Può fornirmi feedback oppure revisionare direttamente il mio lavoro.
Può costruire situazioni nelle quali esercitare il transfer oppure effettuare lei stessa il transfer.
Può offrire scaffolding oppure trasformarsi in protesi cognitiva.
Per questo alla domanda:
Che cosa può fare l’IA per favorire l’apprendimento?
dovremo sempre affiancarne un’altra:
Che cosa deve continuare a fare lo studente perché quella possibilità produca realmente apprendimento?
Non giudicheremo quindi l’uso dell’IA dalla sofisticazione dello strumento o dalla qualità del prodotto, ma da ciò che quell’uso mette cognitivamente in movimento nella persona.
Fino ad arrivare alla domanda che attraverserà tutto il nostro ragionamento:
Dopo aver imparato con l’aiuto dell’IA, che cosa sono diventato capace di fare io?
In quali condizioni si impara bene?
Se vogliamo capire se esistano buone ragioni pedagogiche per utilizzare l’IA, dobbiamo per il momento lasciarla fuori dalla porta.
La domanda viene prima della tecnologia:
Che cosa sappiamo sulle condizioni e sui processi che favoriscono l’apprendimento?
La ricerca non ci consegna una formula unica del “buon apprendimento”, ma permette di individuare alcuni processi sufficientemente solidi da diventare punti di riferimento per il nostro ragionamento.
Imparare significa elaborare, non soltanto ricevere
Ricevere informazioni non equivale a imparare.
L’apprendimento richiede che chi impara faccia qualcosa cognitivamente significativo: collegare nuove informazioni a ciò che già conosce, formulare spiegazioni, generare inferenze, individuare relazioni, porsi domande, prendere decisioni, confrontare alternative.
La distinzione importante non è semplicemente tra studente attivo e passivo, ma tra diversi livelli di elaborazione cognitiva. Il modello ICAP di Michelene Chi e Ruth Wylie distingue modalità passive, attive, costruttive e interattive, attribuendo particolare importanza alle attività nelle quali lo studente produce nuove inferenze, spiegazioni e connessioni.
Si impara quando la persona deve costruire ed elaborare conoscenza, non soltanto riceverla o riprodurla.
Comprendere non basta: bisogna riuscire a recuperare
Comprendere qualcosa mentre lo leggiamo o mentre ci viene spiegato non significa necessariamente poterlo recuperare e utilizzare successivamente.
La ricerca sul retrieval practice mostra che tentare di recuperare attivamente una conoscenza contribuisce al suo apprendimento; lo spacing evidenzia inoltre l’importanza di ritornarvi nel tempo.
“Lo capisco quando lo vedo” non equivale a “riesco a recuperarlo, ricostruirlo e utilizzarlo quando ne ho bisogno”.
Una conoscenza sempre disponibile all’esterno non diventa necessariamente conoscenza posseduta dalla persona.
Il pensiero deve incontrare resistenza
Una spiegazione deve essere messa alla prova.
Errore, feedback, obiezioni, controesempi e spiegazioni alternative possono costringerci a rivedere la nostra rappresentazione del problema.
Il feedback diventa particolarmente interessante quando non chiude il lavoro, ma produce un’azione successiva:
tentativo → feedback → revisione → nuovo tentativo.
Si impara quando il proprio pensiero viene messo alla prova e quella resistenza alimenta una revisione.
Una conoscenza robusta deve essere attraversata da direzioni differenti
Una conoscenza può funzionare nel contesto nel quale è stata appresa e diventare fragile quando le condizioni cambiano.
La Cognitive Flexibility Theory ha sottolineato, soprattutto nei domini complessi, l’importanza di attraversare ripetutamente uno stesso territorio da prospettive differenti: casi diversi, rappresentazioni multiple, variazioni delle condizioni.
Qui incontriamo anche il problema del transfer: aver imparato un principio non garantisce di saperne riconoscere la pertinenza in una situazione nuova.
La variazione non basta. Lo studente deve riconoscere ciò che rimane invariato, distinguere gli elementi rilevanti e decidere quando una conoscenza sia applicabile.
Si impara costruendo una conoscenza sufficientemente flessibile da poter essere riconosciuta, ricontestualizzata e utilizzata in situazioni differenti.
Abbiamo bisogno di aiuto, ma di un aiuto destinato a diventare inutile
Non tutto ciò che dobbiamo imparare è immediatamente alla nostra portata.
La Zona di Sviluppo Prossimale e lo scaffolding descrivono situazioni nelle quali un sostegno adeguato permette di fare ciò che ancora non riusciamo a fare autonomamente.
Ma l’impalcatura ha senso perché, alla fine, l’edificio deve reggersi senza di essa.
Il fading, la progressiva riduzione dell’aiuto, distingue un sostegno allo sviluppo da una dipendenza permanente.
Si impara quando l’aiuto permette di fare ciò che ancora non si riesce a fare da soli e viene progressivamente ritirato mentre cresce la capacità della persona.
Se l’aiuto continua a svolgere stabilmente l’operazione che dovrebbe svilupparsi nella persona, lo scaffolding rischia di diventare protesi cognitiva.
