Perchè usare l’IA a scuola? Versione estesa

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 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 Estensa sviluppa gli stessi passaggi più estesamente, attraverso argomentazioni, esempi, distinzioni e approfondimenti che permettono di seguire più analiticamente il percorso.

La Compact può quindi essere letta autonomamente oppure utilizzata come mappa concettuale dell’intero lavoro; l’Extended 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.

---

L’Intelligenza Artificiale è ormai disponibile e gli studenti possono utilizzarla per scrivere testi, risolvere problemi, costruire presentazioni, fare ricerche, produrre mappe e realizzare buona parte degli artefatti che chiediamo loro a scuola.

Questo pone un problema al quale la scuola non può sottrarsi. Ma non è il problema che voglio affrontare qui.

La domanda che mi interessa è un’altra:

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 facciamo entrare nella scuola e successivamente cerchiamo qualche buona ragione pedagogica per utilizzarla.

Vorrei rovesciare il percorso.

Non partiamo dall’IA. Partiamo dall’apprendimento.

Una tecnologia nuova, domande molto meno nuove

Non credo che l’arrivo dell’IA richieda di inventare una nuova pedagogia.

Pedagogia, didattica e psicologia dell’apprendimento affrontano da molto tempo alcune questioni fondamentali.

Come si impara? Che cosa deve fare chi apprende? Quale ruolo hanno l’attività cognitiva, l’errore e il feedback? Come si costruisce una conoscenza che non venga soltanto riconosciuta, ma possa essere recuperata e utilizzata? Come si impara ad applicare ciò che si sa in situazioni differenti? Quanto aiuto dobbiamo offrire a chi ancora non riesce a fare qualcosa autonomamente? Quando quell’aiuto favorisce lo sviluppo e quando invece crea dipendenza? Come si costruisce progressivamente autonomia?

L’IA non rende obsolete queste domande.

Semmai le rende nuovamente problematiche, perché modifica radicalmente alcune delle condizioni nelle quali cerchiamo di dare loro risposta.

Oggi accanto allo studente può esserci una macchina disponibile in ogni momento, capace di spiegare e rispiegare, formulare domande, fornire suggerimenti, proporre esempi e controesempi, assumere prospettive differenti, dare feedback, costruire esercizi, modificare il livello di difficoltà, discutere un’argomentazione.

E capace anche di fare qualcosa di molto più problematico: svolgere direttamente una parte crescente delle operazioni che vorremmo facesse lo studente.

La questione pedagogica nasce precisamente da questa ambivalenza.

Prima chiediamoci in quali condizioni si impara

Il percorso che seguirò sarà quindi intenzionalmente rovesciato rispetto a quello che normalmente accompagna l’introduzione di una nuova tecnologia.

Non partirò dalla domanda:

Che cosa possiamo fare a scuola con l’IA?

Partirò da una domanda precedente:

Che cosa sappiamo sulle condizioni e sui processi che favoriscono l’apprendimento?

Riprenderò quindi alcune questioni classiche della ricerca sull’apprendimento: l’elaborazione attiva della conoscenza, il recupero e il consolidamento, il feedback e la revisione, la pluralità delle rappresentazioni, la variazione dei casi e il transfer, lo scaffolding e la progressiva autonomia, la metacognizione.

Soltanto dopo torneremo all’IA e ci chiederemo:

Può contribuire a creare, rafforzare o rendere più praticabili alcune di queste condizioni?

Ma anche questa domanda sarà ancora troppo facile.

Una possibilità tecnologica non è ancora una ragione pedagogica per usarla

Quasi tutto ciò che possiamo fare oggi con l’IA potevamo, almeno in linea di principio, farlo anche prima.

Un insegnante poteva proporre un controesempio, discutere un’argomentazione, formulare una domanda, fornire un feedback, suggerire una prospettiva differente, costruire un nuovo caso.

Il fatto che oggi anche una macchina possa farlo non costituisce, di per sé, una ragione per utilizzarla.

Dovremo quindi porre una domanda 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.

Potremmo scoprire, per esempio, che la specificità dell’IA non consiste tanto nel rendere possibili attività completamente nuove, quanto nel modificare la loro frequenza, tempestività, varietà, individualizzazione e possibilità di iterazione.

Potrebbe rendere ordinario ciò che pedagogicamente era già desiderabile, ma organizzativamente raro.

Se così fosse, avremmo finalmente una ragione interessante per utilizzarla.

Ma dovremo fare sempre una seconda domanda

Ogni volta che individueremo una possibilità pedagogicamente interessante dell’IA dovremo però guardarne immediatamente il rovescio.

Può formulare un controesempio che mette alla prova il mio pensiero. Ma può anche valutare quel controesempio al posto mio.

Può fornirmi feedback per permettermi di revisionare un testo. Ma può anche riscrivere direttamente il testo.

Può costruire situazioni differenti nelle quali mettere alla prova ciò che ho imparato. Ma può anche applicare lei stessa il principio alla nuova situazione.

Può offrirmi l’aiuto necessario per fare qualcosa che ancora non riesco a fare autonomamente. Ma può anche continuare indefinitamente a farne una parte al posto mio.

Per questo, accanto alla domanda:

Che cosa può fare l’IA per favorire l’apprendimento?

dovremo mantenerne sempre un’altra:

Che cosa deve continuare a fare lo studente perché quella possibilità produca realmente apprendimento?

È probabilmente qui che si trova il criterio fondamentale dell’intero ragionamento.

Non giudicheremo l’uso dell’IA dalla sofisticazione dello strumento, dalla quantità di lavoro che riesce a svolgere o dalla qualità del prodotto che permette di ottenere.

Lo giudicheremo da ciò che quell’uso mette cognitivamente in movimento nella persona.

E alla fine dovremo poter rispondere a una domanda ancora più concreta:

Dopo aver imparato con l’aiuto dell’IA, che cosa sono diventato capace di fare io?

È con queste domande, non con le capacità della tecnologia, che possiamo cominciare a cercare qualche buona ragione pedagogica per utilizzare l’IA a scuola.

In quali condizioni si impara bene?

Se vogliamo capire se esistano buone ragioni pedagogiche per utilizzare l’IA, per il momento dobbiamo lasciarla fuori dalla porta.

La domanda viene prima della tecnologia:

Che cosa sappiamo sulle condizioni e sui processi che favoriscono l’apprendimento?

La ricerca sviluppata nel corso di decenni dalla psicologia cognitiva, dalle scienze dell’apprendimento e dalla didattica non ci consegna una formula unica del “buon apprendimento”. Ci permette però di individuare alcuni processi sui quali esistono basi teoriche ed empiriche sufficientemente solide.

Non sono una nuova teoria dell’apprendimento e neppure un elenco esaustivo. Sono alcuni punti di riferimento che ci serviranno successivamente per porre la domanda che ci interessa: l’IA può contribuire a sostenerli e, soprattutto, può farlo in un modo pedagogicamente rilevante?

Imparare significa elaborare, non soltanto ricevere

Una prima acquisizione è difficilmente contestabile: ricevere informazioni non equivale a imparare.

L’apprendimento richiede che chi impara faccia qualcosa cognitivamente significativo con ciò che incontra: 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 quindi semplicemente tra studente “attivo” e studente “passivo”. Anche sottolineare un testo, copiare una definizione o rispondere meccanicamente a una serie di domande sono attività.

Il punto è che tipo di elaborazione cognitiva viene richiesta.

Il modello ICAP di Michelene Chi e Ruth Wylie distingue, per esempio, modalità passive, attive, costruttive e interattive di coinvolgimento, ipotizzando una crescente efficacia quando lo studente passa dalla semplice ricezione o manipolazione dell’informazione alla produzione di nuove inferenze, spiegazioni e connessioni.

Possiamo quindi formulare un primo principio:

Si impara quando la persona deve costruire ed elaborare conoscenza, non soltanto riceverla o riprodurla.

Comprendere non basta: bisogna riuscire a recuperare

C’è però un secondo processo che rischiamo facilmente di sottovalutare.

Avere compreso qualcosa mentre lo leggiamo o mentre qualcuno ce lo spiega non significa necessariamente averlo appreso in modo sufficientemente stabile da poterlo recuperare e utilizzare successivamente.

La ricerca sul retrieval practice mostra da tempo che tentare attivamente di recuperare una conoscenza dalla memoria non serve soltanto a verificare se la ricordiamo: contribuisce al suo apprendimento.

Anche la distribuzione dell’apprendimento nel tempo — lo spacing — produce generalmente risultati più robusti rispetto alla concentrazione dello stesso lavoro in un’unica sessione.

Questo introduce una distinzione importante:

“Lo riconosco e lo capisco quando lo vedo” non equivale a “riesco a recuperarlo, ricostruirlo e utilizzarlo quando ne ho bisogno”.

Una conoscenza che rimane sempre esterna e disponibile non diventa necessariamente conoscenza posseduta dalla persona.

Possiamo quindi aggiungere un secondo principio:

Si impara anche recuperando, ricostruendo e consolidando nel tempo ciò che si è compreso.

