Intelligenza-Artificiale-estratto

Emanuele Frontoni

Letizia Cinganotto

Intelligenza Artificiale

Teoria e strumenti per la scuola secondaria

Gli usi e le applicazioni

didattiche dell’intelligenza artificiale in classe

Coordinamento redazionale: Marco Mauri

Art director: Enrica Bologni

Redazione: Cecilia Falcone

Impaginazione: Fabio Bergamaschi - Olivares S.r.l.

Copertina: Fregi&Majuscole

Immagine di copertina: Shutterstock

Referenze iconografiche: Shutterstock (p. 14, 16, 17)

È vietata la riproduzione, anche parziale, con qualsiasi mezzo effettuata, compresa la fotocopia, anche ad uso interno o didattico, non autorizzata. Le fotocopie per uso personale del lettore possono essere effettuate nei limiti del 15% di ciascun volume dietro pagamento alla SIAE del compenso previsto dall’art. 68, commi 4 e 5, della legge 22 aprile 1941 n. 633. Le riproduzioni per finalità di carattere professionale, economico o commerciale o comunque per uso diverso da quello personale, possono essere effettuate a seguito di specifica autorizzazione rilasciata da CLEARedi (Centro licenze e autorizzazioni per le riproduzioni editoriali), corso di Porta Romana 108, 20122 Milano, e-mail autorizzazioni@clearedi.org e sito web www.clearedi.org

L’editore fornisce – per il tramite dei testi scolastici da esso pubblicati e attraverso i relativi supporti o nel sito www.gruppoeli.it – materiali e link a siti di terze parti esclusivamente per fini didattici o perché indicati e consigliati da altri siti istituzionali. Pertanto l’editore non è responsabile, neppure indirettamente, del contenuto e delle immagini riprodotte su tali siti in data successiva a quella della pubblicazione, dopo aver controllato la correttezza degli indirizzi web ai quali si rimanda.

Segnalazione di errori

Produrre un testo scolastico è molto complesso. L’esperienza ci insegna che è quasi impossibile pubblicare un libro senza un errore o una imprecisione, e ci scusiamo con i nostri lettori. Ogni segnalazione che potete inviarci sarà per noi preziosa. Vi ringraziamo se vorrete scriverci al seguente indirizzo: redazione@gruppoeli.it

© 2025 ELI S.r.l. P.O. Box 6 62019 Recanati info@gruppoeli.it www.gruppoeli.com

Stampa: Tecnostampa - Pigini Group Printing Division - Loreto - Trevi 25.83.110.0P

PREFAZIONE

Lo scopo di questo volume è generare una nuova consapevolezza collettiva sull’intelligenza artificiale.

L’intelligenza artificiale (IA) non è più solo una tecnologia del futuro, ma una realtà che sta già ridefinendo ogni aspetto della nostra vita quotidiana. Questo libro nasce dalla convinzione che per affrontare questa rivoluzione tecnologica non servono né paure apocalittiche né ingenuo entusiasmo, ma una comprensione profonda e consapevole.

Il nostro sguardo verso questa disciplina è di certo positivo, ma non nascondiamo che le nostre preoccupazioni maggiori restano la conoscenza e la consapevolezza di questo mondo, sia nella comunità educante, che nelle aziende e nelle organizzazioni in genere. L’epoca dell’intelligenza artificiale è appena iniziata. Dalla quantità di convegni, articoli e post, sembrerebbe un argomento di cui si discute da anni nella società, nelle aule scolastiche o universitarie, nei percorsi formativi e in tutti i canali informali. In realtà non è così e crediamo che sia molto urgente mettersi in moto insieme verso una nuova fase che passi dalla sorpresa alla consapevolezza.

Troppo spesso noi che lavoriamo da lungo tempo e quotidianamente nel settore dell’IA siamo considerati dei moderni maghi. Invece, questa rapida evoluzione resa possibile grazie a tanti affascinanti algoritmi ricchi di matematica e statistica, alla grande potenza computazionale come mai avevamo visto prima e a moltissimi dati, è frutto di conoscenza e creatività umana. Ricercatrici e ricercatori da decenni studiano e innovano il settore dell’apprendimento automatico attraverso la loro passione e gli sforzi congiunti di tutta la comunità scientifica mondiale.

Ora viviamo il momento della maturità tecnologica dell’IA, tanto da poterla applicare in svariati ambiti. Per farlo dobbiamo esserne consapevoli e conoscere almeno le basi e i limiti di questo meraviglioso mondo. La sorpresa e la meraviglia non bastano, anzi, troppo spesso si tramutano in paura. Non dobbiamo averne. I limiti di questo nuovo mondo sono evidenti e ben noti a chi ci lavora. Non esistono sistemi di IA che auto-apprendono o auto-generano dati per migliorare le proprie capacità. Il nostro mondo scientifico, che ruota attorno ai nuovi algoritmi generativi, è cosciente di potenzialità e rischi e lo scenario evolutivo della cosiddetta GenAI (intelligenza artificiale generativa) è per nulla fuori controllo. Questo è il primo dei punti da cui tutti gli educatori e i formatori di ogni ordine e grado dovrebbero partire, introducendo idee e momenti di lavoro ben organizzati con i giovani su questi temi di base.

L’altro aspetto su cui lavorare insieme è quello di educare chi ci circonda a uno sguardo positivo e curioso verso questo mondo. Nel settore dell’IA e dei Large Language Model, i grandi modelli linguistici portati alla cronaca da ChatGPT, il mestiere più importante è diventato quello di porre domande, quello che nella letteratura scientifica definiamo prompt engineering. Questa è una buona notizia! Riflettere e chiedere sono state da sempre grandissime competenze trasversali da stimolare e ancora di più lo sono in questo momento di cambiamento.

Dobbiamo interrogarci sul perché quel sistema funziona, a cosa possiamo applicarlo, come migliorare le prestazioni e come collaborare in maniera creativa e intelligente, in una nuova visione positiva di connubio uomo-algoritmo. Crediamo che quest’ultimo quesito sia quello cruciale su cui riflettere e lavorare come comunità educante con le nuove generazioni e con tutte quelle impegnate nel lavoro, nella scuola e nel fare impresa. Abbiamo molte evidenze che la collaborazione uomo-IA, se utilizzata coscientemente, porta a notevoli vantaggi di produttività e ci permette di concentrarci su temi in cui la nostra umanità è rilevante e continuerà a esserlo per sempre, come le relazioni, i cambiamenti, le scelte strategiche, l’accompagnamento delle persone e l’apprendimento stesso.

