Che cosa possiamo capire dell’apprendimento di uno studente da un ottimo lavoro prodotto con l’IA?
Sei qui: Ask System → L’IA a scuola → Valutazione
Molto meno di quanto potevamo pensare in passato. Un ottimo lavoro prodotto con l’IA ci dice certamente qualcosa sul prodotto. Non ci dice necessariamente che cosa lo studente abbia imparato producendo quel lavoro.
Questa distinzione diventa decisiva quando l’IA può contribuire alla formulazione delle idee, alla scrittura, all’organizzazione, alla revisione e perfino alla soluzione del problema che avevamo assegnato.
Un buon prodotto non è una prova diretta di apprendimento
Anche prima dell’IA il prodotto finale non coincideva con l’apprendimento. Da un elaborato potevamo inferire alcune conoscenze e capacità dello studente, ma si trattava comunque di un’inferenza.
Con l’IA questa inferenza diventa molto più fragile. Due studenti possono consegnare lavori di qualità simile avendo svolto attività cognitive completamente diverse. Uno può aver costruito personalmente il ragionamento utilizzando l’IA per metterlo alla prova; l’altro può aver accettato quasi integralmente ciò che l’IA gli ha proposto.
Il prodotto può essere quasi identico. L’apprendimento sottostante può essere profondamente diverso.
Il problema non è soltanto scoprire quanto ha fatto l’IA
Potremmo allora cercare di stabilire quale parte del lavoro sia stata prodotta dallo studente e quale dall’IA. Ma anche questa distinzione non basta.
Uno studente potrebbe utilizzare molte parole generate dall’IA dopo aver definito il problema, guidato l’interazione, confrontato alternative, individuato errori, modificato le proposte e assunto consapevolmente le decisioni finali. Un altro potrebbe scrivere personalmente gran parte del testo limitandosi a rielaborare superficialmente una soluzione costruita dall’IA.
La quantità di materiale prodotto dalla macchina non misura quindi la quantità di pensiero dello studente.
Per valutare l’apprendimento non dobbiamo chiederci soltanto quanto del prodotto abbia fatto lo studente, ma quale lavoro cognitivo abbia svolto mentre lo costruiva.
Dobbiamo cercare altre tracce dell’apprendimento
Se il prodotto finale non basta più, dobbiamo rendere maggiormente visibile il processo che lo ha generato.
Possiamo osservare le domande poste all’IA, le alternative considerate, gli errori riconosciuti, le revisioni effettuate e le ragioni delle decisioni prese. Possiamo chiedere allo studente di spiegare il proprio lavoro, difendere una scelta, rispondere a un’obiezione, modificare la soluzione quando cambiano le condizioni o applicare ciò che ha appreso a un problema nuovo.
Queste non sono semplicemente strategie per controllare se lo studente abbia “imbrogliato”. Sono fonti di evidenza sull’apprendimento.
Una domanda particolarmente importante è: che cosa rimane?
Se vogliamo sapere che cosa uno studente ha imparato lavorando con l’IA, possiamo anche ridurre progressivamente l’aiuto e osservare ciò che riesce ancora a fare.
Sa spiegare il problema senza consultare la conversazione? Sa riconoscere una soluzione sbagliata? Sa utilizzare ciò che ha imparato in una situazione differente? Sa giustificare le proprie decisioni?
Ciò che lo studente riesce a comprendere e a fare quando il sostegno diminuisce ci offre informazioni che il prodotto realizzato con l’IA, da solo, non può fornirci.
Il prodotto rimane importante, ma cambia il suo significato
Non dobbiamo per questo smettere di valutare ciò che gli studenti producono. Un prodotto può mostrare qualità, rigore, appropriatezza e capacità di utilizzare efficacemente strumenti complessi.
Ma dobbiamo evitare un passaggio che con l’IA diventa particolarmente rischioso: dalla qualità del prodotto alla qualità dell’apprendimento.
Un ottimo lavoro prodotto con l’IA ci permette quindi di dire che abbiamo davanti un ottimo lavoro. Per sapere che cosa abbia realmente imparato lo studente, abbiamo bisogno di qualcosa in più: tracce del processo, spiegazioni, decisioni, giustificazioni e capacità che continuano a manifestarsi oltre quel prodotto.
Per approfondire