Il pensiero deve incontrare resistenza

Costruire una spiegazione non significa ancora sapere se quella spiegazione regge.

Le nostre rappresentazioni devono incontrare qualcosa che opponga resistenza: un errore, un dato che non torna, un’obiezione, un controesempio, una spiegazione alternativa, una domanda alla quale non sappiamo rispondere.

Il feedback è importante proprio quando non si limita a comunicare “giusto” o “sbagliato”, ma offre informazioni che permettono alla persona di modificare ciò che sta facendo.

Da questo punto di vista il momento decisivo non è necessariamente ricevere il feedback, ma ciò che accade dopo.

Un ciclo di apprendimento più interessante non è:

compito → correzione → voto → fine

ma:

tentativo → feedback → revisione → nuovo tentativo → nuovo confronto.

L’errore stesso cambia funzione. Non è soltanto qualcosa da eliminare, ma può diventare informazione sul modo in cui stiamo rappresentando il problema.

Possiamo allora formulare un terzo principio:

Si impara quando il proprio pensiero viene messo alla prova e quella resistenza alimenta una revisione.

La risposta migliore, da questo punto di vista, non è necessariamente quella che chiude il problema.

Può essere quella che rende possibile il passo successivo.

Una conoscenza robusta deve essere attraversata da direzioni differenti

Un concetto può essere conosciuto molto bene nel contesto nel quale è stato appreso e diventare sorprendentemente fragile quando cambiano le condizioni.

Questo problema è particolarmente evidente nei domini complessi e poco strutturati.

La Cognitive Flexibility Theory, sviluppata da Rand Spiro e collaboratori, ha insistito sulla necessità di evitare rappresentazioni eccessivamente semplificate e rigide della conoscenza. L’immagine del criss-cross landscape descrive efficacemente l’idea: attraversare ripetutamente lo stesso territorio da direzioni differenti.

Non si tratta semplicemente di ricevere molte spiegazioni.

Significa incontrare casi differenti, guardare uno stesso fenomeno da prospettive diverse, riconoscere come cambino le relazioni quando cambiano alcune condizioni, costruire rappresentazioni molteplici dello stesso dominio.

Qui incontriamo anche uno dei problemi classici dell’apprendimento: il transfer.

Aver imparato un principio in una determinata situazione non garantisce che sapremo riconoscerlo e utilizzarlo quando il problema assume una forma differente.

Perché questo accada non basta moltiplicare indiscriminatamente gli esempi. Chi apprende deve riconoscere ciò che rimane invariato attraverso le variazioni, distinguere gli elementi rilevanti da quelli superficiali e decidere quando una conoscenza è applicabile e quando non lo è.

Possiamo quindi formulare un quarto principio:

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.

Una parte importante dell’apprendimento avviene quando riusciamo a fare, con un sostegno adeguato, qualcosa che ancora non riusciremmo a fare autonomamente.

Qui incontriamo la Zona di Sviluppo Prossimale di Vygotskij e la successiva elaborazione del concetto di scaffolding.

L’aiuto può assumere forme differenti: una domanda, un suggerimento, un indizio, una rappresentazione più semplice, la scomposizione di un problema, un esempio, un modello temporaneo.

Ma la metafora dello scaffolding contiene già una condizione fondamentale.

L’impalcatura serve a costruire qualcosa che, alla fine, deve reggersi senza l’impalcatura.

Per questo il fading, la progressiva riduzione dell’aiuto, non è un dettaglio tecnico. È ciò che distingue un sostegno allo sviluppo da una dipendenza permanente.

Da qui il quinto principio:

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.

Un aiuto che evita stabilmente di imparare a compiere l’operazione non è più scaffolding.

Diventa protesi cognitiva.

Un processo attraversa tutti gli altri: sapere che cosa stiamo facendo mentre impariamo

Costruire, recuperare, revisionare, trasferire e utilizzare aiuti non sono attività che dovrebbero procedere completamente alla cieca.

Chi apprende deve progressivamente riuscire a chiedersi:

Che cosa sto cercando di capire?

Che cosa so già?

Dove sto incontrando difficoltà?

La strategia che sto utilizzando sta funzionando?

Perché ho commesso questo errore?

Di quale aiuto ho realmente bisogno?

Sono ormai capace di procedere senza quell’aiuto?

Entriamo qui nel campo della metacognizione e dell’autoregolazione: pianificare, monitorare e valutare il proprio processo di apprendimento.

Non la considererei un sesto processo separato dagli altri. La metacognizione li attraversa tutti.

Possiamo costruire conoscenza senza renderci conto di come la stiamo costruendo; ricevere feedback senza comprendere perché abbiamo sbagliato; utilizzare un aiuto senza sapere se ne abbiamo ancora bisogno.

Imparare a governare progressivamente questi processi significa diventare meno dipendenti dalla regolazione esterna.

E sotto tutto questo deve esserci già della conoscenza

C’è infine una condizione che non possiamo collocare semplicemente accanto alle altre.

Per formulare una buona domanda devo sapere qualcosa.

Per riconoscere un’obiezione pertinente devo sapere qualcosa.

Per confrontare due spiegazioni devo disporre di criteri.

Per riconoscere che un principio può essere trasferito a una situazione differente devo possedere una rappresentazione sufficientemente strutturata di quel principio.

Per valutare un’informazione devo avere qualcosa con cui confrontarla.

Il pensiero non opera nel vuoto.

La disponibilità di informazioni esterne, per quanto ampia, non elimina quindi la necessità di costruire conoscenza interna.

Potremmo esprimere questa condizione con una formula già utilizzata altrove:

Bisogna sapere abbastanza per poter sapere di più.

A questo punto abbiamo lasciato l’IA fuori dalla porta abbastanza a lungo.

Abbiamo individuato alcuni processi: elaborare, recuperare e consolidare, mettere alla prova e revisionare, variare e trasferire, procedere attraverso un aiuto verso l’autonomia.

Li attraversano metacognizione e autoregolazione e tutti presuppongono, in forme differenti, una base di conoscenza posseduta dalla persona.

Nessuno di questi principi nasce dall’Intelligenza Artificiale.

Ed è precisamente per questo che adesso possiamo finalmente farla entrare.

La domanda non sarà più:

Che cosa sa fare l’IA?

Ma:

Che cosa può aggiungere l’IA a questi processi che sappiamo essere importanti per imparare?

Adesso possiamo far entrare l’IA

Abbiamo individuato alcuni processi che sappiamo avere un ruolo importante nell’apprendimento senza avere avuto bisogno, fino a questo momento, dell’Intelligenza Artificiale.

Adesso possiamo cambiare domanda.

Non:

Che cosa sa fare l’IA?

Ma:

Può l’IA contribuire a rendere più ricchi, frequenti o praticabili alcuni di questi processi?

Proviamo a ripercorrerli uno alla volta.

Un interlocutore con cui elaborare la conoscenza

Abbiamo visto che imparare non significa soltanto ricevere informazioni. Significa formulare, spiegare, collegare, inferire, interrogare, confrontare.

Da questo punto di vista una delle caratteristiche più interessanti dell’IA non è la sua capacità di fornire risposte, ma la possibilità di utilizzarla come interlocutore cognitivo.

Posso esporle una spiegazione e chiederle di interrogarmi.

Posso formulare un’ipotesi e chiederle quali conseguenze ne deriverebbero.

Posso proporre due interpretazioni e utilizzarla per esplorarne le differenze.

Posso chiederle di non risolvere un problema, ma di farmi domande che mi aiutino a risolverlo.

Il rapporto cambia.

Non sto più utilizzando l’IA principalmente per ottenere qualcosa che non so, ma per fare qualcosa con ciò che so e con ciò che sto cercando di capire.

È una differenza che abbiamo già incontrato parlando di learning with anziché soltanto learning from e che richiama la concezione dei Mindtools di David Jonassen: tecnologie utilizzate non come sostituti dell’attività cognitiva, ma come strumenti con i quali pensare.

Un modello linguistico introduce però qualcosa di particolare rispetto ai tradizionali strumenti cognitivi: può sostenere una conversazione.

Può rispondere a ciò che lo studente ha appena detto e costruire il passo successivo a partire proprio da quella risposta.

L’interazione può quindi diventare iterativa:

formulo → ricevo una domanda → preciso → incontro un’obiezione → riformulo → confronto.

Non è necessariamente l’IA a produrre il pensiero.

Può contribuire a creare una situazione nella quale lo studente abbia più occasioni per produrlo.

Moltiplicare le occasioni di recuperare ciò che si sa

L’IA può essere utilizzata anche in una direzione quasi opposta a quella per cui viene normalmente impiegata.

Invece di chiederle informazioni, possiamo chiederle di non darcele.

Può formulare domande a partire da ciò che abbiamo studiato, modificare il livello di difficoltà, ritornare sugli elementi che abbiamo mostrato di non ricordare, proporre successivamente gli stessi concetti sotto forme differenti.