Un processo attraversa tutti gli altri: sapere che cosa stiamo facendo mentre impariamo
Costruire, recuperare, revisionare, trasferire e utilizzare aiuti richiedono anche la capacità di pianificare, monitorare e valutare il proprio apprendimento.
È la dimensione della metacognizione e dell’autoregolazione:
Che cosa sto cercando di capire? Dove incontro difficoltà? La strategia sta funzionando? Perché ho sbagliato? Di quale aiuto ho bisogno? Posso ormai procedere senza?
Non è un sesto processo separato. Attraversa tutti gli altri e permette alla persona di assumere progressivamente il controllo del proprio apprendimento.
E sotto tutto questo deve esserci già della conoscenza
Per formulare una buona domanda, riconoscere un’obiezione pertinente, confrontare spiegazioni, valutare un’informazione o trasferire un principio dobbiamo già sapere qualcosa.
Il pensiero non opera nel vuoto.
La disponibilità di conoscenza esterna non elimina quindi la necessità di costruire conoscenza interna.
Bisogna sapere abbastanza per poter sapere di più.
Abbiamo così una prima griglia: elaborare; recuperare e consolidare; mettere alla prova e revisionare; variare e trasferire; procedere attraverso un aiuto verso l’autonomia.
Metacognizione e autoregolazione attraversano questi processi; una base di conoscenza interna li rende possibili.
Nessuno di questi principi nasce dall’Intelligenza Artificiale.
Proprio per questo possiamo adesso farla entrare e porre la domanda che ci interessa:
Che cosa può aggiungere l’IA a processi che sappiamo già essere importanti per imparare?
Adesso possiamo far entrare l’IA
Abbiamo individuato alcuni processi importanti per l’apprendimento senza avere bisogno dell’Intelligenza Artificiale.
Adesso possiamo cambiare domanda:
Può l’IA contribuire a rendere più ricchi, frequenti o praticabili alcuni di questi processi?
Un interlocutore con cui elaborare la conoscenza
Se imparare significa anche formulare, spiegare, collegare, inferire e confrontare, una delle possibilità più interessanti dell’IA non è fornire risposte, ma funzionare come interlocutore cognitivo.
Lo studente può esporre una spiegazione, formulare un’ipotesi, confrontare interpretazioni, chiedere obiezioni o farsi interrogare.
L’interazione può diventare:
formulo → ricevo una domanda → preciso → incontro un’obiezione → riformulo → confronto.
È la logica del learning with, più che del learning from, che richiama i Mindtools di David Jonassen: tecnologie utilizzate non come sostituti dell’attività cognitiva, ma come strumenti con i quali pensare.
L’IA introduce però una possibilità particolare: sostenere una conversazione che si modifica sulla base di ciò che lo studente ha appena detto.
Moltiplicare le occasioni di recuperare ciò che si sa
L’IA può essere utilizzata anche per non fornire informazioni.
Può interrogare lo studente, attendere il suo tentativo di risposta, ritornare sui punti fragili, variare le domande e riproporre successivamente gli stessi concetti.
Lo stesso strumento può quindi funzionare in due direzioni:
IA come memoria esterna alla quale accedo
oppure
IA come interlocutore che mi costringe a utilizzare la mia memoria interna.
Nel secondo caso il valore non sta in ciò che l’IA sa, ma nelle occasioni che crea perché lo studente debba recuperare ciò che sa.
Far incontrare resistenza al proprio pensiero
Possiamo utilizzare l’IA non per confermare ciò che pensiamo, ma per metterlo alla prova.
Può individuare il punto debole di una spiegazione, costruire un controesempio, assumere una posizione opposta, proporre un dato incompatibile con una conclusione.
Lo studente può quindi entrare in cicli ripetuti:
posizione → obiezione → risposta → nuova obiezione → revisione.
L’interesse pedagogico non sta nell’avere una buona obiezione, ma nel costringere il pensiero dello studente a reagire alla resistenza che incontra.
La risposta non chiude il lavoro. Alimenta il passo successivo.
Attraversare molte volte lo stesso territorio
L’IA può produrre rapidamente spiegazioni differenti, esempi, controesempi, analogie, casi e variazioni sistematiche dello stesso problema.
Questo rende più praticabile la logica del criss-cross landscape: attraversare uno stesso territorio cognitivo modificando prospettiva e condizioni.
Può essere particolarmente interessante per il transfer.
L’IA può costruire una situazione nuova nella quale sia necessario riconoscere e utilizzare un principio precedentemente appreso.
Ma qui compare già una distinzione fondamentale:
L’IA può generare il nuovo terreno. Attraversarlo deve rimanere compito dello studente.
Se è la macchina ad applicare il principio alla nuova situazione, abbiamo osservato il transfer dell’IA, non quello dello studente.
Un aiuto disponibile nel momento in cui serve
Quando emerge una difficoltà, l’IA può offrire un sostegno graduato: una domanda, un indizio, un richiamo a una conoscenza precedente, la scomposizione del problema, un esempio più semplice e, soltanto se necessario, una spiegazione più esplicita.