Se ci pensiamo bene, troppo spesso occupiamo il tempo in attività che nulla hanno a che fare con le nostre prerogative di essere umani e che ci fanno sognare un mondo ideale dove tutto funzioni in automatico, senza le nostre idee e le nostre responsabilità dentro. Questo è uno sguardo sul mondo che vorremmo fortemente evitare e per farlo c’è bisogno di un importante impegno comune verso una crescente consapevolezza e una nuova visione della collaborazione tra esseri umani e IA.

Letizia Cinganotto, Emanuele Frontoni

Intelligenza Artificiale, un viaggio di comprensione e trasformazione

INTELLIGENZA ARTIFICIALE un viaggio di comprensione e trasformazione

Emanuele Frontoni

Strumento: Adobe Firefly. Prompt: Crea una immagine a fondo bianco per un libro di introduzione sull’IA e la genAI nella scuola italiana.

Crea una immagine futuristica che rappresenta la collaborazione tra essere umano e intelligenza artificiale.

INTRODUZIONE

In questo primo contributo vogliamo raccontare le storie positive di come l’IA e la Generative AI stanno già migliorando settori cruciali come l’istruzione, la medicina, la ricerca scientifica e il supporto sociale. Questi racconti non sono mere narrazioni tecnologiche, ma testimonianze concrete di come l’intelligenza artificiale possa essere uno strumento di progresso umano. Sono le metafore di una narrazione positiva e variegata delle tante ricadute positive di questa nuova tecnologia.

Un capitolo fondamentale sarà dedicato all’arte di dialogare con l’IA generativa: come porre domande efficaci, come utilizzarla come alleata nel lavoro di educatori, maestri e insegnanti. Non si tratta di sostituire l’umano, ma di potenziarne le capacità, liberando energie creative e cognitive per compiti più complessi e significativi.

Infine, esploreremo i principi etici che devono guidare lo sviluppo e l’implementazione dell’intelligenza artificiale. Una bussola morale per garantire che questa tecnologia rimanga sempre al servizio dell’umanità, nel pieno rispetto della dignità, della privacy e dei diritti fondamentali.

Benvenuti in un viaggio di apprendimento, riflessione e scoperta dell’intelligenza artificiale!

Strumento: Adobe Firefly. Prompt: Un microprocessore e una GPU specializzati per l’IA. L’immagine è molto colorata.

Intelligenza Artificiale, un viaggio di comprensione e trasformazione

1 CONOSCERE L’IA E LA GenAI

1.1 Le origini dell’intelligenza artificiale

Le origini dell’intelligenza artificiale (IA, in inglese AI) risalgono al 1956, anno in cui, durante una conferenza a Dartmouth (Stati Uniti), s’introdusse per la prima volta il termine. Fu un momento di grande innovazione, in cui s’iniziò a discutere della possibilità di creare macchine capaci di imitare l’intelligenza umana. Fin dall’inizio il tema suscitò emozioni contrastanti: entusiasmo per le potenzialità che questa nuova tecnologia poteva offrire, ma anche timore per le implicazioni che ne sarebbero derivate. Due domande, in particolare, riassumevano i sentimenti dell’epoca: quando un computer sarebbe riuscito a battere un campione mondiale di scacchi? E quando sarebbe stato in grado di fare tutto ciò che un uomo sa fare?

Alla prima domanda si rispose con ottimismo: si ipotizzava che il traguardo sarebbe stato raggiunto nel 1968, in un’epoca in cui i computer erano ancora rarissimi e rudimentali. Tuttavia, la storia dimostrò che sarebbero occorsi decenni di progressi tecnologici. Solo il 10 febbraio 1996, a Filadelfia, il computer Deep Blue riuscì nell’impresa di battere il campione mondiale di scacchi Garry Kasparov. La seconda domanda, invece, rimane tuttora irrisolta. Sebbene siano stati fatti enormi progressi, il sogno di un’intelligenza artificiale generale, capace di replicare tutte le capacità umane, sembra ancora lontano dall’essere realizzato.

Strumento: Adobe Firefly. Prompt: Un braccio robotico guidato dall’IA che gioca a scacchi. Foto re-

alistica con il robot e i pezzi degli scacchi in primo piano e bianchi.

1.2 Intelligenza artificiale generale e ristretta

Quando parliamo di intelligenza artificiale generale ci riferiamo a sistemi capaci di replicare il ragionamento umano, applicandolo in contesti completamente nuovi. Tuttavia, questa capacità di generalizzazione, tipica degli esseri umani, rappresenta una sfida ancora irrisolta per la tecnologia. Le macchine attuali, infatti, necessitano di enormi quantità di dati per apprendere e sono limitate a compiti specifici.

L’intelligenza artificiale ristretta, invece, è quella che caratterizza la maggior parte delle applicazioni pratiche odierne. Si tratta di sistemi estremamente efficaci in ambiti circoscritti, come il riconoscimento delle immagini o la diagnosi medica. Questi algoritmi, però, non possono generalizzare le loro competenze. Ad esempio, una rete neurale addestrata a riconoscere nei cutanei non può essere utilizzata per identificare lesioni cancerogene intestinali, poiché i due problemi richiedono dati e approcci completamente diversi.

1.3 I metodi dell’apprendimento automatico

Le tecniche che rendono possibile l’intelligenza artificiale moderna rientrano nel campo dell’apprendimento automatico o machine learning. Tra i principali approcci vi è l’apprendimento supervisionato, che si basa sull’utilizzo di dataset etichettati. Questo metodo richiede un notevole sforzo manuale per creare i dati di addestramento, ma produce risultati accurati e affidabili. Il sistema impara dai dati forniti per riconoscere pattern e fare previsioni su nuovi input, rendendolo adatto a compiti come il riconoscimento facciale, la classificazione di testi o la previsione di valori numerici. L’apprendimento non supervisionato, invece, si concentra sull’analisi di dati grezzi senza etichette. L’obiettivo è individuare pattern nascosti, gruppi o strutture all’interno dei dati, rendendolo particolarmente utile per scoprire insight da dataset non strutturati. Infine, l’apprendimento semi-supervisionato combina i due approcci, sfruttando piccoli dataset etichettati insieme a grandi quantità di dati non etichettati. Questo metodo è prezioso in contesti dove l’etichettatura manuale è costosa o impraticabile.