Può costruire attività nelle quali lo studente debba tentare di recuperare una conoscenza prima di ricevere qualsiasi aiuto.

La differenza è importante.

Se alla domanda risponde immediatamente l’IA, la conoscenza rimane disponibile all’esterno.

Se la domanda dell’IA costringe me a recuperarla, ciò che viene esercitato è la mia capacità di renderla nuovamente disponibile dall’interno.

Lo stesso ambiente può quindi funzionare in due direzioni opposte:

IA come memoria esterna alla quale accedo

oppure

IA come interlocutore che mi costringe a utilizzare la mia memoria interna.

Può inoltre rendere più semplice ritornare nel tempo su ciò che è stato appreso, variando le domande e adattandole alle difficoltà incontrate.

Anche qui il valore non starebbe principalmente nella capacità dell’IA di sapere la risposta.

Starebbe nella possibilità di costruire molte più occasioni nelle quali la risposta deve essere recuperata dallo studente.

Far incontrare resistenza al proprio pensiero

Una delle possibilità che considero più interessanti riguarda il terzo processo.

Possiamo utilizzare l’IA non per confermare ciò che pensiamo, ma per metterlo in difficoltà.

Per esempio:

«Questa è la mia spiegazione. Individua il suo punto più debole.»

«Costruisci un controesempio.»

«Assumi la posizione opposta e prova a confutare la mia.»

«Quale dato potrebbe mettere in crisi questa conclusione?»

«Fammi una domanda alla quale la mia spiegazione dovrebbe riuscire a rispondere.»

L’insegnante ha sempre potuto fare tutto questo.

Il problema è che una buona interlocuzione richiede tempo.

Non è facile sottoporre continuamente e individualmente il pensiero di ogni studente a obiezioni calibrate su ciò che quello studente ha appena detto.

Un sistema linguistico può invece sostenere numerose iterazioni.

Lo studente formula una posizione, incontra un’obiezione, risponde, riceve una nuova obiezione costruita sulla sua risposta, modifica la propria argomentazione e la sottopone nuovamente alla prova.

La risposta non chiude il lavoro.

Alimenta il passo successivo.

Attraversare molte volte lo stesso territorio

Un’altra caratteristica dell’IA generativa è la facilità con cui può produrre variazioni.

Possiamo chiedere una spiegazione diversa, un altro esempio, un controesempio, un’analogia, una rappresentazione alternativa.

Possiamo soprattutto modificare sistematicamente un caso:

«Mantieni il problema identico ma cambia questa condizione.»

«Costruisci una situazione apparentemente molto diversa nella quale sia necessario utilizzare lo stesso principio.»

«Dammi un caso nel quale questa soluzione non funzioni.»

«Presenta lo stesso fenomeno dal punto di vista di un altro soggetto coinvolto.»

Qui il collegamento con il criss-cross landscape diventa evidente.

Il valore non consiste nell’avere moltissimi materiali.

Consiste nella possibilità di attraversare ripetutamente uno stesso territorio cognitivo modificando deliberatamente il punto di osservazione.

C’è inoltre una possibilità particolarmente interessante per il transfer.

L’IA può generare rapidamente nuovi contesti nei quali lo studente debba riconoscere se una conoscenza precedentemente acquisita sia ancora pertinente.

Non deve però effettuare lei stessa il trasferimento.

Può costruire il nuovo terreno.

Attraversarlo deve rimanere compito dello studente.

Un aiuto disponibile nel momento in cui serve

Infine l’IA può intervenire quando lo studente incontra una difficoltà.

Non necessariamente fornendo la soluzione.

Può offrire un primo indizio.

Se non basta, una domanda più orientante.

Poi eventualmente scomporre il problema.

Mostrare un caso più semplice.

Richiamare una conoscenza precedente.

Fornire un esempio parziale.

E soltanto progressivamente aumentare il livello dell’aiuto.

Questa possibilità si avvicina molto alla logica dello scaffolding: non dare immediatamente ciò che manca, ma offrire il sostegno minimo necessario perché la persona riesca a procedere.

L’interesse dell’IA sta anche nella disponibilità dell’aiuto nel momento stesso in cui emerge la difficoltà.

Lo studente non deve necessariamente attendere che l’insegnante possa intervenire.

Ma proprio qui compare una condizione decisiva.

Lo scaffolding ha senso soltanto se l’aiuto viene progressivamente ridotto.

L’obiettivo non è diventare sempre più bravi a fare qualcosa insieme all’IA.

È diventare progressivamente capaci di fare senza di essa ciò che inizialmente riuscivamo a fare soltanto con il suo sostegno.

E la metacognizione?

Anche la metacognizione può essere sostenuta attraverso il dialogo.

L’IA può chiedere:

«Perché hai scelto questa strategia?»

«Quale passaggio ti ha creato maggiore difficoltà?»

«Che cosa sapevi già prima di affrontare il problema?»

«Quale errore hai commesso e perché pensi di averlo commesso?»

«Di quale aiuto hai avuto bisogno?»

«Prova adesso a spiegare che cosa riusciresti a fare senza il mio supporto.»

Sono domande che possono rendere visibile allo studente il proprio processo.

Un reflective journal può diventare dialogico: non soltanto registrare ciò che è accaduto, ma essere interrogati su ciò che si è fatto, sulle decisioni prese e sugli aiuti utilizzati.

Ancora una volta, però, la riflessione deve essere dello studente.

Se chiediamo all’IA:

«Analizza il mio processo e dimmi che cosa ho imparato»

abbiamo trasformato anche la metacognizione in un’attività delegata.

Ma non abbiamo ancora dimostrato che serva l’IA

A questo punto potremmo essere tentati di concludere che abbiamo trovato molte buone ragioni per utilizzare l’Intelligenza Artificiale nell’apprendimento.

Non ancora.

Abbiamo dimostrato soltanto che l’IA può essere utilizzata per sostenere attività che hanno un valore pedagogico.

Ma quasi tutte queste attività esistevano prima.

Un insegnante può fare domande.

Può proporre controesempi.

Può fornire feedback.

Può costruire casi differenti.

Può offrire scaffolding.

Può stimolare la riflessione metacognitiva.

La domanda decisiva rimane quindi aperta:

Se potevamo già fare tutto questo, che cosa aggiunge realmente l’IA?

È il passaggio più severo del nostro ragionamento.

Ed è quello che dobbiamo affrontare adesso.

Che cosa aggiunge davvero l’IA?

Siamo arrivati al punto nel quale il ragionamento deve superare una prova più severa.

Abbiamo visto che l’IA può sostenere attività che sappiamo essere importanti per l’apprendimento: interrogare, spiegare, recuperare conoscenze, ricevere feedback, incontrare obiezioni, esplorare casi differenti, ricevere aiuto, riflettere sul proprio processo.

Ma non abbiamo ancora dimostrato che per fare tutto questo serva l’IA.

Quasi nulla di ciò che abbiamo descritto è pedagogicamente nuovo.

Un buon insegnante ha sempre fatto domande. Ha sempre potuto proporre un controesempio, suggerire una prospettiva differente, graduare un aiuto, discutere un errore, chiedere allo studente di spiegare il proprio ragionamento.

Anche libri, eserciziari, ambienti digitali e sistemi tutoriali hanno sempre potuto offrire spiegazioni, esercizi, feedback e rappresentazioni differenti.

Se ci fermassimo qui, avremmo dimostrato soltanto che:

anche con l’IA si possono fare cose pedagogicamente sensate.

È troppo poco per giustificarne l’introduzione intenzionale nell’apprendimento.

Una possibilità tecnologica non è ancora una ragione pedagogica.

Il problema non è soltanto che cosa possiamo fare, ma quanto possiamo farlo

Immaginiamo una situazione molto semplice.

Uno studente formula una spiegazione.

L’insegnante potrebbe chiedergli di precisarla. Poi potrebbe proporre un controesempio. Ascoltare la risposta. Costruire una nuova obiezione proprio a partire da quella risposta. Chiedere allo studente di riformulare la propria posizione. Introdurre un caso leggermente diverso. Chiedere se la spiegazione continua a funzionare.

Potrebbe continuare per dieci, venti minuti.

Sarebbe probabilmente un’attività didattica molto ricca.

Poi nella classe ci sono altri ventinove studenti.

Il problema non è quindi che non sappiamo come creare alcune buone condizioni di apprendimento.

Molto spesso sappiamo farlo.

Il problema è che non riusciamo a farlo abbastanza.

Tempo, numerosità delle classi, disponibilità dell’insegnante e necessità di seguire contemporaneamente percorsi differenti impongono limiti molto concreti.

È qui che l’IA comincia a presentare una caratteristica pedagogicamente interessante.

Non necessariamente perché inventa attività nuove.

Ma perché può cambiare la scala alla quale alcune attività diventano praticabili.

Disponibilità

Un interlocutore artificiale può essere disponibile quando lo studente ne ha bisogno.

Questo è particolarmente rilevante per attività nelle quali il momento dell’intervento conta.

Un dubbio emerge mentre sto cercando di comprendere un concetto.