La disponibilità immediata rende interessante questa possibilità: l’aiuto può arrivare nel momento in cui serve.
Ma rimane la condizione fondamentale dello scaffolding:
l’aiuto deve permettere di fare, non evitare che si impari a fare.
Per questo deve poter diminuire progressivamente attraverso il fading. L’obiettivo non è diventare sempre più capaci di fare qualcosa insieme all’IA, ma acquisire progressivamente ciò che inizialmente riuscivamo a fare soltanto con il suo sostegno.
E la metacognizione?
L’IA può anche interrogare lo studente sul proprio processo:
Perché hai scelto questa strategia? Dove hai incontrato difficoltà? Perché pensi di aver sbagliato? Di quale aiuto hai avuto bisogno? Che cosa riusciresti ora a fare autonomamente?
Può quindi sostenere una riflessione metacognitiva e rendere, per esempio, un reflective journal dialogico.
Ma anche qui la riflessione deve rimanere dello studente.
Se chiediamo all’IA di analizzare il nostro processo e dirci che cosa abbiamo imparato, abbiamo delegato anche la metacognizione.
Ma non abbiamo ancora dimostrato che serva l’IA
Abbiamo trovato numerosi modi nei quali l’IA può sostenere processi importanti per l’apprendimento.
Ma quasi tutto ciò che abbiamo descritto poteva essere fatto anche prima.
Un insegnante può interrogare, proporre controesempi, fornire feedback, costruire casi, offrire scaffolding e stimolare la metacognizione.
Abbiamo quindi dimostrato soltanto che:
con l’IA possiamo fare cose pedagogicamente sensate.
Non basta.
La domanda più severa rimane aperta:
Se potevamo già fare tutto questo, che cosa aggiunge realmente l’IA?
Che cosa aggiunge davvero l’IA?
Abbiamo visto che l’IA può sostenere attività importanti per l’apprendimento. Ma quasi nulla di ciò che abbiamo descritto è pedagogicamente nuovo.
Un insegnante può interrogare, proporre controesempi, fornire feedback, graduare un aiuto, discutere un errore. Libri e altri strumenti possono offrire spiegazioni, esercizi e rappresentazioni differenti.
Dire che anche con l’IA possiamo fare queste cose non basta a giustificarne l’utilizzo.
La domanda deve quindi diventare:
Che cosa cambia quando queste attività vengono sostenute dall’IA?
Il problema non è soltanto che cosa possiamo fare, ma quanto possiamo farlo
Un insegnante può discutere individualmente con uno studente: ascoltare una spiegazione, formulare un’obiezione, ricevere una risposta, introdurre un controesempio, chiedere una revisione.
Poi nella classe ci sono altri studenti.
Molte buone pratiche didattiche non sono rare perché non sappiamo realizzarle, ma perché non riusciamo a realizzarle abbastanza frequentemente e individualmente.
L’IA può modificare la scala alla quale alcune di queste attività diventano praticabili.
Disponibilità
L’IA può essere disponibile quando emerge un dubbio, una difficoltà, un’ipotesi da verificare.
Questo non è automaticamente positivo: la risposta immediata può anche eliminare una difficoltà produttiva.
Il valore sta nella possibilità di non interrompere un processo cognitivo quando potrebbe essere utile proseguirlo, offrendo l’intervento nel momento pedagogicamente opportuno.
Iterazione
L’interazione può proseguire attraverso numerosi cicli:
ipotesi → obiezione → risposta → nuova obiezione → riformulazione → nuovo caso → revisione.
L’IA rende praticabili molte iterazioni individuali senza richiedere, per ciascuna di esse, la disponibilità dell’insegnante.
Il valore non sta quindi soltanto nel feedback, ma nella possibilità di continuare il processo dopo il feedback.
Individualizzazione dell’interazione
Un libro può contenere un ottimo controesempio, ma non può costruirlo sulla base dell’errore che ho appena commesso.
L’IA può adattare localmente l’interazione a ciò che lo studente produce: interrogare una specifica debolezza, modificare il livello dell’aiuto, proporre un nuovo caso sulla base della difficoltà appena emersa.
Non significa che conosca realmente lo studente in senso forte.
Significa che può reagire al suo percorso mentre si sta svolgendo.
Il costo della variazione diminuisce drasticamente
Esempi, controesempi, analogie, casi e variazioni controllate richiedono normalmente tempo per essere costruiti.
L’IA può generarli rapidamente e modificare sistematicamente condizioni, prospettive e livelli di complessità.
La tecnologia non inventa il principio pedagogico della variazione.
Riduce drasticamente il costo della sua realizzazione.
Questo può rendere molto più praticabili attività fondate sulla pluralità delle rappresentazioni, sul criss-cross landscape e sulla variazione dei contesti necessaria per esercitare il transfer.
Rapidità del feedback
L’IA può fornire un riscontro mentre il problema è ancora cognitivamente aperto.
Ma la rapidità non è un valore in sé: un feedback troppo precoce può impedire allo studente di cercare autonomamente.