1.4 Le reti neurali: una metafora ispirata al cervello

Le reti neurali artificiali sono alla base dei moderni sistemi di apprendimento. Ispirate al funzionamento del cervello umano, sebbene profondamente diverse, sono organizzate in strati interconnessi. Ogni strato elabora

una parte dell’informazione e la trasmette ai successivi, creando una complessa rete di connessioni. L’apprendimento avviene attraverso un processo chiamato retro-propagazione, che regola i pesi delle connessioni interne per migliorare le prestazioni del sistema.

Il deep learning (DL) rappresenta un’evoluzione delle reti neurali tradizionali, introducendo architetture più profonde e complesse. Grazie alla loro capacità di analizzare i dati in modo gerarchico, le reti profonde possono risolvere problemi estremamente complessi, come il riconoscimento vocale, la diagnosi medica e la guida autonoma. Ogni strato della rete si occupa di un aspetto specifico dei dati, partendo da caratteristiche semplici fino a concetti più astratti.

1.5 L’intelligenza artificiale generativa: un nuovo paradigma

Negli ultimi anni, l’intelligenza artificiale generativa ha aperto nuove prospettive. Questa tecnologia, basata su modelli come i transformers e le GAN (Generative Adversarial Network), è in grado di creare contenuti originali partendo da enormi quantità di dati. I transformers, introdotti nel 2017, hanno rivoluzionato l’elaborazione del linguaggio naturale grazie al meccanismo di self-attention, che permette di analizzare intere sequenze di testo in modo più efficace rispetto ai modelli tradizionali. Le GAN, invece, utilizzano un approccio competitivo: un generatore crea contenuti artificiali, mentre un discriminatore valuta la loro qualità, innescando un processo di miglioramento reciproco.

Queste tecnologie sono alla base di strumenti innovativi come Firefly di Adobe o DALL-E 2 di OpenAI, capaci di generare immagini straordinariamente dettagliate, a partire da descrizioni testuali. L’intelligenza artificiale generativa ha applicazioni che spaziano dalla creazione artistica alla diagnosi medica, passando per la produzione di contenuti testuali o la generazione di musica.

Nonostante i progressi, l’intelligenza artificiale generativa pone sfide significative. La facilità con cui può creare contenuti falsi, come i deepfake, solleva preoccupazioni su disinformazione, manipolazione dell’opinione pubblica e violazione della privacy. Inoltre, il suo impatto sul lavoro creativo umano è oggetto di dibattito. Da un lato può amplificare la creatività, dall’altro solleva interrogativi su diritti d’autore e proprietà intellettuale.

L’intelligenza artificiale generativa rappresenta una delle innovazioni più trasformative del nostro tempo. Grazie alla combinazione di modelli avanzati, capacità computazionale e dati, ha il potenziale di rivoluzionare induIntelligenza

strie, amplificare la creatività umana e aprire nuove prospettive in campi come la medicina, l’ingegneria e l’arte. Tuttavia, è fondamentale affrontare le sfide etiche e sociali che accompagnano questa tecnologia per garantire che venga utilizzata in modo responsabile.

Nei prossimi capitoli, esploreremo casi applicativi concreti, analizzando le lezioni apprese e delineando le possibilità future di questa affascinante disciplina.

2 STORIE DI INTELLIGENZA ARTIFICIALE

Un aspetto su cui lavorare insieme è quello di educare chi ci circonda a uno sguardo positivo e curioso verso questo mondo.

Dobbiamo raccontare tante storie di IA a supporto dell’essere umano, riflettere su come quelle idee sono nate e quali sono gli impatti che generano. Questo processo narrativo aiuterà la consapevolezza, stimolerà nuove idee e renderà tutti coscienti che esiste moltissima intelligenza artificiale che nasce vicino a noi ed è espressione di creatività e conoscenza umana.

Qui di seguito abbiamo scelto alcuni casi, nati in Italia, che possono rappresentare delle storie da raccontare e discutere in classe, mostrandone limiti e opportunità e indagando sul loro funzionamento.

2.1 IA e moda

La storia dell’intelligenza artificiale s’intreccia con la tradizione e l’innovazione, emergendo come catalizzatore di trasformazioni profonde in settori come la moda. Partendo da Montappone, piccolo centro marchigiano celebre per la produzione di cappelli, un viaggio personale e professionale ha portato a integrare l’IA per supportare creativi e designer nelle loro attività. Questo racconto non si limita a descrivere un percorso individuale, ma esplora come l’IA stia ridefinendo il rapporto tra creatività umana e tecnologia.

Strumento: Adobe Firefly. Prompt: Un cappello generato da IA a supporto della creatività umana. Il cappello è da uomo e colorato. Nella foto si vede solo il cappello su un fondo bianco.

L’IA nella moda non si propone di sostituire l’estro umano, ma di amplificarlo, combinando l’analisi dei dati con l’intuizione creativa. Gli strumenti di IA, come il riconoscimento delle tendenze e il virtual try-on, consento-

no di prevedere i gusti dei consumatori e migliorare l’esperienza d’acquisto. Social media e piattaforme come Instagram e TikTok giocano un ruolo cruciale, generando enormi quantità di dati analizzabili per individuare pattern e preferenze. Progetti come Social4Fashion automatizzano l’analisi dei dati visivi raccolti da queste piattaforme, permettendo ai designer di concentrarsi su idee e collezioni basate su insight precisi, con la possibilità di monitorare tendenze in specifiche aree geografiche.

L’IA generativa rappresenta una delle evoluzioni più innovative, introducendo modelli come StyleGAN, capaci di creare immagini altamente realistiche per ispirare nuovi design. Tuttavia, l’IA incontra limiti significativi, come l’assenza di una comprensione culturale e narrativa. Questi vincoli, lungi dall’essere ostacoli, evidenziano il ruolo indispensabile del designer umano, che con la sua sensibilità e intuizione continua a guidare il processo creativo.