Un passaggio non mi torna mentre risolvo un problema.

Ho appena formulato un’ipotesi e vorrei metterla alla prova.

Ho ricevuto un controesempio e voglio tentare immediatamente una nuova formulazione.

Nella normale organizzazione scolastica non è sempre possibile avere un interlocutore disponibile in quel momento.

L’IA può esserlo.

La disponibilità, naturalmente, non produce di per sé apprendimento. Potremmo utilizzarla semplicemente per ottenere immediatamente una risposta ed evitare ogni difficoltà.

Ma può rendere possibile qualcosa di diverso: non interrompere un processo cognitivo proprio nel momento in cui sta diventando produttivo.

Iterazione

La seconda caratteristica è strettamente collegata alla prima.

L’IA può sostenere molte iterazioni.

Non soltanto:

domanda → risposta

ma:

ipotesi → obiezione → risposta → nuova obiezione → riformulazione → nuovo caso → revisione.

Il valore pedagogico può trovarsi precisamente nella ripetizione del ciclo.

Un feedback isolato può avere un’utilità limitata se il lavoro termina nel momento in cui viene ricevuto.

Se invece il feedback apre una revisione, che produce un nuovo tentativo, che genera un nuovo feedback, il processo cambia natura.

L’IA può rendere economicamente praticabili sequenze di questo tipo per molti studenti contemporaneamente.

Non perché la macchina non abbia costi, ma perché il costo marginale di un’ulteriore interazione è enormemente inferiore a quello di un’ulteriore interazione individuale con l’insegnante.

Individualizzazione dell’interazione

C’è poi una differenza rispetto a molti materiali didattici tradizionali.

Un libro può contenere un ottimo controesempio.

Ma quel controesempio è stato scritto prima di conoscere l’errore che commetterò io.

Un eserciziario può propormi un secondo problema.

Ma quel problema non nasce necessariamente dalla difficoltà che ho mostrato nel primo.

L’IA può invece costruire il proprio intervento a partire da ciò che lo studente ha appena prodotto.

Se una spiegazione contiene una determinata debolezza, può interrogare proprio quella.

Se emerge un fraintendimento, può costruire un esempio che lo renda visibile.

Se un aiuto è insufficiente, può aumentarne gradualmente l’esplicitazione.

Se lo studente sembra padroneggiare il problema, può introdurre una complicazione.

Questa non è ancora una vera conoscenza dello studente nel senso forte del termine. Un modello linguistico non possiede automaticamente una rappresentazione affidabile e completa di chi ha davanti.

Ma può adattare localmente l’interazione al materiale che lo studente produce durante il dialogo.

E questo è già pedagogicamente rilevante.

Il costo della variazione tende a diminuire drasticamente

C’è una quarta caratteristica particolarmente importante quando vogliamo costruire conoscenza flessibile.

Produrre buoni esempi è costoso.

Produrre molti esempi diversi, controllando quali elementi rimangano invariati e quali cambino, lo è ancora di più.

Lo stesso vale per controesempi, analogie, casi, prospettive e livelli di complessità.

Con un sistema generativo il costo della variazione diminuisce drasticamente.

Possiamo partire da un caso e chiedere di modificarne una sola condizione.

Poi un’altra.

Possiamo mantenere il principio e cambiare completamente il contesto superficiale.

Possiamo costruire un caso nel quale una determinata strategia funzioni e uno molto simile nel quale fallisca.

Possiamo guardare lo stesso fenomeno da prospettive differenti.

Questo rende più praticabile qualcosa che la Cognitive Flexibility Theory ci suggeriva già molto prima dell’IA: attraversare ripetutamente lo stesso territorio da direzioni differenti.

La tecnologia non inventa il principio pedagogico.

Riduce il costo della sua realizzazione.

Rapidità del feedback

Anche il tempo che intercorre tra un’azione e la possibilità di rivederla può essere importante.

Nella normale organizzazione scolastica uno studente può consegnare un elaborato e ricevere un feedback giorni dopo.

A quel punto il processo cognitivo che ha prodotto quel lavoro può essere ormai lontano.

L’IA può fornire un riscontro mentre il problema è ancora aperto.

Ma dobbiamo essere precisi: la rapidità non è automaticamente un vantaggio.

Un feedback troppo rapido può impedire allo studente di cercare autonomamente una soluzione.

Una risposta immediata può eliminare proprio quella difficoltà produttiva che avrebbe potuto generare apprendimento.

Il valore non sta quindi nella velocità in sé.

Sta nella possibilità di collocare il feedback nel momento pedagogicamente opportuno.

Talvolta immediatamente.

Talvolta dopo aver lasciato allo studente il tempo di tentare.

Una conversazione che può continuare

Tutte queste caratteristiche convergono forse in quella che considero la differenza più interessante.

L’IA generativa non offre soltanto contenuti.

Può sostenere una conversazione cognitiva prolungata.

Un libro mi presenta una spiegazione.

Un video me ne presenta un’altra.

Un motore di ricerca mi permette di trovare molte informazioni.

Un modello linguistico può invece reagire alla mia risposta, utilizzare ciò che ho appena detto come materiale per il passo successivo e continuare a farlo.

Questo permette di immaginare l’IA non soltanto come fonte di conoscenza, ma come cognitive interlocutor.

La distinzione è importante.

Il valore non consiste necessariamente nella qualità delle cose che l’IA mi dice.

Può consistere nella qualità delle cose che riesce a farmi fare cognitivamente attraverso il dialogo.

Rendere ordinario ciò che prima era raro

Possiamo forse cominciare a formulare una prima risposta alla domanda con cui abbiamo aperto questo capitolo.

L’IA non rende necessariamente possibile una nuova forma di apprendimento.

Molti dei processi che può sostenere erano conosciuti e praticati molto prima della sua comparsa.

La novità potrebbe stare altrove:

L’IA può rendere ordinario ciò che pedagogicamente era desiderabile ma organizzativamente raro.

Più occasioni per spiegare.

Più occasioni per essere interrogati.

Più cicli di feedback e revisione.

Più possibilità di mettere alla prova un’idea.

Più variazioni di uno stesso problema.

Più occasioni di transfer.

Più aiuto nel momento della difficoltà.

Più possibilità di riflettere su ciò che si sta facendo.

E tutto questo potenzialmente per ogni studente.

Qui cominciamo ad avere una ragione pedagogica per prendere sul serio l’IA.

Non perché faccia qualcosa di spettacolare.

Non perché produca materiali migliori.

Non perché renda la scuola più moderna.

Ma perché potrebbe modificare la densità delle occasioni di apprendimento disponibili allo studente.

Ma abbiamo dimostrato soltanto metà della tesi

Potremmo fermarci qui e costruire una conclusione entusiastica.

Sarebbe un errore.

Le stesse caratteristiche che abbiamo appena identificato possono produrre esattamente il risultato opposto.

La disponibilità continua può trasformarsi in dipendenza continua.

Il feedback immediato può impedire di cercare autonomamente.

La variazione quasi gratuita può produrre un consumo infinito di esempi invece della loro elaborazione.

L’individualizzazione può trasformarsi nella delega individualizzata del pensiero.

Lo scaffolding può diventare protesi.

L’interlocutore cognitivo può diventare qualcuno che pensa al posto nostro.

Abbiamo quindi trovato una possibile risposta alla domanda:

Che cosa aggiunge l’IA?

Ma non abbiamo ancora risposto alla domanda più importante:

Che cosa deve continuare a fare lo studente perché questo valore aggiunto produca apprendimento?

È qui che il ragionamento diventa più difficile.

La stessa IA può aiutare a pensare o pensare al nostro posto

Abbiamo finalmente trovato alcune buone ragioni pedagogiche per prendere in considerazione l’IA.

Può aumentare la frequenza delle interazioni, rendere disponibili molti cicli di feedback e revisione, generare rapidamente variazioni, adattare localmente il dialogo a ciò che lo studente sta facendo, offrire aiuto nel momento della difficoltà.

Ma nessuna di queste caratteristiche è pedagogicamente positiva in sé.

Anzi, quasi tutte possiedono una caratteristica inquietante:

la stessa capacità che può sostenere l’attività cognitiva dello studente può anche sostituirla.

Non stiamo quindi confrontando due tecnologie, una buona e una cattiva.

È la stessa IA che può funzionare in entrambe le direzioni.

Un interlocutore cognitivo oppure qualcuno che pensa al posto mio

Abbiamo visto che l’IA può diventare un interlocutore con il quale mettere alla prova un’idea.

Posso formulare un’ipotesi, ricevere un’obiezione, rispondere, modificare la mia posizione e sottoporla nuovamente a verifica.

In questo caso la capacità linguistica della macchina genera ulteriore attività cognitiva nella persona.

Ma posso utilizzare esattamente lo stesso sistema in un altro modo:

«Qual è l’ipotesi migliore?»

«Quali obiezioni si possono fare?»

«Come si risponde a queste obiezioni?»

«Qual è la conclusione più convincente?»

Il risultato può essere persino migliore.