Il vantaggio consiste nella possibilità di collocare il feedback nel momento in cui può sostenere il processo, invece di riceverlo quando quel processo è ormai concluso.
Una conversazione che può continuare
Queste caratteristiche convergono in una possibilità particolare dell’IA generativa: sostenere una conversazione cognitiva prolungata.
Un libro presenta contenuti. Un motore di ricerca permette di trovarli. Un modello linguistico può reagire a ciò che lo studente ha appena detto e utilizzare quella risposta per costruire il passo successivo.
È in questo senso che può funzionare come cognitive interlocutor.
Il suo valore non consiste necessariamente nella qualità delle cose che dice.
Può consistere nella qualità delle cose che riesce a far fare cognitivamente allo studente attraverso il dialogo.
Rendere ordinario ciò che prima era raro
Possiamo adesso formulare una prima risposta.
La specificità pedagogica dell’IA potrebbe non consistere nell’inventare nuove forme di apprendimento, ma nel modificare disponibilità, frequenza, iterazione, individualizzazione, variazione e tempestività di attività che consideravamo già importanti.
L’IA può rendere ordinario ciò che pedagogicamente era desiderabile ma organizzativamente raro.
Può, in altre parole, aumentare la densità delle occasioni di apprendimento disponibili a ogni studente.
Questa comincia a essere una buona ragione pedagogica per utilizzarla.
Ma abbiamo dimostrato soltanto metà della tesi
Le stesse caratteristiche possono però produrre l’effetto opposto.
La disponibilità può diventare dipendenza.
Il feedback immediato può evitare la ricerca autonoma.
La variazione può trasformarsi in consumo passivo di materiali.
L’individualizzazione può diventare delega individualizzata del pensiero.
Lo scaffolding può trasformarsi in protesi.
Abbiamo quindi trovato una possibile risposta a:
Che cosa aggiunge l’IA?
Dobbiamo adesso affrontare la domanda decisiva:
Che cosa deve continuare a fare lo studente perché questo valore aggiunto produca apprendimento?
La stessa IA può aiutare a pensare o pensare al nostro posto
Abbiamo trovato alcune buone ragioni pedagogiche per prendere in considerazione l’IA. Ma nessuna delle caratteristiche individuate è positiva in sé.
Quasi tutte presentano la stessa ambivalenza:
la capacità che può sostenere l’attività cognitiva dello studente può anche sostituirla.
Non esistono quindi un’IA pedagogicamente “buona” e una “cattiva”. È la stessa tecnologia che può funzionare nelle due direzioni.
Un interlocutore cognitivo oppure qualcuno che pensa al posto mio
Posso utilizzare l’IA per mettere alla prova una mia ipotesi: la formulo, ricevo un’obiezione, rispondo, modifico la mia posizione.
Oppure posso chiederle di individuare l’ipotesi migliore, costruire le obiezioni, rispondere alle obiezioni e formulare la conclusione.
Nel primo caso la macchina provoca ulteriore attività cognitiva nella persona. Nel secondo può produrre un risultato persino migliore, ma gran parte del lavoro cognitivo è stato svolto altrove.
La qualità del prodotto può aumentare mentre l’attività cognitiva dello studente diminuisce.
Feedback oppure correzione?
Posso chiedere all’IA di indicarmi i punti deboli di un testo, lasciando a me il compito di comprenderli, valutarli e revisionare.
Oppure posso chiederle: «Migliora questo testo».
Il risultato finale potrebbe essere simile, ma nel secondo caso abbiamo eliminato il ciclo:
feedback → valutazione → decisione → revisione.
L’IA non mi ha aiutato a revisionare. Ha revisionato.
Dal punto di vista del prodotto la differenza può essere minima. Dal punto di vista dell’apprendimento è sostanziale.
Molte rappresentazioni oppure molto materiale da consumare?
L’IA può moltiplicare spiegazioni, esempi, analogie e prospettive.
Ma pluralità non significa automaticamente elaborazione.
Il criss-cross landscape diventa pedagogicamente interessante quando lo studente confronta le rappresentazioni, individua ciò che cambia e ciò che rimane invariato, riconosce i limiti di un’analogia, decide quale prospettiva sia più utile.
Il territorio deve essere attraversato dallo studente, non semplicemente mostrato dalla macchina.
Generare situazioni di transfer oppure effettuare il transfer
L’IA può costruire un problema apparentemente diverso nel quale sia necessario utilizzare un principio precedentemente appreso.
In questo caso genera il nuovo terreno e lascia allo studente il compito di riconoscere la struttura del problema e decidere che cosa utilizzare.
Oppure può applicare direttamente il principio alla nuova situazione.
Nel secondo caso:
il transfer effettuato dall’IA non è transfer dell’apprendimento dello studente.
È una distinzione particolarmente importante perché il prodotto finale può non mostrarla affatto.
Recuperare una conoscenza oppure evitare di doverla possedere
L’IA può interrogarmi e costringermi a recuperare ciò che so.
Ma può anche rendere apparentemente inutile possedere conoscenze che posso ottenere immediatamente dall’esterno.