Un esempio paradigmatico di questa sinergia è il progetto CAPPELL-AI, sviluppato per innovare il settore dei cappelli di Montappone. Integrando l’IA generativa con tecniche di prototipazione rapida e sostenibile, CAPPELL-AI punta a ottimizzare il design e la produzione, riducendo i tempi e l’impatto ambientale. Con oltre un milione di immagini raccolte, questo progetto ambisce a creare il più grande dataset del settore, supportando designer, esperti di marketing e industrializzazione nel rispondere alle esigenze di un mercato globale.

L’intelligenza artificiale si afferma dunque non come sostituto, ma come alleato della creatività umana, aprendo nuovi orizzonti per la moda. Il futuro di questo settore risiede nella collaborazione tra uomo e macchina, dove l’IA amplifica la visione creativa e favorisce un design più sostenibile e innovativo, mantenendo però sempre al centro l’intuizione, la sensibilità e l’unicità del tocco umano.

2.2 IA e bambini

La storia dell’intelligenza artificiale e dell’intelligenza artificiale generativa (GenAI) trova applicazione in progetti innovativi volti a migliorare il monitoraggio clinico e l’assistenza medica in contesti complessi. Due esempi emblematici di questa sinergia tra tecnologia e medicina sono il progetto SINC e le iniziative legate ai disturbi dello spettro autistico (ASD). Entrambi dimostrano come l’IA possa supportare diagnosi precoci, monitoraggi non invasivi e interventi terapeutici efficaci, affrontando contemporaneamente sfide etiche, tecniche e organizzative. Intelligenza Artificiale,

Il progetto SINC, sviluppato grazie alla collaborazione tra università, ospedali e aziende, ha introdotto un sistema integrato per l’assistenza neonatale. Attraverso dispositivi avanzati e un servizio cloud sicuro, è stato possibile monitorare i parametri fisiologici dei neonati in terapia intensiva neonatale (TIN) con precisione e minimo impatto, migliorando la qualità delle cure e favorendo una condivisione efficiente dei dati a livello regionale.

Parallelamente, il lavoro sulla rilevazione e sull’analisi delle stereotipie nei bambini con ASD ha aperto nuove prospettive nel supporto alle terapie comportamentali. Con il coinvolgimento di specialisti e famiglie, il progetto ha sfruttato reti neurali e dati sintetici per misurare parametri chiave come il contatto visivo e i movimenti ripetitivi. L’uso di tecnologie innovative, come i dati generati tramite simulazioni di videogiochi, ha permesso di superare la scarsità di dati reali, garantendo al contempo alti standard etici e di privacy.

Un ulteriore passo avanti è rappresentato dal progetto ThAI-MIA, che unisce IA classica e quantistica per l’analisi di immagini mediche. Con un focus su etica e trasparenza, questa iniziativa mira a rilevare segni precoci di ASD attraverso un sistema di monitoraggio basato su telecamere di profondità, capaci di rispettare la privacy e fornire dati quantitativi sui movimenti dei neonati. L’approccio consente non solo di ottimizzare l’efficienza clinica, ma anche di integrare la sostenibilità e l’equità nei processi tecnologici.

La raccolta e l’annotazione dei dati, cruciali per addestrare modelli di deep learning (DL), vengono eseguite con strumenti avanzati come Label Studio

e dataset innovativi come BabyPose. Tuttavia, queste soluzioni devono superare sfide come il bias di annotazione, la variabilità dei campioni e i rischi legati all’automazione. In risposta, strategie come l’apprendimento federato e l’uso di dati sintetici aprono nuove frontiere per migliorare la robustezza e l’accuratezza degli algoritmi.

Le tecnologie di monitoraggio, incluse le telecamere RGB-D e gli algoritmi di DL, stanno trasformando le TIN, rendendo possibile un’osservazione continua e non invasiva. Tuttavia, il settore richiede un impegno rigoroso per affrontare i problemi etici e garantire che l’IA sia affidabile, sostenibile e inclusiva. L’adozione di un approccio etico-by-design è fondamentale per bilanciare innovazione tecnologica e responsabilità umana, soprattutto nei contesti clinici sensibili.

Infine, la combinazione di IA generativa e classica promette di ampliare le possibilità di raccolta dati, superando le limitazioni legate a disponibilità e trasparenza. La generazione di dati sintetici, attraverso metodi generativi o simulazioni di gaming, rappresenta un’opportunità per addestrare meglio i modelli e migliorare la precisione degli interventi. Questi progressi non solo arricchiscono la ricerca clinica, ma fungono anche da paradigma per affrontare sfide simili in altri settori caratterizzati da scarsità di dati e necessità etiche.

2.3 Intelligenza eco-artificiale

Una città moderna affronta ogni giorno sfide legate alla qualità dell’aria e alla mobilità, due aspetti cruciali per la sostenibilità ambientale e il benessere dei suoi abitanti. L’intelligenza artificiale sta emergendo come una risposta concreta a questi problemi, offrendo un sistema integrato capace di coniugare il monitoraggio della qualità dell’aria con la gestione del traffico urbano, trasformando il modo in cui le città vengono gestite e vissute. Questo sistema si basa su una rete diffusa di sensori, collocati strategicamente in tutta l’area urbana per raccogliere dati in tempo reale sulla qualità dell’aria e sul flusso del traffico. I sensori monitorano costantemente livelli di inquinanti come particolato fine, ossidi di azoto e ozono, mentre una rete di dispositivi distribuiti in semafori, lampioni e veicoli raccoglie informazioni sui flussi di traffico, sui tempi di percorrenza e sui punti di congestione. Grazie agli algoritmi di intelligenza artificiale, questi dati vengono analizzati per individuare correlazioni tra il traffico veicolare e l’inquinamento atmosferico, fornendo una visione dinamica e predittiva della situazione urbana.

Il sistema non si limita a osservare e analizzare, ma agisce attivamente per migliorare le condizioni della città. Quando gli algoritmi prevedono un aumento critico degli inquinanti, vengono adottate misure mirate per prevenire situazioni di emergenza. Ad esempio, la sincronizzazione dei semafori riduce le soste prolungate dei veicoli, diminuendo le emissioni. Percorsi alternativi vengono suggeriti agli autisti, alleggerendo il traffico nelle aree più congestionate, mentre incentivi per l’uso del trasporto pubblico, come tariffe agevolate, vengono attivati per incoraggiare spostamenti più sostenibili. Il sistema, inoltre, ottimizza la distribuzione di biciclette e monopattini elettrici in sharing, garantendo una maggiore accessibilità a forme di mobilità alternativa.

