Chat GPT a scuola, ecco come potrebbe cambiare la didattica

  • 0
  • 310 views

Nel campo dell’apprendimento e dell’educazione è ancora molto presto per valutare in maniera ponderata quali potenzialità e quali implicazioni siano correlate all’avvento dei “modelli conversazionali” di intelligenza artificiale, tipo ChatGPT.

L’affermarsi di questi “assistenti cognitivi”, mette sicuramente maestri, insegnati e docenti, e più in generale le istituzioni educative di fronte a nuove opportunità ma anche a nuove sfide. Proviamo ad analizzarle a partire da uno studio realizzato di IIkka Tuomi, (2018) che ha redatto per la Commissione Europea un report dal significativo tiolo The Impact of Artificial Intelligence on Learning, Teaching, and Education. 

Scuola 4.0, PNRR ultima chance: ecco come cambierà il sistema formativo

Che cosa sono gli “assistenti cognitivi” per l’apprendimento

Più in dettaglio il gruppo di lavoro del Joint Research Center UE ha analizzato, a titolo di esempio, l’impatto potenziale dell’intelligenza artificiale sui compiti che normalmente svolge un insegnante di una scuola secondaria di prima grado. Come risulta chiaro dalla tabella qui sotto l’effetto dell’applicazione di strumenti come gli “agenti conversazionali” sono molto rilevanti e riguardano quasi tutti gli ambiti della professione docente, in particolare ne segnaliamo alcuni che in seguito approfondiremo:

Immagine che contiene tavolo Descrizione generata automaticamente
  1. la possibilità di adattare le metodologie e i materiali didattici alle differenti esigenze ed interessi degli studenti;
  2. la gestione amministrative delle carriere degli studenti e la loro analisi;
  3. le metodologie di valutazione dei progressi scolastici degli studenti;
  4. l’allestimento delle aule e del materiale per le attività di classe;
  5. lo svolgimento delle lezioni, delle spiegazioni e delle discussioni in una o più materie, in particolare in inglese, matematica o nelle discipline sociali;
  6. la possibilità di assistere gli studenti che necessitano di un aiuto supplementare, ad esempio attraverso il tutoraggio, la preparazione e l’implementazione di programmi di recupero;
  7. le modalità di assegnare i compiti e di correggerli;
  8. l’applicazione delle politiche e delle norme dell’amministrazione che regolano vita dei discenti;
  9. la comunicazione con i genitori sui progressi degli studenti.

Ora proviamo ad ipotizzare più in concreto a quali trasformazioni andrebbe incontro una scuola italiana, che nell’ambito dell’applicazione del Piano Scuola 4.0 nel 2023, volesse sperimentare gli “agenti conversazionali” come Chat GPT-4 o le applicazioni per la produttività individuale e collettiva, come Office 365, potenziate dall’intelligenza artificiale che Microsoft ha annunciato presentando 365Copilot e il suo prossimo rilascio. Proviamo, perciò, a svolgere questo esercizio analizzando più nel dettaglio alcuni item “al alto impatto” che sono stati enumerati dal report del Joint Research Center del Unione Europea.

Adattare i metodi di insegnamento e i materiali didattici per soddisfare i diversi bisogni e interessi degli alunni (item a. Tuomi, 2018)

È sorprendente la capacità degli “agenti conversazionali”, come Chat GPT, di generare esercizi delle più svariate tipologie e sui temi disciplinari più disparati. Attraverso prompt opportunamente congegnati, l’intelligenza artificiale permette di ottenere gli esercizi e la loro risoluzioni in tempi molto rapidi. In questo modo l’insegnante può personalizzare (Dabbagh, Kitsantas, 2012). l’apprendimento in maniera semplice ed efficacie e può generare set di esercizi per il recupero (punto f del report JRC) oppure per gli studenti che voglio approfondire un determinato argomento.

Paiono realizzarsi così le previsioni di David Clark nel suo Artificial intelligence for learning: How to build intelligent systems that learn with you (2021). Se si inseriscono prompt adeguati, e cioè si descrivere in modo chiaro e preciso il compito che l’intelligenza artificiale conversazionale deve svolgere, si potranno ottenere esercizi personalizzati in tempi rapidissimi. Facciamo alcuni esempi:

  • “genera a partire dai concetti di spazio e di tempo che Kant delinea nella Critica della ragion pura quattro domande di verifica delle conoscenze”;
  • “genera tre esercizi sui polinomi per la scuola superiore di primo grado”;
  • “formula quattro domande sulla storia della Roma Repubblicana adatte a studenti del. biennio della scuola superiore”;
  • “genera tre esercizi a completamento sul past continuos per la classe terza della scuola superiore di primo grado”;
  • “compila un programma in Basic che permetta l’accensione successiva di tre lampadine e formula quattro domande che permettano di esercitarsi sul programma”
  • “compila un programma in C ++ che permetta di disegnare una parabola e proponi tre esercizi che permettano di esercitarsi su questo programma”;

Si potrebbe continuare a lungo costruendo “prompt” specifici per le differenti discipline che compongono i programmi di ogni ordine di scuola presente in Italia. Basta inserire i “prompt” esemplificativi che abbiamo appena elencato nella finestra di Dialogo di ChatGPT 3 o 4, per rendersi conto di quanto si possa migliorare la personalizzazione dei materiali e delle attività di apprendimento per adeguarle agli interessi, alle inclinazioni e alle difficoltà dei singoli studenti.

Tutto questo ovviamente al netto di una adeguata formazione degli insegnanti sulle competenze digitali per l’educazione e sull’utilizzo dei sistemi di intelligenze artificiale di supporto all’apprendimento.

Progettare, somministrare e valutare i test e le esercitazioni per valutare i progressi degli studenti 

Quello della progettazione, somministrazione e valutazione di test ed esercitazioni (item c. Tuomi, 2018) è uno degli ambiti in cui l’intelligenza artificiale è più facilmente spendibile, già da subito, nell’ambito della pratica didattica. Abbiamo visto più sopra alcuni esempi di esercizi per la personalizzazione dell’apprendimento. Allo stesso modo gli “agenti conversazionali” possono generare esercizi e test di verifica con estrema facilità. Non occorre, infatti, una piena digitalizzazione dell’ambiente di apprendimento della scuola, ma basta un notebook per utilizzare le AI, ad oggi disponibili gratuitamente, per generare con molta facilità test delle più svariate tipologie: a scelta multipla, a domanda aperta, di completamento, di ordinamento, vero o falso ecc.

Si possono, ovviamente, ottenere dal sistema anche le soluzioni dei test, che permettono una correzione molto più rapida ed efficacie delle verifiche proposte ad allievi e studenti. Si potranno in questo modo preparare più velocemente le verifiche ma, e questo è un aspetto più interessante, si potrà proporle agli studenti più facilmente e frequentemente, anche alla fine di ogni attività in classe. Un maggior numero di valutazioni di processo, permetterà di mantenere più allineate le competenze degli allievi e degli studenti di una classe e in prospettiva di diminuire gli “abbandoni”.

E’ evidente anche, ad là del lavoro dei singoli insegnati e ad un livello più di sistema – ci riferiamo a livello di plesso o di scuola – come in presenza di un LMS o di VLE che raccolga buona parte delle interazioni e delle attività e i compiti assegnati ad un allievo durante la sua carriera scolastica, l’intelligenza artificiale, debitamente programmata, potrà analizzare i data set degli alunni (in altre parole i Learning Analytics, Ferri, 2019) anche in funzione pro-attiva e cioè aiutare gli insegnanti a comprendere meglio sulla base dei dati (approccio data driven) le necessità e i bisogni dei singoli studenti, permettendo al corpo docente di modulare meglio la progettazione didattica.

Infine, l’intelligenza artificiale potrebbe automatizzare e velocizzando gli adempimenti necessari per gli scrutini finali oltre all’archiviazione annuale delle carriere degli studenti (item. b., Tuomi, 2018).

Preparare materiali da utilizzare in classe 

Gli “agenti conversazionali” basati sull’intelligenza artificiale, oltre alla semplice ricerca on-line, nella quale non sono all’altezza o non si differenziano molto da Google, possono fornire idee su come strutturare la progettazione didattica di unità di apprendimento o di singole attività (item d., Tuomi, 2018), sulla base ad esempio di metodologie consolidate quali il Conversational framework (Laurillard, 2012) o la “tassonomia di Bloom” (Anderson, Krathwohl, Bloom, 2001.

Allo stesso modo possono fornire spunti creativi agli insegnanti per la progettazione di una didattica più laboratoriale, come vuole il PNRR, e di attività cooperative come Webquest, Fieldtrip e giochi didattici da condurre in classe. Esempi di prompt potrebbero essere in questo caso; “crea una Webquest, individuando i siti da cui partire, sul movimento dei Macchiaioli” oppure “genera un gioco didattico attraverso il quale gli allievi suddivisi per gruppi possano apprendere il ciclo dell’acqua”. Se si inseriscono nella finestra di dialogo di Chat GPT questi prompt l’intelligenza artificiale fornisce istruzioni dettagliate, siti da consultare e modalità di svolgimento e valutazione dell’attività.