Il problema non è tornare a memorizzare tutto. La conoscenza è sempre stata anche esternalizzata.
La domanda è:
Quale conoscenza deve rimanere interna alla persona perché possa comprendere, interrogare, valutare e utilizzare quella disponibile all’esterno?
Avere accesso alla conoscenza non equivale a possederla.
Scaffolding oppure protesi cognitiva
L’IA può offrire l’indizio o il sostegno che permette allo studente di compiere un’operazione che ancora non riesce a svolgere autonomamente.
Ma se quello stesso sostegno rimane necessario ogni volta, la prestazione assistita può migliorare senza che aumenti la capacità della persona.
L’impalcatura non viene più smontata.
Lo scaffolding si è trasformato in protesi cognitiva.
Le protesi cognitive non sono necessariamente negative: gli esseri umani hanno sempre esteso le proprie capacità attraverso strumenti.
Il problema nasce quando chiamiamo apprendimento una prestazione che continua a dipendere dal supporto esterno per svolgere proprio l’operazione che volevamo sviluppare nella persona.
Persino la metacognizione può essere delegata
L’IA può chiedermi perché ho scelto una strategia, dove ho incontrato difficoltà, che cosa cambierei.
Oppure posso chiederle di analizzare il mio processo e dirmi quali siano i miei punti deboli.
Nel primo caso sostiene la mia riflessione.
Nel secondo riflette sul mio processo al posto mio.
La metacognizione non consiste soltanto nel possedere una buona descrizione del proprio apprendimento, ma nel diventare capaci di monitorarlo e regolarlo.
Il problema non è quanto lavoro fa l’IA
Da tutto questo non deriva la regola:
più fa l’IA, meno impara lo studente.
Possiamo delegare molte operazioni senza compromettere l’apprendimento.
La questione è quali operazioni deleghiamo rispetto a ciò che vogliamo imparare.
Se sto imparando ad argomentare, delegare l’argomentazione è problematico. Se sto studiando un fenomeno storico, delegare la formattazione delle note probabilmente non lo è.
La domanda diventa:
Quali operazioni cognitive deve compiere lo studente perché si sviluppi la capacità che vogliamo fargli acquisire?
La capacità della macchina rende ancora più importante questa domanda
Quando uno strumento non poteva svolgere un’operazione, quella operazione rimaneva necessariamente alla persona.
Con l’IA questo vincolo diminuisce: la macchina può fare sempre di più.
Dobbiamo quindi decidere intenzionalmente che cosa non vogliamo che faccia, non perché lo farebbe peggio, ma perché alcune operazioni devono rimanere alla persona per produrre apprendimento.
È qui che acquista pieno significato una formulazione già incontrata:
Quanto più la macchina diventa capace, tanto più diventa facile farne un uso povero.
Un uso povero può essere tecnologicamente sofisticatissimo e produrre risultati eccellenti. È povero quando mette poco in movimento nella persona.
Un uso ricco è invece quello nel quale la capacità della macchina viene utilizzata per provocare, sostenere e amplificare attività cognitive che rimangono dello studente.
Il problema diventa quindi progettare una divisione intenzionale del lavoro cognitivo:
che cosa affidiamo alla macchina e che cosa deve continuare a fare la persona perché stia realmente imparando?
Che cosa deve continuare a fare lo studente?
Se la stessa IA può sostenere oppure sostituire l’attività cognitiva, dobbiamo decidere come distribuire il lavoro tra persona e macchina.
Non esiste però una lista universale di operazioni delegabili e non delegabili. Dipende da ciò che vogliamo imparare.
Se l’obiettivo è imparare ad argomentare, non possiamo delegare stabilmente la costruzione dell’argomentazione. Se vogliamo sviluppare il transfer, non possiamo lasciare sempre alla macchina il compito di riconoscere quando un principio sia applicabile. Altre operazioni, non rilevanti rispetto all’obiettivo, possono invece essere delegate.
La domanda non è quindi:
Che cosa possiamo delegare all’IA?
Ma:
Che cosa non possiamo delegare in questa attività senza delegare anche una parte dell’apprendimento che vogliamo produrre?
Partire dall’obiettivo, non dallo strumento
La sequenza deve essere:
che cosa vogliamo che lo studente impari? → quale attività cognitiva deve compiere per impararlo? → quale parte può essere sostenuta dall’IA senza essere sostituita?
Se vogliamo sviluppare la capacità di valutare un’argomentazione, l’IA può generare argomentazioni, obiezioni o casi problematici.
Ma valutare, scegliere i criteri e giustificare il giudizio devono rimanere attività dello studente.
Altrimenti avremo costruito un’attività che mostra ciò che sa fare l’IA, non ciò che sta imparando lo studente.
L’IA può preparare il terreno; lo studente deve attraversarlo
L’IA può generare un caso; lo studente deve riconoscerne gli elementi rilevanti.
Può proporre un controesempio; lo studente deve capire perché mette in difficoltà la propria spiegazione.
Può formulare due interpretazioni; lo studente deve confrontarle.
Può modificare una condizione; lo studente deve decidere quali conseguenze ne derivino.