I risultati ottenuti dall’applicazione di questa tecnologia sono stati notevoli. La qualità dell’aria è migliorata significativamente, con una riduzione tangibile dei principali inquinanti atmosferici, mentre il traffico è stato reso più scorrevole e meno impattante. L’aumento dell’uso del trasporto pubblico e dei veicoli elettrici ha contribuito ulteriormente a ridurre l’impronta ambientale della città, creando uno spazio urbano più vivibile e sostenibile.

Il coinvolgimento dei cittadini ha giocato un ruolo fondamentale nel successo del sistema. Le scuole, per esempio, hanno integrato i dati sulla qualità dell’aria e sulla mobilità nei loro programmi educativi, coinvolgendo studenti e insegnanti nel monitoraggio delle condizioni del loro quartiere e nella proposta di iniziative sostenibili. Questa partecipazione ha rafforzato il senso di comunità e ha contribuito a sensibilizzare le nuove generazioni sull’importanza della sostenibilità ambientale.

Nonostante i successi ottenuti, l’adozione di sistemi basati sull’intelligenza artificiale in ambito urbano pone alcune sfide. Una delle principali è la gestione etica dei dati raccolti, che richiede un equilibrio tra trasparenza e protezione della privacy dei cittadini. È necessario garantire che l’uso dei dati non crei discriminazioni o disuguaglianze, evitando che i quartieri meno privilegiati siano penalizzati da decisioni sbilanciate. Inoltre, lo sviluppo di tali sistemi richiede un’attenzione particolare all’integrazione delle energie rinnovabili, sincronizzando l’uso dei veicoli elettrici con la disponibilità di energia pulita, come quella solare o eolica.

Questo approccio tecnologico è un modello rappresentativo di come l’intelligenza artificiale possa essere usata per affrontare in modo integrato le sfide della sostenibilità urbana. Combinando dati, innovazione tecnologica e partecipazione civica, le città possono trasformarsi in ambienti più sani, efficienti e inclusivi. Questo sistema, capace di migliorare la qualità dell’aria e la mobilità, offre una visione concreta di come le tecnologie avanzate possano creare un futuro più sostenibile per tutti.

2.4 Due robot a spasso sul ponte

La storia dell’intelligenza artificiale applicata alle infrastrutture trova un esempio emblematico nel Ponte San Giorgio di Genova, costruito dopo il tragico crollo del Ponte Morandi nel 2018. Questo ponte non è solo un’opera di ricostruzione, ma un laboratorio all’avanguardia per la manutenzione

predittiva e la sicurezza infrastrutturale, grazie a un sistema robotico e di intelligenza artificiale unico nel suo genere.

La visione iniziale, nata dalla collaborazione tra il ricercatore Ferdinando Cannella dell’Istituto Italiano di Tecnologia e un team multidisciplinare, prevedeva l’installazione di un sistema robotico avanzato per il monitoraggio continuo del ponte. Il fulcro del progetto è rappresentato dal Robot Inspection, un dispositivo mobile su rotaia equipaggiato con un sistema di visione multi-camera. Quest’ultimo comprende una fotocamera RGB ad alta risoluzione per rilevare dettagli superficiali, una telecamera di profondità per misurazioni tridimensionali e una fotocamera multispettrale per individuare anomalie invisibili all’occhio umano, come stress nei materiali o corrosione incipiente.

Il sistema raccoglie enormi quantità di dati – oltre 35.000 immagini per ispezione – che alimentano algoritmi di deep learning. Questi identificano difetti, prevedono potenziali problemi e tracciano l’evoluzione del degrado strutturale attraverso un gemello digitale del ponte. Il risultato è una manutenzione predittiva, che consente di intervenire tempestivamente, evitando guasti critici.

Accanto al Robot Inspection opera il Robot Wash, dedicato alla pulizia delle barriere antivento e dei pannelli solari, garantendo funzionalità ed estetica. Entrambi i robot sono progettati per operare in modo autonomo, utilizzando materiali avanzati come la fibra di carbonio e tecnologie di stampa 3D.

Questo sistema integrato rappresenta un modello replicabile a livello globale, aprendo nuove frontiere nella gestione delle infrastrutture. Il Ponte San Giorgio è diventato un simbolo di rinascita tecnologica, dimostrando come l’intelligenza artificiale possa trasformare una tragedia in un’opportunità per garantire sicurezza e innovazione nel futuro delle infrastrutture.

2.5 Una voce da donare

La storia di Voice for Purpose racconta un’applicazione innovativa dell’intelligenza artificiale generativa nel settore sanitario, mirata a preservare e restituire la voce a pazienti affetti da malattie neurodegenerative come la SLA. Questo progetto nasce dalla collaborazione tra enti scientifici, aziende tecnologiche e associazioni, con l’obiettivo di creare una banca vocale accessibile a chi rischia di perdere la capacità di comunicare verbalmente.

Il sistema consente a chi è ancora in grado di parlare di registrare e conservare la propria voce, che potrà essere utilizzata in futuro attraverso avanzati sistemi di sintesi vocale personalizzati. Per chi ha già perso la capacità di esprimersi, Voice for Purpose offre una libreria di voci donate da volontari, consentendo di scegliere un timbro espressivo e umano, in contrasto con le voci sintetiche standard, spesso fredde e impersonali.

Grazie all’IA generativa, i modelli di sintesi vocale riproducono in modo realistico le caratteristiche individuali di una voce, includendo tono, inflessioni ed emozioni. Questo non solo migliora la qualità della comunicazione, ma preserva l’identità personale dei pazienti, riducendo l’impatto psicologico della malattia. Inoltre, queste tecnologie forniscono strumenti preziosi per la logopedia e la ricerca medica.

Voice for Purpose rappresenta un esempio virtuoso di come l’IA generativa possa essere impiegata per scopi etici e benefici, trasformando tecnologie potenzialmente controverse in strumenti che migliorano la qualità della vita. Questo progetto è una testimonianza del potenziale dell’innovazione tecnologica, dimostrando come creatività e impegno possano superare le sfide etiche e pratiche per mettere la tecnologia al servizio della società.