Inoltre, gli “agenti conversazionali” possono essere utilizzati per coinvolgere gli studenti e supportare l’insegnante ad esempio nella gestione di una lezione partecipata o di un debate (prompt: “Crea lo schema di un debate da condurre in classe sul tema della procreazione assistita”) in questo caso, come nei precedenti, l’intelligenza artificiale sulla base del prompt fornito serve ad avviare la discussione sviluppando una serie di argomenti “a favore” e “un serie di argomenti contrari” ed offre spunti per gestire la discussione. L’IA nella migliore delle ipotesi potrebbe, perciò, configurarsi come assistente – “omnisciente” ma non pensate . per fornire un supporto alla creatività del docente.

Permettere un tutoraggio specifico mediante materiali, discussioni e dimostrazioni in una o più materie 

Anche quello del tutoraggio specifico mediante materiali, discussioni e dimostrazioni in una o più materie (item 7, Tuomi, 2018) è un campo di applicazione molti interessante anche se non è possibile ancora parlare di “tutor disciplinari specifici”, se non pionieristici. L’insegnante può predisporre utilizzando ad esempio le potenzialità di Microsoft Graph e dell’annunciato Microsoft Copilot un base dati di testi e attività ed esercitazioni (nelle lingue, in matematica e fisica, o nella programmazione, ma anche nelle discipline umanistici) che potrebbero essere rese disponili agli studenti tramite l’account della scuola e della classe e sui quali gli studenti possano esercitarsi ed avere in tempo reale o differito, a seconda delle scelte dell’insegnante, una correzione “autorevole”, basata cioè sul data sets proposti dall’insegnante o dalla scuola, e non semplicemente sui dati presenti o ricavati dal Web dall’intelligenza artificiale.

“Modelli conversazionali” di questo tipo erano stati già realizzati prima del comparire degli attuali ChatBot basati sulla tecnologia dei Large Language Model. Possiamo citare ad esempio, Deep-speare, un modello di machine learning addestrato su 2700 sonetti del bardo che genera componimenti poetici che molti lettori non sanno distinguere dalle composizioni del poeta (Lau, 2018). Oppure ancora la “base dati conversazionale” dedicata a La poetessa saffo realizzata da Alessandro Iannella (Iannella, Labrunda, Santercole., Viti, 2021 pp. 120-151; Trentin, 2021). L’analisi del funzionamento di questi Chat Bot, che avevano un Data Set molto più limitato degli attuali, può essere utile per progettare quelli futuri. Nel caso delle lingue straniere, poi, alcune imprese private già rendono disponibili tool on-line di tutoring basati sull’ intelligenza artificiale per fare pratica di conversazione, integrando anche tool di correzione automatica.

Definire obiettivi di apprendimento chiari per tutte le lezioni, le unità e i progetti e comunicare questi obiettivi agli studenti (item h, Tuomi, 2018).

I “modelli conversazionali” ad oggi disponibili permettono sulla base della descrizione dei contenuti di un Corso universitario o del programma Ministeriale di una materia di definire gli outcome dei Risultati di Apprendimento Attesi (RAA) sulla base di modelli consolidati di definizioni di questi out come quali ad esempi i “descrittori di Dublino” o ad esempi di modelli progettazione didattica quali, la giù citata, tassonomia di Bloom (Anderson, Krathwohl, Bloom, 2001), agevolando in questo modo il lavoro di progettazione e programmazione degli insegnanti e dei maestri e una più concreta ed efficiente stesura del PTOF.

Conclusioni

In questo contributo abbiamo provato tracciare una prima mappa “euristica” del possibile uso didattico dei Large Language Model, in realtà solo dei primi che abbiamo a disposizione cioè Chat GPT 3 e 4. Si tratta ovviamente di un contributo parziale e sicuramente incompleto che proponiamo all’ampio dibattito in atto su questo tema. Siamo consapevoli che l’hype e il clamore che si è generato sui media rispetto a questo tipo di tecnologie, insieme all’oggettiva mancanza di sperimentazioni validate sul campo – a scuola e nei contesti formativi – impedisce la giusta distanza critica ed una valutazione obiettiva dell’efficacia di questi strumenti. Il nostro intento è quello avviare una ricerca che abbia come obiettivo quello di comprendere se e come di “agenti conversazionali” di nuova generazione possano migliorare le strategie di apprendimento/insegnamento nelle nostre scuole e università. Ad una prima analisi possiamo ipotizzare due possibili conclusioni provvisorie:

a. i campi più promettenti paiono quelli della personalizzazione, della valutazione, della didattica adattiva, del tutoraggio e del feedback personalizzato e in prospettiva quello della progettazione didattica evidence based.