L’IA può preparare il terreno cognitivo. Attraversarlo deve rimanere compito dello studente.
Talvolta sarà utile osservare come l’IA svolge un’operazione, così come osserviamo un insegnante che modella una strategia. Ma osservare una prestazione e possederne la capacità non sono la stessa cosa.
Prima di ricevere, provare
Quando un’operazione è importante per l’apprendimento, lo studente dovrebbe avere l’occasione di tentare prima che l’IA la svolga.
Prima provo a spiegare, poi confronto.
Prima tento di risolvere, poi chiedo un indizio.
Prima formulo una valutazione, poi cerco un’obiezione.
Prima recupero ciò che so, poi accedo all’informazione.
Prima provo ad applicare il principio, poi confronto la mia soluzione.
La macchina interviene così su un’attività cognitiva già avviata dalla persona, invece di sostituirla fin dall’inizio.
Non tutto l’aiuto deve essere uguale
Anche l’intervento dell’IA può essere graduato:
domanda → indizio → richiamo a un concetto → scomposizione del problema → spiegazione più esplicita.
Un sistema capace di fornire immediatamente una soluzione completa non deve necessariamente farlo.
La potenza dell’IA rende importante anche trattenerla, offrendo soltanto l’aiuto necessario perché l’attività cognitiva centrale rimanga alla persona.
L’aiuto deve lasciare una traccia nella capacità della persona
Se con l’IA uno studente riesce a fare qualcosa che prima non riusciva a fare, abbiamo osservato una prestazione assistita.
Non ancora necessariamente un apprendimento.
La domanda è che cosa accade dopo.
Ha bisogno dello stesso aiuto? Ne basta uno minore? Riconosce autonomamente il problema? Sa utilizzare la strategia suggerita? Riesce a trasferirla?
L’aiuto ha modificato la capacità dello studente oppure ha soltanto migliorato la prestazione ottenuta insieme alla macchina?
Il sistema studente + IA può produrre risultati eccellenti senza che sia aumentata nella stessa misura la capacità dello studente.
Il fading diventa un criterio generale
Il fading può allora essere esteso oltre lo scaffolding.
All’inizio l’IA formula le domande; successivamente deve imparare a formularle lo studente.
All’inizio suggerisce criteri di confronto; successivamente deve individuarli la persona.
All’inizio ricorda di verificare; successivamente quella verifica deve diventare una pratica autonoma.
All’inizio sollecita la riflessione metacognitiva; progressivamente lo studente deve imparare a monitorare il proprio lavoro.
Quanta parte della regolazione che oggi affidiamo all’IA vogliamo che domani appartenga alla persona?
Con l’IA e senza l’IA
Se utilizziamo intenzionalmente l’IA per apprendere, dobbiamo progettare anche momenti nei quali non la utilizziamo.
Non per nostalgia di una scuola senza tecnologia, ma per distinguere ciò che lo studente riesce a fare con un supporto esterno da ciò che è diventato capace di fare autonomamente.
Se vogliamo verificare una conoscenza interna, dobbiamo creare occasioni per recuperarla senza IA.
Se vogliamo verificare il transfer, dobbiamo lasciare allo studente il riconoscimento della nuova situazione.
Gli spazi senza IA permettono di osservare che cosa l’interazione con l’IA abbia lasciato nella persona.
Non dobbiamo rendere autonomo lo studente da ogni strumento
Autonomia non significa autosufficienza.
Gli esseri umani hanno sempre pensato con strumenti, testi, rappresentazioni esterne e altre persone.
Un soggetto competente sa anche quale supporto utilizzare, quando utilizzarlo, come valutarne il risultato e quando non affidarsi ad esso.
La sovranità cognitiva non consiste quindi nel rifiutare la delega, ma nel governarla.
Non dobbiamo imparare a fare tutto senza l’IA. Dobbiamo evitare di non saper più fare ciò che ci serve per governare il suo utilizzo.
Possiamo adesso formulare una sequenza progettuale
Il percorso può essere sintetizzato così:
obiettivo di apprendimento
→ attività cognitiva necessaria
→ possibile contributo dell’IA
→ divisione intenzionale del lavoro cognitivo
→ riduzione progressiva dell’aiuto quando necessaria
→ verifica della capacità acquisita.
Siamo partiti chiedendoci perché dovremmo utilizzare l’IA per imparare.
Adesso abbiamo quasi tutti gli elementi per rispondere.
Alla fine, che cosa rimane allo studente?
Abbiamo utilizzato più volte la parola autonomia.
Non significa riuscire a fare tutto senza strumenti, libri, altre persone o IA. Una parte delle capacità umane consiste proprio nel saper utilizzare risorse esterne.
La domanda è un’altra:
Che cosa deve diventare patrimonio della persona perché possa continuare a comprendere, decidere e agire anche utilizzando risorse esterne?
L’IA rende questa domanda più difficile perché permette di esternalizzare non soltanto conoscenze, ma anche operazioni cognitive.
Non esternalizziamo più soltanto conoscenza
Abbiamo sempre depositato conoscenza fuori dalla nostra mente: nei libri, negli appunti, nelle biblioteche, nelle tecnologie.