3 A SCUOLA DI PROMPT

DESIGN

3.1 Gli LLM e i loro meccanismi di funzionamento

I Large Language Model (LLM), come ChatGPT, Claude, Gemini, Mistral, Copilot, Llama e molti altri, hanno aperto nuove possibilità nel campo dell’istruzione e dell’apprendimento. Un LLM può diventare il tuo valido assistente e alleato quotidiano, offrendo supporto per rispondere a domande, fornire suggerimenti e facilitare l’acquisizione di nuove competenze. È uno strumento versatile, perfetto per spiegare concetti complessi, offrire assistenza immediata su questioni specifiche e guidarti passo dopo passo nel processo di apprendimento, sempre disponibile per un supporto continuo, anche al di fuori dell’orario d’ufficio.

Uno dei principali vantaggi di un LLM è che è sempre disponibile per te, permettendoti di accedere a risorse e informazioni utili in qualsiasi momento. La sua flessibilità nel rispondere alle tue domande su una vasta gamma di argomenti lo rende un alleato prezioso per migliorare le tue competenze professionali, organizzare il lavoro, risolvere problemi. Tuttavia, è importante tenere in considerazione che ChatGPT, pur essendo uno strumento potente, ha dei limiti. Essendo un modello di linguaggio basato

su dati preesistenti, può fornire risposte che, talvolta, potrebbero non essere aggiornate o completamente accurate. L’assenza di una comprensione reale del contesto umano e delle sfumature culturali richiede sempre una supervisione critica da parte dell’utente.

L’utilizzo di un sistema di intelligenza artificiale generativa, come un modello di linguaggio di grandi dimensioni, offre una vasta gamma di applicazioni che spaziano dalla personalizzazione delle soluzioni alla consulenza mirata, fino al tutoraggio interattivo. La flessibilità di questi strumenti consente di adattarsi a esigenze specifiche, rendendoli mezzi potenti per migliorare l’efficienza, l’apprendimento e la produttività in diversi contesti.

3.2 A cosa serve un LLM

• Ricerca di soluzioni personalizzate

Un LLM può essere un valido supporto nel suggerire e consigliare soluzioni specifiche e personalizzate. Per esempio, un professionista interessato a migliorare la propria produttività al lavoro potrebbe chiedere:

Prompt: “Come posso ottimizzare la mia gestione del tempo in un lavoro d’ufficio caratterizzato da numerose riunioni?”.

In questo caso, il modello potrebbe proporre tecniche come l’organizzazione di blocchi di tempo dedicati, la pianificazione strategica delle riunioni con agende dettagliate e l’uso di strumenti digitali per gestire i compiti. Questi suggerimenti aiutano l’utente a strutturare le proprie attività in modo più efficiente, fornendo spunti concreti per migliorare la gestione del tempo e delle risorse.

• Organizzare un evento

Un altro esempio pratico potrebbe riguardare l’organizzazione di un evento. Se un utente chiedesse:

Prompt: “Come posso organizzare un evento per il lancio di un nuovo prodotto?”,

un LLM potrebbe rispondere con un piano dettagliato che include la selezione della location, il coordinamento con i fornitori, la creazione di una campagna promozionale e il follow-up post-evento. Questa guida passo per passo non solo fornisce istruzioni pratiche, ma aiuta anche a prevedere e ad affrontare eventuali sfide durante il processo di organizzazione.

• Scelta di un software gestionale

Un ulteriore caso d’uso potrebbe riguardare la scelta di un software per la gestione di progetti. Un utente potrebbe chiedere:

Prompt: “Quale software di project management consiglieresti per un team di cinque persone con un budget limitato?”.

Un LLM potrebbe analizzare le esigenze specifiche, suggerendo opzioni come Trello o Asana e spiegando i pro e i contro di ciascuna, adattandosi alle necessità e alle limitazioni economiche del richiedente.

• Consulenza in processi di comunicazione aziendale

Un LLM può anche essere impiegato come consulente esperto. Ad esempio, un’azienda potrebbe utilizzarlo per rispondere a domande frequenti sui propri processi aziendali. Se un dipendente chiedesse:

Prompt: “Quali sono le politiche di reso della nostra azienda e i tempi di spedizione?”,

il modello potrebbe fornire risposte concise e complete, consentendo di standardizzare la comunicazione interna o con i clienti. Nel contesto del supporto tecnico, un LLM può guidare un utente nella risoluzione di problemi specifici. Se un cliente chiedesse:

Prompt: “Come posso resettare la mia password e risolvere errori di sistema?”,

il modello potrebbe offrire istruzioni chiare e dettagliate, riducendo il tempo necessario per risolvere il problema e migliorando l’efficienza complessiva.

• Tutor interattivo nella scrittura di testi

L’aspetto educativo di un LLM lo rende particolarmente utile come tutor interattivo. Ad esempio, uno studente potrebbe utilizzarlo per migliorare la propria grammatica in una lingua straniera, chiedendo:

Prompt: “Puoi spiegarmi l’uso del congiuntivo in italiano e fornirmi esercizi pratici per esercitarmi?”.

Il modello potrebbe rispondere con spiegazioni approfondite, esempi pratici e quiz per consolidare l’apprendimento. Un altro studente potrebbe chiedere aiuto nella scrittura, dicendo:

Prompt: “Ho scritto una bozza di testo, ma vorrei migliorarne la struttura e la coerenza”.

In questo caso, un LLM potrebbe analizzare il testo, suggerire modifiche stilistiche e grammaticali e proporre un modo per rendere il messaggio più chiaro ed efficace.

• Programmazione in linguaggio Python

Anche nel campo tecnico, un LLM può essere di grande aiuto. Se un utente volesse imparare a programmare in Python, potrebbe chiedere:

Prompt: “Puoi guidarmi passo dopo passo nell’apprendimento di Python, includendo esercizi e feedback?”.

Il modello potrebbe proporre un piano di studi strutturato, con lezioni teoriche ed esercizi pratici, fornendo un feedback personalizzato per monitorare i progressi.

• Tutor nella riflessione critica

Un altro ruolo chiave di un LLM è quello di tutor socratico, che stimola la riflessione critica attraverso domande aperte. Per esempio, un professionista potrebbe chiedere:

Prompt: “Puoi aiutarmi a valutare un’ipotesi di lavoro ponendomi domande per esplorare diversi aspetti?”.