L’argomentazione sarà forse più ricca, le obiezioni più pertinenti, la conclusione meglio formulata.

Ma quasi tutto il lavoro cognitivo interessante sarà stato compiuto altrove.

La qualità del prodotto aumenta mentre l’attività cognitiva dello studente diminuisce.

È una possibilità che l’IA rende particolarmente insidiosa proprio perché il prodotto finale non rende visibile chi abbia compiuto il lavoro necessario per produrlo.

Feedback oppure correzione?

La stessa ambivalenza compare nel feedback.

Posso presentare un testo e chiedere:

«Indicami due punti che dovrei rivedere, senza riscriverli.»

Ricevo un’informazione, devo valutarla, decidere se accettarla, capire come modificare il testo e realizzare la revisione.

Oppure posso chiedere:

«Migliora questo testo.»

Nel secondo caso potrei ottenere un risultato molto migliore.

Ma ho eliminato quasi completamente il ciclo:

feedback → valutazione → decisione → revisione.

L’IA non mi ha aiutato a revisionare.

Ha revisionato.

La distinzione non è terminologica.

Dal punto di vista dell’artefatto le due operazioni possono condurre allo stesso risultato.

Dal punto di vista dell’apprendimento sono profondamente differenti.

Molte rappresentazioni oppure molto materiale da consumare?

La possibilità di generare spiegazioni, esempi, analogie e rappresentazioni differenti sembra perfettamente coerente con l’idea di attraversare uno stesso territorio cognitivo da più direzioni.

Ma anche qui la quantità non garantisce nulla.

Posso chiedere:

«Spiegamelo in un altro modo.»

Poi ancora:

«Fammi un esempio.»

«Usa un’analogia.»

«Spiegamelo più semplicemente.»

E continuare a consumare spiegazioni aspettando di incontrarne una che mi dia finalmente la sensazione di aver capito.

La pluralità delle rappresentazioni diventa pedagogicamente interessante soltanto se sono io a lavorare sulle relazioni tra quelle rappresentazioni.

Che cosa rende questa spiegazione diversa dalla precedente?

Che cosa rimane invariato?

Dove l’analogia funziona e dove smette di funzionare?

Quale rappresentazione è più utile per questo problema e perché?

Il criss-cross landscape non consiste nell’essere trasportati molte volte attraverso il territorio.

Consiste nell’attraversarlo.

Generare situazioni di transfer oppure effettuare il transfer

Qui la distinzione diventa ancora più evidente.

Immaginiamo che uno studente abbia appreso un principio in un determinato contesto.

Può chiedere all’IA:

«Costruisci un problema apparentemente molto diverso nel quale possa essere utile ciò che ho appena imparato. Non dirmi quale principio devo utilizzare.»

L’IA produce il nuovo terreno.

Lo studente deve riconoscere la struttura del problema, recuperare ciò che sa, decidere se sia pertinente e applicarlo.

Oppure può chiedere:

«Applica questo principio a questa nuova situazione.»

Anche in questo caso il risultato potrebbe essere perfetto.

Ma chi ha realizzato il transfer?

La macchina.

Questo esempio mostra con particolare chiarezza perché non possiamo valutare l’apprendimento osservando soltanto ciò che viene prodotto.

Il transfer effettuato dall’IA non è transfer dell’apprendimento dello studente.

Recuperare una conoscenza oppure evitare di doverla possedere

Abbiamo visto che l’IA può diventare uno strumento molto potente per il retrieval practice.

Può farmi domande, attendere la mia risposta, ritornare sui punti fragili, modificare le formulazioni.

Ma può anche eliminare quasi completamente la necessità di recuperare conoscenze.

Perché sforzarmi di ricordare qualcosa se posso ottenerlo immediatamente?

Perché ricostruire un concetto se posso farmelo spiegare ogni volta?

La disponibilità permanente di conoscenza esterna può creare una situazione nuova: posso funzionare molto bene senza riuscire più a distinguere chiaramente ciò che so da ciò a cui so accedere.

Non significa che dobbiamo memorizzare tutto ciò che una macchina può recuperare.

La conoscenza è sempre stata anche esternalizzata: nei libri, negli appunti, nelle biblioteche, nei motori di ricerca.

La questione è un’altra.

Quale conoscenza deve rimanere interna alla persona perché possa comprendere, interrogare, valutare e utilizzare quella disponibile all’esterno?

Non possiamo rispondere semplicemente: quella che serve.

Ma possiamo già riconoscere il problema:

avere continuamente accesso alla conoscenza non equivale a possederla.

Scaffolding oppure protesi cognitiva

Forse l’ambivalenza più evidente riguarda l’aiuto.

Se non riesco a compiere un’operazione, l’IA può fornirmi un indizio.

Se non basta, un suggerimento più esplicito.

Può scomporre il problema, richiamare un prerequisito, propormi un caso più semplice.

Grazie a questo sostegno riesco a fare qualcosa che da solo non sarei ancora riuscito a fare.

È la logica dello scaffolding.

Ma immaginiamo che, la volta successiva, io abbia nuovamente bisogno dello stesso aiuto.

E quella dopo ancora.

E che, invece di ridursi, il supporto diventi progressivamente più sofisticato perché la macchina diventa sempre più brava ad assistermi.

A quel punto possiamo continuare a produrre risultati eccellenti insieme.

Ma la capacità che avrebbe dovuto svilupparsi nella persona potrebbe non essersi sviluppata affatto.

L’impalcatura non viene più smontata.

È diventata parte permanente dell’edificio.

Lo scaffolding si è trasformato in protesi cognitiva.

Non c’è nulla di necessariamente negativo nelle protesi cognitive. Tutta la storia culturale umana è anche una storia di strumenti che estendono le nostre capacità.

Il problema nasce quando chiamiamo apprendimento una prestazione che continua a dipendere da un supporto esterno per svolgere proprio l’operazione che avremmo voluto sviluppare nella persona.

Persino la metacognizione può essere delegata

L’IA può fare domande molto utili:

«Perché hai scelto questa strategia?»

«Dove hai incontrato difficoltà?»

«Che cosa cambieresti se dovessi affrontare nuovamente il problema?»

Queste domande possono sostenere una riflessione metacognitiva.

Ma posso anche consegnare all’IA l’intera conversazione e chiedere:

«Analizza il mio processo di apprendimento, individua i miei punti deboli e dimmi che cosa dovrei migliorare.»

Potrei ricevere un’analisi eccellente.

Ma anche in questo caso dobbiamo chiederci:

chi ha riflettuto sul mio processo?

La metacognizione non consiste nell’avere a disposizione una buona descrizione del proprio apprendimento.

Consiste anche nel diventare capaci di monitorarlo e regolarlo personalmente.

L’IA può aiutarmi a guardare il mio pensiero.

Può anche guardarlo al posto mio.

Il problema non è quanto lavoro fa l’IA

Potremmo essere tentati di ricavare da tutto questo una regola semplice:

più fa l’IA, meno impara lo studente.

Non sarebbe corretta.

Possiamo delegare moltissime operazioni senza compromettere l’apprendimento.

Non abbiamo bisogno di svolgere mentalmente ogni calcolo, cercare manualmente ogni informazione, correggere ogni refuso o realizzare personalmente ogni operazione tecnica.

La questione non è la quantità di lavoro delegato.

È quale lavoro viene delegato rispetto a ciò che vogliamo imparare.

Se sto imparando ad argomentare, delegare la formulazione dell’argomentazione è problematico.

Se sto studiando un fenomeno storico e utilizzo l’IA per sistemare la formattazione delle mie note, probabilmente non lo è.

Se voglio sviluppare la capacità di trasferire un principio, non posso delegare sistematicamente il riconoscimento della sua applicabilità.

Se il mio obiettivo è comprendere le conseguenze di quel principio, posso invece delegare operazioni secondarie che mi permettano di concentrare il lavoro proprio su quelle conseguenze.

Non esiste quindi una quantità ideale di IA.

Esiste una domanda più precisa:

Quali operazioni cognitive deve necessariamente compiere lo studente perché si sviluppi la capacità che vogliamo fargli acquisire?

La capacità della macchina rende ancora più importante questa domanda

Con strumenti poco capaci il problema era relativamente semplice.

Se la tecnologia non poteva svolgere una determinata operazione, quella operazione rimaneva necessariamente alla persona.

Con l’IA generativa questo vincolo sta progressivamente scomparendo.

La macchina può fare sempre di più.

E proprio per questo dobbiamo decidere intenzionalmente che cosa non vogliamo che faccia.

Non perché ciò che produce sia necessariamente peggiore.

Spesso sarà migliore.

Ma perché alcune attività devono rimanere alla persona non per ottenere il prodotto, bensì per produrre apprendimento.

È qui che acquista pieno significato una formula alla quale siamo già arrivati:

Quanto più la macchina diventa capace, tanto più diventa facile farne un uso povero.

“Povero” non significa tecnologicamente elementare.

Un uso povero dell’IA può essere sofisticatissimo e produrre risultati straordinari.