L’IA può fare qualcosa di più. Può confrontare, sintetizzare, interpretare, argomentare, formulare ipotesi, individuare obiezioni, applicare principi, revisionare testi, suggerire decisioni.
Possiamo quindi esternalizzare non soltanto ciò che sappiamo, ma parte di ciò che facciamo cognitivamente con ciò che sappiamo.
Alla vecchia domanda:
Che cosa deve sapere lo studente, se può trovare tutto fuori?
dobbiamo quindi aggiungerne un’altra:
Che cosa deve saper fare cognitivamente lo studente, se anche molte operazioni sulla conoscenza possono essere svolte fuori di lui?
La conoscenza interna non perde importanza
La disponibilità di conoscenza esterna non rende inutile quella interna.
Per formulare una domanda significativa devo possedere una rappresentazione del problema.
Per valutare una risposta devo avere criteri.
Per riconoscere un’anomalia devo sapere abbastanza da accorgermi che qualcosa non torna.
Per confrontare interpretazioni e trasferire conoscenze devo possedere rappresentazioni sufficientemente strutturate.
La conoscenza interna cambia forse funzione, ma non scompare.
Bisogna sapere abbastanza per poter sapere di più.
Anche la capacità di interrogare dipende da ciò che sappiamo
Questo vale anche per il prompting.
Posso formulare una richiesta senza conoscere un dominio, ma difficilmente saprò quali siano le domande importanti, che cosa manchi nella risposta o quali distinzioni avrei dovuto chiedere.
Per questo è utile distinguere prompting e questioning.
Il prompting può essere la capacità tecnica di formulare istruzioni efficaci.
Il questioning richiede di trasformare ciò che sappiamo e ciò che non sappiamo in domande capaci di far avanzare la comprensione.
Più l’IA diventa capace di rispondere, più diventa importante la qualità delle domande che siamo capaci di porre.
Sapere quando non fidarsi
Dire agli studenti «controllate sempre quello che dice l’IA» non basta.
Nella vita reale non verifichiamo tutto. Decidiamo che cosa richiede verifica, in funzione della plausibilità, della rilevanza e delle conseguenze dell’errore.
La competenza non consiste quindi soltanto nel saper verificare una risposta.
Consiste anche nel sapere quando dobbiamo farlo.
E questa decisione non può essere delegata interamente allo stesso sistema che dovremmo controllare.
L’autonomia non è fare tutto da soli
Autonomo non è chi rifiuta gli strumenti.
È chi sa governare il rapporto con essi: che cosa delegare, perché farlo, quando aumentare il controllo, quali capacità non perdere, quando utilizzare l’IA per estendere il proprio pensiero e quando procedere senza di essa.
È questa la sovranità cognitiva.
Non conservare ogni operazione all’interno della persona, ma mantenere il controllo sulla loro distribuzione tra persona e ambiente.
Ma come sappiamo che qualcosa è rimasto?
Un buon prodotto realizzato con l’IA non ci dice necessariamente che cosa abbia imparato lo studente.
Abbiamo bisogno di evidenze differenti: spiegare le decisioni, giustificare una scelta, ricostruire il percorso, rispondere a un’obiezione imprevista, utilizzare ciò che si è appreso in una situazione nuova, affrontare alcuni passaggi senza assistenza, riflettere sugli aiuti utilizzati.
La valutazione deve quindi guardare non soltanto al prodotto, ma alla padronanza che quel prodotto dovrebbe testimoniare.
Con l’IA, senza l’IA, dopo l’IA
Possiamo distinguere tre momenti.
Con l’IA osserviamo come lo studente utilizza lo strumento: che cosa chiede, che cosa delega, come valuta e integra ciò che riceve.
Senza l’IA osserviamo quali conoscenze e capacità siano disponibili autonomamente quando riteniamo che debbano esserlo.
Dopo l’IA poniamo la domanda più importante:
Che cosa riesce a fare oggi lo studente che prima dell’interazione non riusciva a fare?
Quale distinzione ha acquisito? Quale strategia sa utilizzare? Quale errore riconosce? Quale domanda ha imparato a porsi? Di quanto meno aiuto ha bisogno?
La domanda decisiva non è soltanto che cosa lo studente riesca a fare con l’IA, ma che cosa l’esperienza con l’IA abbia lasciato nella sua capacità di pensare e agire.
È questo, forse, il limite che dobbiamo proteggere
Non dobbiamo stabilire una frontiera immutabile tra uomo e macchina.
Dobbiamo decidere quali conoscenze e operazioni cognitive debbano rimanere sufficientemente nella persona perché possa comprendere, scegliere, valutare e governare ciò che delega.
La risposta varierà secondo obiettivi, età, dominio e attività.
Ma il criterio rimane:
non dobbiamo proteggere il lavoro umano perché è umano; dobbiamo proteggere e sviluppare il lavoro cognitivo necessario perché la persona rimanga padrona delle proprie decisioni e dei propri apprendimenti.