Un LLM potrebbe proporre interrogativi che spingano l’utente a considerare vari punti di vista, a mettere in discussione le proprie premesse e a esplorare alternative, migliorando così la qualità della decisione finale.

3.3 Il prompt design

Un caso concreto dimostra come la formulazione del prompt influenzi l’efficacia dell’interazione con un LLM. Una studentessa universitaria, si sta preparando per un esame di storia moderna. Nel primo scenario, Maria inserisce un prompt generico:

Prompt: “Spiegami la rivoluzione industriale”.

Il modello risponde con un riassunto generale che copre gli aspetti principali, ma non soddisfa le necessità specifiche della studentessa, che aveva bisogno di approfondire gli effetti sociali ed economici della rivoluzione industriale sul movimento operaio in Europa. In questo caso, il problema risiede nella mancanza di specificità del prompt, che non chiarisce le esigenze della studentessa.

Nel secondo scenario riformula il suo prompt in modo più dettagliato:

Prompt: “Sto preparando un esame di storia moderna e ho bisogno di una spiegazione approfondita sugli effetti della rivoluzione industriale sul movimento operaio in Europa, con esempi concreti”.

Questa richiesta precisa permette al modello di fornire una risposta mirata, che include un’analisi dettagliata degli effetti della rivoluzione industriale sul movimento operaio, esempi storici specifici e un’esplorazione critica delle implicazioni sociali ed economiche. Questo esempio sottolinea l’importanza di formulare richieste chiare e specifiche per ottenere il massimo valore dall’interazione con un LLM.

L’impiego di un LLM rappresenta un cambiamento significativo nel modo in cui le persone possono accedere a soluzioni personalizzate, consulenze specializzate e tutoraggio su misura. Grazie alla sua capacità di adattarsi a contesti e necessità diversi, un LLM può migliorare la produttività, facilitare l’apprendimento e supportare decisioni informate, trasformandosi in uno strumento indispensabile per affrontare sfide quotidiane in ambito educativo, professionale e personale.

L’uso di un modello di linguaggio generativo avanzato, come un LLM, può trasformare il modo in cui conduciamo ricerche, apprendiamo nuovi concetti e risolviamo problemi. Per sfruttare appieno le potenzialità di questo strumento, è importante seguire un approccio strategico che massimizzi la pertinenza e la qualità delle risposte ottenute. Questo richiede la definizione chiara degli obiettivi, la formulazione precisa delle richieste e l’utilizzo consapevole del modello come guida per approfondimenti e riflessioni.

3.4 Buone pratiche di prompt design

• Specificare l’obiettivo

Per iniziare una ricerca con un LLM è fondamentale stabilire l’obiettivo in modo chiaro e specifico. Sapere esattamente cosa si vuole ottenere dalla ricerca permette al sistema di fornire risposte mirate e rilevanti. Ad esempio, un analista di mercato potrebbe chiedere:

Prompt: “Quali sono le principali tendenze tecnologiche nel settore della salute per il 2025?”.

Questa chiarezza aiuta il modello a concentrarsi sull’argomento desiderato, evitando risposte troppo generiche o dispersive.

• Usare prompt dettagliati

Un aspetto cruciale è l’uso di prompt dettagliati. Includere informazioni di contesto e dettagli specifici migliora notevolmente la qualità delle risposte. Ad esempio, un consulente aziendale potrebbe chiedere:

Prompt: “Suggerisci strategie per migliorare l’efficienza operativa di una startup tecnologica di 10 dipendenti che sviluppa software per la gestione aziendale”.

In questo caso, il modello può rispondere con soluzioni concrete e personalizzate, adattate alla realtà della startup.

• Indicare il livello di approfondimento

La complessità delle risposte può essere modulata specificando il livello di profondità richiesto. Se si desidera un’introduzione semplice o un’analisi approfondita, è importante comunicarlo chiaramente. Un insegnante, ad esempio, potrebbe richiedere:

Prompt: “Spiega la teoria della relatività di Einstein in modo semplice, adatto a studenti di 16 anni”.

Questo permette a un LLM di adattare il linguaggio e il livello di dettaglio al pubblico di destinazione.

• Suddividere un problema complesso

Quando l’argomento è complesso, suddividere le richieste in parti più piccole può migliorare l’accuratezza e la completezza delle risposte. Un project manager, ad esempio, potrebbe chiedere:

Prompt: “Prima spiegami il ciclo di vita di un progetto agile, poi entra nel dettaglio della fase di sprint planning”.

Questo approccio progressivo consente al modello di fornire risposte dettagliate senza sovraccaricare l’utente con troppe informazioni in una volta sola.

• Utilizzo di esempi pratici

L’utilizzo di esempi pratici è un ulteriore elemento chiave per rendere i concetti più comprensibili. Un professionista del marketing, ad esempio, potrebbe chiedere:

Prompt: “Fornisci esempi di campagne di email marketing efficaci per il lancio di un nuovo prodotto tecnologico”.

Un LLM può rispondere con casi concreti che illustrano strategie di successo, rendendo le informazioni più facili da applicare.

• Approfondimenti successivi dei prompt

L’interazione con un LLM è un processo iterativo. Se una risposta iniziale non è del tutto soddisfacente, è possibile affinare il prompt per ottenere chiarimenti o approfondimenti. Un avvocato, ad esempio, potrebbe chiedere:

Prompt: “Hai menzionato il concetto di ‘fair use’. Puoi approfondire come si applica nelle dispute sui diritti d’autore?”.

Questo dialogo consente di esplorare un argomento in modo più dettagliato, chiarendo punti specifici che potrebbero non essere stati trattati inizialmente.

• Formato di output di un prompt

Un altro modo per ottimizzare l’interazione è specificare il formato di output desiderato. Un ricercatore potrebbe richiedere:

Prompt: “Riassumi le principali teorie economiche classiche in una lista puntata”.

Questo permette al modello di organizzare le informazioni in un formato facilmente leggibile e adattabile alle esigenze dell’utente.