È povero quando mette poco in movimento nella persona.

Allo stesso modo, un uso ricco non è quello nel quale utilizziamo funzioni più avanzate.

È quello nel quale la capacità della macchina viene progettata per provocare, sostenere e amplificare attività cognitive che rimangono dello studente.

Abbiamo quindi trovato il problema che dovrà guidare il passo successivo.

Non dobbiamo stabilire semplicemente quanto utilizzare l’IA.

Dobbiamo 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?

Siamo arrivati al punto nel quale non basta più stabilire che l’IA possa essere utile.

Dobbiamo decidere come distribuire il lavoro cognitivo tra la persona e la macchina.

Non esiste però una lista universale di operazioni che possono essere delegate e di operazioni che devono rimanere sempre allo studente.

La stessa attività può essere delegabile in una situazione e non esserlo in un’altra.

Dipende da ciò che vogliamo imparare.

Se l’obiettivo è comprendere un fenomeno storico, non è necessariamente importante che lo studente impieghi tempo a correggere la forma grafica delle proprie note.

Se l’obiettivo è imparare a scrivere, delegare sistematicamente la riformulazione del testo diventa invece problematico.

Se vogliamo sviluppare la capacità di argomentare, non possiamo affidare stabilmente all’IA la costruzione dell’argomentazione.

Se vogliamo imparare a utilizzare un principio in situazioni nuove, non possiamo far decidere sempre alla macchina quando quel principio sia applicabile.

La domanda corretta 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

Questo ci riporta al punto dal quale siamo partiti.

La sequenza non dovrebbe essere:

abbiamo l’IA → vediamo che cosa può fare → costruiamo un’attività.

Dovrebbe essere:

che cosa vogliamo che lo studente impari? → quale attività cognitiva deve compiere per impararlo? → quale parte di quell’attività può essere sostenuta dall’IA senza sostituirla?

Se voglio che uno studente impari a valutare un’argomentazione, devo creare situazioni nelle quali sia lo studente a valutare.

L’IA può generare due argomentazioni.

Può costruire una posizione deliberatamente debole.

Può introdurre un’obiezione.

Può fornire successivamente un feedback.

Ma il giudizio iniziale, l’individuazione delle debolezze e la giustificazione della valutazione devono rimanere allo studente.

Altrimenti abbiamo costruito un ottimo esercizio per mostrare ciò che l’IA sa fare.

Non necessariamente un esercizio per imparare a valutare.

L’IA può preparare il terreno; lo studente deve attraversarlo

Questa distinzione può essere utilizzata in molte situazioni.

L’IA può generare un nuovo caso.

Lo studente deve riconoscere che cosa vi sia di rilevante.

L’IA può proporre un controesempio.

Lo studente deve capire perché mette in difficoltà la propria spiegazione.

L’IA può indicare che in un testo esiste un problema.

Lo studente deve individuarne la natura e decidere come intervenire.

L’IA può formulare due interpretazioni differenti.

Lo studente deve confrontarle utilizzando criteri pertinenti.

L’IA può porre una domanda.

Lo studente deve recuperare e organizzare la conoscenza necessaria per rispondere.

L’IA può modificare una condizione del problema.

Lo studente deve stabilire se quella variazione cambi o meno la soluzione.

Potremmo sintetizzare questa distribuzione con una formula:

L’IA può preparare il terreno cognitivo. Attraversarlo deve rimanere compito dello studente.

Naturalmente non è una regola assoluta. Talvolta sarà utile osservare come l’IA attraversa quel terreno, così come osserviamo un insegnante che modella una strategia.

Ma osservare una prestazione e possederne la capacità sono due cose differenti.

Prima o poi lo studente deve fare personalmente ciò che vogliamo impari a fare.

Prima di ricevere, provare

Una seconda regola progettuale può essere molto semplice:

Quando l’operazione è importante per l’apprendimento, lo studente dovrebbe avere l’occasione di tentarla prima che l’IA la svolga.

Prima provo a spiegare.

Poi confronto la mia spiegazione con quella proposta dall’IA.

Prima cerco di risolvere il problema.

Poi chiedo un indizio.

Prima formulo una valutazione.

Poi chiedo un’obiezione.

Prima tento di recuperare ciò che so.

Poi, se necessario, accedo all’informazione.

Prima applico il principio al nuovo caso.

Poi confronto il mio ragionamento con una soluzione alternativa.

Questa semplice inversione modifica profondamente il ruolo della macchina.

L’IA non inaugura il processo fornendo ciò che serve.

Interviene su un’attività cognitiva già avviata dalla persona.

E ciò che lo studente ha prodotto prima dell’intervento diventa anche una traccia importante: permette di vedere che cosa sapeva fare autonomamente e che cosa è riuscito a fare soltanto dopo aver ricevuto aiuto.

Non tutto l’aiuto deve essere uguale

Se l’IA interviene, non deve necessariamente fornire subito tutto ciò che sa.

Anche qui possiamo progettare una progressione.

Prima una domanda.

Se non basta:

un indizio.

Poi:

un richiamo a un concetto pertinente.

Poi ancora:

la scomposizione del problema.

E soltanto quando necessario:

una spiegazione più esplicita o un modello della soluzione.

La potenza dell’IA rende paradossalmente ancora più importante trattenerla.

Un sistema capace di fornire immediatamente una risposta completa deve essere utilizzato in modo da offrire soltanto l’aiuto necessario in quel momento.

Non si tratta di impoverire artificialmente la tecnologia.

Si tratta di calibrare il sostegno sull’attività che vogliamo rimanga alla persona.

L’aiuto deve lasciare una traccia nella capacità della persona

Arriviamo così a un criterio ancora più severo.

Non basta osservare che, con l’aiuto dell’IA, lo studente riesca a fare qualcosa che prima non riusciva a fare.

È precisamente ciò che ci aspettiamo da uno scaffolding.

La domanda è che cosa accade successivamente.

La volta dopo ha bisogno dello stesso aiuto?

Ne basta uno minore?

Riconosce autonomamente il problema?

Sa utilizzare la strategia che in precedenza gli era stata suggerita?

Riesce a trasferirla a un caso differente?

In altre parole:

l’aiuto ha modificato la capacità dello studente oppure ha soltanto migliorato la prestazione ottenuta insieme alla macchina?

Questa distinzione è fondamentale.

Una buona prestazione assistita non dimostra ancora apprendimento.

Può dimostrare soltanto che studente + IA costituiscono un sistema capace di ottenere quella prestazione.

Ma a scuola ci interessa anche sapere che cosa sia cambiato nello studente.

Il fading diventa un criterio generale

Il fading viene normalmente associato allo scaffolding: l’aiuto viene progressivamente ritirato mentre aumenta la competenza.

Nell’era dell’IA possiamo forse attribuirgli un significato più ampio.

Non riguarda soltanto il suggerimento dato durante la soluzione di un problema.

Può diventare un criterio con il quale valutare molte forme di assistenza cognitiva.

All’inizio l’IA può proporre le domande.

Successivamente deve essere lo studente a imparare quali domande porre.

All’inizio può indicare quali aspetti confrontare.

Successivamente lo studente deve individuare autonomamente i criteri di confronto.

All’inizio può ricordare di verificare una fonte.

Successivamente quella verifica deve diventare una pratica dello studente.

All’inizio può sollecitare la riflessione metacognitiva.

Successivamente lo studente deve imparare a monitorare autonomamente il proprio lavoro.

Possiamo quindi estendere la domanda dello scaffolding:

Quanta parte della regolazione che oggi affidiamo all’IA vogliamo che domani appartenga alla persona?

Con l’IA e senza l’IA

Questo porta a una conseguenza che potrebbe apparire paradossale.

Se utilizziamo intenzionalmente l’IA per apprendere, dobbiamo progettare anche momenti nei quali non la utilizziamo.

Non come punizione.

Non per nostalgia di una scuola precedente.

Ma perché abbiamo bisogno di distinguere ciò che lo studente riesce a fare con un sistema esterno da ciò che è diventato capace di fare autonomamente.

Se una conoscenza deve essere disponibile internamente, dobbiamo creare occasioni nelle quali venga recuperata senza consultare l’IA.

Se vogliamo sviluppare una capacità di valutazione, dobbiamo osservare lo studente mentre valuta senza ricevere immediatamente il giudizio della macchina.

Se vogliamo verificare il transfer, dobbiamo proporre una situazione nuova nella quale sia lo studente a riconoscere autonomamente che cosa utilizzare.

L’uso pedagogicamente intenzionale dell’IA richiede quindi anche spazi intenzionalmente senza IA.

Sono i momenti nei quali possiamo osservare che cosa l’interazione precedente abbia lasciato nella persona.

Non dobbiamo rendere autonomo lo studente da ogni strumento

Anche qui serve una cautela.

L’obiettivo non può essere una fantomatica autosufficienza cognitiva.

Gli esseri umani hanno sempre pensato con strumenti, altre persone, testi, rappresentazioni esterne e tecnologie.

Un professionista competente non è quello che sa fare tutto senza alcun supporto.