Possiamo finalmente tornare alla domanda iniziale:
Perché dovremmo usare l’IA a scuola?
Adesso possiamo rispondere.
Allora, perché usare l’IA a scuola?
Siamo partiti da una domanda:
Perché dovremmo usare l’IA per imparare?
Abbiamo escluso subito la risposta più facile: perché c’è.
Una possibilità tecnologica non è ancora una ragione pedagogica.
Abbiamo quindi rovesciato il percorso: prima abbiamo guardato a ciò che sappiamo sull’apprendimento e soltanto dopo ci siamo chiesti che cosa l’IA possa aggiungere.
Abbiamo trovato qualche buona ragione
Sì, esistono buone ragioni pedagogiche per utilizzare l’IA.
Può offrire a ogni studente un interlocutore con cui formulare, spiegare e mettere alla prova idee; moltiplicare cicli di tentativo, feedback e revisione; generare casi, variazioni e controesempi; creare occasioni di recupero e transfer; fornire aiuti graduati; sostenere la riflessione sul proprio processo.
Quasi nulla di tutto questo era impossibile prima.
La specificità dell’IA sta soprattutto nel poter modificare disponibilità, frequenza, iterazione, individualizzazione, variazione e tempestività di queste attività.
Può rendere ordinario ciò che pedagogicamente era desiderabile ma organizzativamente raro.
Può aumentare la densità delle occasioni di apprendimento.
Questa è una buona ragione pedagogica per utilizzarla.
Ma la stessa IA può sottrarre ciò che dovrebbe aggiungere
Le medesime capacità possono produrre l’effetto opposto.
L’interlocutore può argomentare al posto dello studente.
Il feedback può diventare riscrittura.
La variazione può trasformarsi in consumo passivo di materiali.
L’IA può costruire una situazione di transfer oppure effettuare il transfer.
Può offrire scaffolding oppure diventare protesi cognitiva.
Può sostenere la metacognizione oppure svolgerla al posto della persona.
Quanto più la macchina diventa capace, tanto più diventa facile farne un uso povero.
La capacità dello strumento non determina quindi il valore pedagogico del suo utilizzo.
La domanda decisiva diventa: chi deve fare che cosa?
L’IA ci obbliga a progettare una divisione intenzionale del lavoro cognitivo.
La sequenza dovrebbe essere:
obiettivo di apprendimento
→ attività cognitiva necessaria
→ possibile contributo dell’IA
→ divisione del lavoro tra studente e macchina
→ riduzione dell’aiuto quando necessaria
→ verifica della capacità acquisita.
Non:
abbiamo l’IA → che cosa possiamo farle fare?
Ma:
abbiamo un obiettivo di apprendimento → quale attività cognitiva richiede? → l’IA può aiutarci a crearne condizioni migliori?
Se la risposta è no, non abbiamo alcuna ragione pedagogica per utilizzarla.
Non sempre usare l’IA sarà la scelta migliore
Se un’attività funziona altrettanto bene senza IA, possiamo lasciarla fuori.
Se l’IA rende troppo facile evitare proprio l’operazione cognitiva che vogliamo sviluppare, possiamo limitarne l’uso.
Se vogliamo capire che cosa lo studente sappia fare autonomamente, dobbiamo prevedere momenti senza IA.
Saper utilizzare pedagogicamente l’IA significa anche sapere quando non utilizzarla.
Non dobbiamo difendere la fatica
Questo ragionamento era nato chiedendoci se con l’IA studenti e insegnanti lavoreranno di più o di meno.
Ma la quantità di lavoro non è il criterio.
Se possiamo eliminare lavoro inutile mantenendo o migliorando l’apprendimento, tanto meglio.
La questione è dove rimane il lavoro cognitivo che produce apprendimento.
L’IA può ridurre enormemente il lavoro necessario per produrre e, nello stesso tempo, essere utilizzata per aumentare quello necessario per interrogare, confrontare, verificare, revisionare e comprendere.
Non dobbiamo difendere la fatica.
Dobbiamo proteggere l’attività cognitiva che trasforma la persona.
La risposta, allora
Possiamo finalmente formulare il criterio che cercavamo:
Abbiamo una buona ragione pedagogica per utilizzare l’IA quando permette allo studente di svolgere più frequentemente, più intensamente, più variamente o con un sostegno meglio calibrato attività cognitive che favoriscono l’apprendimento, senza sottrargli proprio le operazioni cognitive che quelle attività dovrebbero sviluppare.
Non ne deriva che l’IA debba essere sempre presente.
Deriva che la sua presenza deve essere pedagogicamente giustificata.
E possiamo verificarlo ponendo una domanda molto semplice.
Non soltanto:
Che cosa siamo riusciti a produrre con l’IA?
E neppure:
Che cosa siamo riusciti a fare con l’IA?
Ma:
Che cosa siamo diventati capaci di fare grazie al lavoro svolto con l’IA?
Nel primo caso guardiamo il prodotto.
Nel secondo la prestazione assistita.
Nel terzo l’apprendimento.
Ed è quest’ultimo, alla fine, il motivo per cui l’IA dovrebbe entrare a scuola.