b. In secondo luogo ma è forse il tema più importante, risulta chiaro che le attività che si prestano maggiormente ad essere “assistite” se non “automatizzate” dall’intelligenza artificiale sono quelle più ripetitive e procedurali, se questo fosse vero, si potrebbe liberare una porzione, tutta da quantificare, del lavoro degli insegnanti che potrebbe in questo modo essere dedicata alla relazione educativa, alla motivazione e al supporto agli studenti, oltre che alla progettazione didattica e questo potrebbe davvero migliorare i sistemi di istruzione contemporanei.

Per il futuro si tratta di sviluppare come voleva Galileo “sensate esperienze e certe dimostrazioni” che per mettano di comprendere meglio i fenomeni e le ipotesi di lavoro che abbiamo presentato in questo contributo.

Bibliografia

Anderson, L. W., Krathwohl, D. R., & Bloom, B. S. (2001). A taxonomy for learning, teaching, and assessing: A revision of Bloom’s taxonomy of educational objectives. London, Longman.

Castells, M., (2001), The Internet Galaxy. Reflections on the Internet, Business, and Society, New York, Oxford University Press, 2001., trad. it., Galassia Internet, Feltrinelli, 2002.

Clark, D. (2020). Artificial intelligence for learning: How to build intelligent systems that learn with you. London: Kogan Page Publishers.

Dabbagh N., Kitsantas A. (2012). “Personal learning environments, social media, and self-regulated learning: A natural formula for connecting formal and informal learning”. The Internet and Higher Education, 15(1), 3-8.

Goodman, N., (1965) Ways of Worldmaking, Indianapolis, Hackett Pub. Co., trad. it. Vedere

e costruire il mondo, Laterza, Roma-Bari, 1988.

Eu, (2021a), Coordinated Plan on Artificial Intelligence 2021 Review, disponibile al sito https://digital-strategy.ec.europa.eu/en/library/coordinated-plan-artificial-intelligence-2021-review

EU (2021b), EU Artificial Intelligence ACT, disponibile al sito https://artificialintelligenceact.eu/the-act/

Ferri, P. (2019). “MOOC, didattica universitaria digitale e Learning analytics. Opportunità e prospettive”. Giornale italiano della ricerca educativa, Numero Speciale settembre 2019, 13-26.

Iannella A., Labrunda T., Santercole T., Viti, B., (2021), “Reclaiming Conversation: introducing a novel approach to using conversational AI at schoo”, pp. 120-151, in Trentin G., (2021), eds, Conversational Agents as Online Learning Tutors, New York, Nova Science Pub Inc

Laurillard, D., Teaching as a Design Science. Building Pedagogical Patterns

for Learning and Technology, New York-London, Routledge; tr. it. Insegnamento

come scienza della progettazione. Costruire modelli pedagogici per

apprendere con le tecnologie, Milano, Franco Angeli, 2015.

Lau H. Y., Cohn T., Baldwin T., Brooke J., Hammond A., (2018). “Deep-speare: A joint neural model of poetic language, meter and rhyme”. Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), pp. 1948–1958, Melbourne, Association for Computational Linguistics.

McLuhan, M., (1964), Understanding Media: the Extensions of Man, London, Sphere Books trad.it. Gli strumenti del comunicare, Milano, Il Saggiatore, 1997.

Trentin G., eds (2021), Conversational Agents as Online Learning Tutors”, Hauppauge NY, Nova Science Pub Inc.

Tuomi, I. (0218), The Impact of Artificial Intelligence on Learning, Teaching, and Education. Policies for the future, (eds) Cabrera, M., Vuorikari, R & Punie, Y., EUR 29442 EN, Luxembourg Publications Office of the European Union.


Pubblicato su www.agendadigitale.eu – Paolo Ferri

Leggi qui tutto l’articolo

Buffon si ritira? Il contratto con il Parma e il ruolo futuro: cosa sappiamo
Precedente Buffon si ritira? Il contratto con il Parma e il ruolo futuro: cosa sappiamo
Il Frosinone di Grosso verso la festA
Successivo Il Frosinone di Grosso verso la festA

Leave a Comment:

Il tuo indirizzo email non sarà pubblicato.