È anche quello che sa quale supporto utilizzare, quando utilizzarlo, come valutarne il risultato e quando non affidarsi ad esso.

La sovranità cognitiva non consiste quindi nel rifiuto della delega.

Consiste nella capacità di governarla.

Possedere sufficiente conoscenza per sapere che cosa chiedere.

Comprendere abbastanza per riconoscere una risposta problematica.

Sapere quando verificare.

Decidere quali operazioni affidare allo strumento e quali mantenere.

Essere capaci, quando necessario, di procedere senza di esso.

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

A questo punto il percorso comincia a diventare operativo.

Prima definiamo che cosa vogliamo che lo studente impari.

Poi individuiamo quali operazioni cognitive deve compiere perché quell’apprendimento possa avvenire.

Soltanto dopo chiediamo quali di queste attività l’IA possa sostenere, amplificare o rendere più praticabili.

Decidiamo quindi che cosa può essere delegato e che cosa deve rimanere allo studente.

Progettiamo come e quando l’aiuto debba diminuire.

Infine verifichiamo non soltanto la qualità del prodotto ottenuto, ma che cosa lo studente sia diventato capace di fare.

La sequenza è quindi:

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 provare a rispondere.

Alla fine, che cosa rimane allo studente?

Abbiamo utilizzato più volte una parola: autonomia.

Potrebbe però essere fraintesa.

Non significa che, dopo un periodo di apprendimento, lo studente debba riuscire a fare tutto senza strumenti, senza libri, senza altre persone e senza IA.

Una parte importante delle capacità umane consiste proprio nel saper utilizzare risorse esterne.

La domanda è più precisa:

Che cosa deve diventare patrimonio della persona perché possa continuare a comprendere, decidere e agire anche utilizzando risorse esterne?

È una domanda che esisteva molto prima dell’Intelligenza Artificiale.

Ma l’IA la rende più difficile perché può esternalizzare non soltanto informazioni, ma anche operazioni cognitive.

Non esternalizziamo più soltanto conoscenza

Abbiamo sempre depositato conoscenza fuori dalla nostra mente.

Un libro conserva informazioni che non dobbiamo ricordare.

Una tabella ci evita di memorizzare dati.

Una calcolatrice esegue operazioni.

Un motore di ricerca ci permette di trovare ciò che non sappiamo.

L’IA generativa introduce però qualcosa di diverso.

Non si limita a rendere disponibile un contenuto.

Può confrontarlo.

Sintetizzarlo.

Interpretarlo.

Costruire un’argomentazione.

Formulare un’ipotesi.

Individuare un’obiezione.

Applicare un principio.

Revisionare un testo.

Suggerire una decisione.

In altre parole, possiamo esternalizzare non soltanto ciò che sappiamo, ma una parte crescente di ciò che facciamo cognitivamente con ciò che sappiamo.

È questo che rende insufficiente la vecchia domanda:

Che cosa deve sapere lo studente, se può trovare tutto fuori?

Oggi dobbiamo 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

Potremmo essere tentati di pensare che, quanto più diventa potente la conoscenza esterna, tanto meno sia necessario costruirne una interna.

Accade probabilmente il contrario.

Per formulare una domanda significativa devo possedere una rappresentazione del problema.

Per valutare una risposta devo avere criteri.

Per accorgermi che qualcosa non torna devo sapere abbastanza da percepire l’anomalia.

Per confrontare due interpretazioni devo comprendere gli elementi che sto confrontando.

Per decidere se verificare un’affermazione devo essere in grado almeno di riconoscerne la rilevanza e la plausibilità.

Per trasferire una conoscenza devo averne costruito una rappresentazione sufficientemente stabile e flessibile.

L’accesso a una quantità enorme di conoscenza esternalizzata non elimina quindi la necessità della conoscenza interna.

Ne modifica probabilmente la funzione.

Non dobbiamo necessariamente sapere tutto ciò che possiamo recuperare.

Ma dobbiamo:

sapere abbastanza per poter sapere di più.

Anche la capacità di interrogare dipende da ciò che sappiamo

Questo vale persino per una delle competenze che vengono spesso presentate come nuove e decisive nell’era dell’IA: saper formulare buoni prompt.

Se non conosco un dominio, posso certamente formulare una richiesta.

Ma difficilmente saprò quali domande siano importanti.

Non saprò riconoscere ciò che manca.

Non saprò chiedere una distinzione della quale ignoro l’esistenza.

Non saprò facilmente individuare una risposta apparentemente convincente ma concettualmente debole.

Per questo preferisco parlare di questioning piuttosto che semplicemente di prompting.

Il prompting può essere una competenza tecnica: imparare a formulare istruzioni che producano un determinato risultato.

Il questioning è qualcosa di più profondo.

Significa saper trasformare ciò che sappiamo e ciò che non sappiamo in domande capaci di far avanzare la comprensione.

E questa capacità non nasce dal vuoto.

Più l’interlocutore artificiale diventa capace di rispondere, più diventa importante la qualità intellettuale delle domande che siamo in grado di porgli.

Sapere quando non fidarsi

La stessa cosa vale per la verifica.

Potremmo insegnare agli studenti una regola:

“Controllate sempre quello che dice l’IA.”

Ma è una regola poco praticabile.

Se devo verificare sistematicamente ogni affermazione attraverso altre fonti, perdo una parte consistente dell’utilità dello strumento.

Nella vita reale non verifichiamo tutto.

Decidiamo che cosa merita di essere verificato.

E per decidere abbiamo bisogno di conoscenza, esperienza, criteri e consapevolezza delle conseguenze dell’errore.

Una data marginale in una prima esplorazione e un’informazione sulla quale baseremo una decisione importante non richiedono lo stesso livello di controllo.

La competenza non consiste quindi soltanto nel saper verificare.

Consiste anche nel sapere quando dobbiamo farlo.

Ed è ancora una volta una decisione che non possiamo delegare interamente al sistema che dovremmo controllare.

L’autonomia non è fare tutto da soli

Comincia così a emergere una concezione diversa dell’autonomia.

Autonomo non è chi rifiuta gli strumenti.

È chi mantiene la capacità di governare il rapporto con gli strumenti.

Sa che cosa affidare loro.

Sa perché lo sta affidando.

Sa valutare quando il risultato è sufficiente.

Sa riconoscere le situazioni nelle quali è necessario aumentare il controllo.

Sa quali capacità non può permettersi di perdere.

Sa quando utilizzare l’IA per estendere il proprio pensiero e quando spegnerla perché ha bisogno di verificare che quel pensiero sia diventato anche suo.

Questa è una forma di sovranità cognitiva.

Non consiste nel conservare gelosamente ogni operazione all’interno della persona.

Consiste nel mantenere il controllo sulla distribuzione delle operazioni tra persona e ambiente.

Ma come sappiamo che qualcosa è rimasto?

Qui ritorniamo inevitabilmente alla scuola.

Se uno studente produce insieme all’IA un’ottima argomentazione, che cosa ha imparato?

Se risolve con il suo supporto un problema complesso, che cosa sa fare?

Se costruisce una ricerca ricca e accurata, quali conoscenze possiede?

Il prodotto, da solo, non basta più a rispondere.

Abbiamo bisogno di evidenze differenti.

Possiamo chiedere allo studente di spiegare le decisioni prese.

Di giustificare una scelta.

Di ricostruire il percorso.

Di rispondere a un’obiezione non prevista.

Di utilizzare ciò che ha imparato in una nuova situazione.

Di affrontare alcuni passaggi senza assistenza.

Di distinguere ciò che ha fatto personalmente da ciò che è stato affidato all’IA.

Di riflettere su quando l’aiuto sia stato necessario e su quando abbia smesso di esserlo.

La valutazione deve quindi spostarsi almeno in parte dal prodotto alla padronanza che il prodotto dovrebbe testimoniare.

Non perché il prodotto non abbia più importanza.

Ma perché la relazione tra qualità del prodotto e apprendimento della persona è diventata molto meno trasparente.

Con l’IA, senza l’IA, dopo l’IA

Potremmo allora distinguere tre momenti.

Con l’IA possiamo osservare come lo studente utilizza uno strumento potente: quali domande formula, che cosa delega, come reagisce alle risposte, quali verifiche compie, come integra ciò che riceve.

Senza l’IA possiamo osservare quali conoscenze e capacità siano disponibili autonomamente quando riteniamo che debbano esserlo.

Ma esiste anche un terzo momento, forse il più interessante:

dopo l’IA.

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 sa riconoscere?

Quale domanda ha imparato a porsi?

Quale conoscenza riesce a recuperare?

Quale problema riesce ad affrontare con meno aiuto?

È qui che possiamo cercare una traccia dell’apprendimento.

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 ciò che appartiene all’uomo e ciò che appartiene alla macchina.

Quella frontiera continuerà a muoversi.

Operazioni che oggi consideriamo complesse potranno essere delegate domani con la stessa naturalezza con cui oggi utilizziamo una calcolatrice.

La questione educativa è un’altra.

Dobbiamo decidere, di volta in volta:

quali conoscenze e quali operazioni cognitive devono rimanere sufficientemente nella persona perché possa continuare a comprendere, scegliere, valutare e governare ciò che delega.

Non esiste probabilmente una risposta valida una volta per tutte.

Dipenderà dagli obiettivi dell’apprendimento, dall’età, dal dominio, dalle conseguenze dell’errore e dal tipo di attività.

Ma abbiamo almeno individuato il criterio.

Non dobbiamo difendere il lavoro umano dalla macchina perché è umano.

Dobbiamo proteggere e sviluppare quel lavoro cognitivo che è necessario perché la persona rimanga padrona delle proprie decisioni e dei propri apprendimenti.

A questo punto possiamo finalmente tornare alla domanda dalla quale siamo partiti:

Perché dovremmo usare l’IA a scuola?

Adesso possiamo provare a darle una risposta.

Allora, perché usare l’IA a scuola?

Siamo partiti da una domanda apparentemente semplice:

Perché dovremmo usare l’IA per imparare?

Abbiamo escluso subito la risposta più facile: perché c’è.

L’esistenza di una tecnologia non costituisce una ragione pedagogica per utilizzarla.

Abbiamo quindi fatto il percorso contrario.

Abbiamo lasciato inizialmente l’IA fuori dalla porta e siamo tornati ad alcune questioni che pedagogia, didattica e ricerca sull’apprendimento affrontano da molto prima della sua comparsa.

Abbiamo visto che imparare richiede attività cognitiva: elaborare, spiegare, interrogare, collegare.

Che comprendere qualcosa mentre lo abbiamo davanti non significa necessariamente riuscire a recuperarlo e utilizzarlo successivamente.

Che il nostro pensiero ha bisogno di incontrare resistenza: errori, feedback, obiezioni, controesempi.

Che una conoscenza robusta deve poter essere attraversata da prospettive differenti e utilizzata in situazioni nuove.

Che abbiamo bisogno di aiuto per riuscire a fare ciò che ancora non sappiamo fare autonomamente, ma che quell’aiuto deve progressivamente diminuire.

Che dobbiamo imparare anche a monitorare e regolare il nostro stesso apprendimento.

E che tutto questo richiede una base di conoscenza interna: dobbiamo sapere abbastanza per poter sapere di più.

Soltanto a quel punto abbiamo fatto entrare l’IA.

Abbiamo trovato qualche buona ragione

La prima conclusione è che sì, esistono buone ragioni pedagogiche per utilizzare l’IA nell’apprendimento.

Non principalmente perché possa spiegare meglio di un libro.

Non perché sappia produrre rapidamente materiali.

Non perché renda più efficiente la scuola.

E neppure perché gli studenti dovranno imparare a utilizzarla nel mondo nel quale vivranno, ragione certamente importante ma differente da quella che abbiamo cercato qui.

La ragione pedagogica che è emersa riguarda ciò che l’IA può rendere possibile nella stessa attività di apprendimento.

Può offrire a ogni studente un interlocutore con il quale formulare, spiegare, confrontare e mettere alla prova idee.

Può moltiplicare i cicli di tentativo, feedback e revisione.

Può creare rapidamente casi, variazioni, controesempi e prospettive differenti.

Può costruire situazioni nelle quali recuperare e utilizzare conoscenze.

Può fornire un aiuto graduato nel momento in cui emerge una difficoltà.

Può sostenere una riflessione sul proprio processo.

Quasi nulla di tutto questo era impossibile prima.

Ma molto era difficile da realizzare frequentemente, individualmente e attraverso interazioni prolungate.

Per questo la specificità pedagogicamente interessante dell’IA potrebbe essere espressa così:

Può rendere ordinario ciò che pedagogicamente era desiderabile ma organizzativamente raro.

Può aumentare quella che potremmo chiamare la densità delle occasioni di apprendimento.

Questa è una buona ragione per utilizzarla.

Ma non è ancora sufficiente.

Perché la stessa IA può sottrarre esattamente ciò che dovrebbe aggiungere

La seconda conclusione è altrettanto importante.

Tutte le capacità che abbiamo appena considerato possono essere utilizzate nella direzione opposta.

L’interlocutore può formulare l’argomentazione al posto dello studente.

Il feedback può diventare riscrittura.

Il controesempio può essere non soltanto generato, ma anche interpretato dalla macchina.

La variazione dei casi può trasformarsi in una quantità crescente di materiale consumato passivamente.

L’IA può costruire una situazione di transfer oppure effettuare essa stessa il transfer.

Può offrire scaffolding oppure diventare una protesi cognitiva permanente.

Può stimolare la metacognizione oppure produrre direttamente l’analisi del processo che lo studente avrebbe dovuto imparare a compiere.

La capacità della tecnologia non determina quindi il valore pedagogico del suo utilizzo.

Anzi:

Quanto più la macchina diventa capace, tanto più diventa facile farne un uso povero.

Non perché una macchina più capace produca necessariamente meno apprendimento.

Ma perché aumenta continuamente il numero delle operazioni che possiamo scegliere di non fare più.

La domanda decisiva diventa: chi deve fare che cosa?

È probabilmente questo il cambiamento più importante che l’IA introduce nella progettazione didattica.

Non possiamo più limitarci a scegliere attività.

Dobbiamo progettare anche una divisione intenzionale del lavoro cognitivo tra studente e macchina.

La sequenza dovrebbe essere:

Che cosa vogliamo che lo studente impari?

↓

Quali attività cognitive deve compiere perché quell’apprendimento possa avvenire?

↓

In che modo l’IA può rendere quelle attività più frequenti, ricche, varie, accessibili o sostenibili?

↓

Quali operazioni possiamo affidare alla macchina e quali devono rimanere allo studente?

↓

Quale aiuto deve progressivamente diminuire?

↓

Come verificheremo che qualcosa sia realmente diventato capacità della persona?

Questa sequenza rovescia quella con cui troppo spesso introduciamo le tecnologie nella scuola.

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 alcun obbligo pedagogico di utilizzarla.

Non sempre usare l’IA sarà la scelta migliore

Questa conclusione merita di essere esplicitata.

Se una determinata attività può essere svolta altrettanto bene senza IA, non esiste necessariamente una ragione per introdurla.

Se la sua presenza aumenta la complessità senza migliorare le condizioni dell’apprendimento, possiamo lasciarla fuori.

Se rende troppo facile evitare proprio l’attività cognitiva che vogliamo sviluppare, possiamo limitarne l’uso.

Se abbiamo bisogno di capire che cosa lo studente sappia fare autonomamente, possiamo creare intenzionalmente momenti senza IA.

Usare consapevolmente l’Intelligenza Artificiale significa quindi anche sapere quando non usarla.

Non è una posizione contro la tecnologia.

È semplicemente progettazione didattica.

Non dobbiamo difendere la fatica

Questo articolo era nato durante una riflessione su un’altra domanda: con l’IA studenti e insegnanti lavoreranno di più o di meno?

La domanda ci aveva portato a osservare che un uso pedagogicamente ricco dell’IA può persino aumentare alcune forme di lavoro: più interrogazione, più confronto, più revisione, più verifica, più progettazione.

Ma sarebbe un errore trasformare questo in un valore.

Non dobbiamo difendere la fatica.

Se possiamo ottenere lo stesso apprendimento con meno lavoro inutile, tanto meglio.

L’IA può liberarci da molte operazioni meccaniche e permetterci di concentrare l’attività su ciò che conta.

La questione non è quindi quanto lavora lo studente.

È dove si trova il lavoro cognitivo che produce l’apprendimento.

Possiamo ridurre enormemente il lavoro necessario per produrre un artefatto e, nello stesso tempo, aumentare la qualità dell’elaborazione necessaria per comprenderlo, discuterlo, valutarlo e utilizzarlo.

Il criterio non è la fatica.

È la trasformazione.

La risposta, allora

Possiamo finalmente provare a rispondere alla domanda iniziale.

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 è una risposta semplice.

Non produce una lista di strumenti da usare.

Non ci dice che l’IA debba essere sempre presente.

Ci obbliga, anzi, a decidere di volta in volta.

Ma forse è proprio questo ciò che dovremmo chiedere a un criterio pedagogico.

Non dirci quale tecnologia utilizzare.

Aiutarci a capire perché utilizzarla.

E alla fine dobbiamo tornare alla persona

C’è una domanda che può accompagnare qualunque attività didattica nella quale introduciamo l’IA.

Non:

Che cosa siamo riusciti a produrre con l’IA?

E neppure soltanto:

Che cosa siamo riusciti a fare con l’IA?

Ma:

Che cosa siamo diventati capaci di fare grazie al lavoro svolto con l’IA?

La differenza è piccola soltanto linguisticamente.

Nel primo caso guardiamo il prodotto.

Nel secondo guardiamo la prestazione assistita.

Nel terzo guardiamo l’apprendimento.

Ed è quest’ultimo, alla fine, il motivo per cui l’IA dovrebbe entrare a scuola.