• Specificare il linguaggio in funzione del pubblico

Adattare il linguaggio e la complessità delle risposte al pubblico di riferimento è fondamentale. Un formatore aziendale, ad esempio, potrebbe chiedere:

Prompt: “Fornisci una spiegazione del marketing digitale adatta a professionisti di livello senior in aziende di medie dimensioni”.

Questo aiuta il modello a calibrare le risposte, utilizzando un linguaggio appropriato e riferimenti rilevanti per il pubblico specifico.

• Creazione di un dialogo continuo

L’approccio di tutoraggio offerto da un LLM consente di andare oltre la semplice fornitura di risposte, creando un dialogo continuo che stimola l’apprendimento e la riflessione. Ad esempio, uno studente interessato a sviluppare competenze nella scrittura creativa potrebbe chiedere:

Prompt: “Vorrei imparare a scrivere una storia fantasy partendo da zero, con un percorso che mi guidi attraverso la creazione dei personaggi, della trama e dell’ambientazione. Puoi farmi da tutor?”.

In risposta, un LLM potrebbe proporre un piano strutturato che introduce progressivamente nuovi argomenti, suggerisce esercizi pratici e fornisce feedback personalizzati.

• Problem solving

Un altro esempio di tutoraggio potrebbe riguardare il problem solving. Un utente potrebbe chiedere:

Prompt: “Sto affrontando un problema complesso al lavoro e non so da dove iniziare. Puoi aiutarmi a scomporlo in parti più gestibili e suggerire strumenti per risolverlo?”.

Il modello potrebbe rispondere con una serie di domande e suggerimenti che aiutano l’utente a identificare le cause del problema e a sviluppare un piano d’azione.

3.5 LLM e privacy

L’utilizzo responsabile di un LLM richiede attenzione a questioni come la privacy, la verifica delle informazioni e la consapevolezza dei limiti del modello. Ad esempio, è importante evitare di condividere dati personali o sensibili nei prompt, e verificare sempre le risposte fornite, soprattutto per argomenti critici o decisioni professionali. Nonostante questi limiti, un LLM può rappresentare un alleato prezioso per l’apprendimento e il lavoro, offrendo un supporto versatile e personalizzato che può essere integrato con altre fonti e strumenti per massimizzare il valore dell’esperienza complessiva.

4

COME USARE L’INTELLIGENZA ARTIFICIALE A SCUOLA

Ora che conosciamo i principi di base di prompt design dobbiamo iniziare ad applicarlo proficuamente nel mondo della scuola. Proporremo di seguito vari casi d’uso, non in maniera esaustiva ma come esempio.

Ecco una tabella dei principali LLM che citeremo negli esempi, con le loro caratteristiche e i link per accedere e provarli.

Modello Sviluppatore

GPT-4o OpenAI

GPT-3.5 OpenAI

Gemini Google

LlaMA 3 Meta

Claude 2 Anthropic

Bloom BigScience (Hugging Face)

Caratteristiche principali Link

Modello multimodale (testo/immagini), supporto contestuale avanzato openai.com

Generazione di testo contestuale avanzata, ampio dominio openai.com

Ottimizzato per conversazioni naturali ai.google

Open-source, ottimizzato per efficienza e accessibilità ai.meta.com

Focalizzato su sicurezza e affidabilità nelle conversazioni anthropic.com

Progetto open-source, focus su multilinguismo huggingface.co

Attenzione alle versioni gratuite e al loro utilizzo: come abbiamo già accennato, il tracciamento e la profilazione dei testi e dei materiali introdotti è sempre presente e solo le versioni professionali a pagamento sono sicure da questo punto di vista.

L’uso del prompt design nel mondo della scuola rappresenta una delle applicazioni più promettenti dell’intelligenza artificiale nei contesti educativi. Attraverso una progettazione mirata dei prompt, è possibile sfruttare i modelli di linguaggio per supportare diverse attività didattiche: dalla creazione di materiali personalizzati per l’insegnamento alla generazione di contenuti per favorire l’apprendimento interattivo. Ad esempio, i docenti possono utilizzare i prompt per sviluppare esercizi specifici che si adattano ai bisogni degli studenti, creare quiz o simulazioni, generare spiegazioni di argomenti complessi in un linguaggio semplificato, o stimolare il pensiero critico attraverso discussioni guidate. Inoltre, i modelli possono essere impiegati per offrire feedback immediato agli studenti, aiutandoli a identificare e correggere errori in modo autonomo. Nel contesto dell’inclu-

sività, il prompt design consente di realizzare contenuti adatti a studenti con esigenze speciali o difficoltà linguistiche, garantendo un approccio più accessibile e personalizzato. Grazie alla sua flessibilità, questa metodologia può supportare sia l’apprendimento tradizionale in aula sia esperienze innovative in ambienti digitali, come le smart classrooms, favorendo un’interazione dinamica tra studenti, insegnanti e tecnologie avanzate. Di seguito riporteremo una serie di esempi realizzati con i vari LLM citati.

4.1 Creare una UDA: il ciclo dell’acqua

Prompt: Crea una UDA per una classe prima della scuola secondaria di primo grado per l’introduzione del ciclo dell’acqua. Comportati come una professoressa della secondaria. Scrivi in maniera schematica e sintetica i contenuti dei singoli moduli. Aggiungi un’azione interdisciplinare con la matematica. Proponi 2 compiti di realtà.

Unità Didattica di Apprendimento (UDA):

Il ciclo dell’acqua

Destinatari: Classe prima della scuola secondaria di primo grado

Durata: 6-8 ore

Obiettivi didattici:

• Comprendere il ciclo dell’acqua e i suoi processi fondamentali.

• Favorire il collegamento tra scienze naturali e matematica.

• Stimolare capacità di osservazione e analisi dei fenomeni naturali.

Contenuti per moduli:

Modulo 1: Introduzione al ciclo dell’acqua (2 ore)

• Cos’è il ciclo dell’acqua: concetti di evaporazione, condensazione, precipitazione, infiltrazione e deflusso.

• L’importanza dell’acqua per la vita sulla Terra.

Attività:

• Visione di un breve video esplicativo (5 minuti).

• Discussione guidata in classe con disegni alla lavagna per illustrare le fasi.

Competenze: Comprendere i termini base e saperli collegare in modo sequenziale.

Modulo 2: Gli stadi del ciclo dell’acqua (3 ore)

• Approfondimento sulle fasi:

• Evaporazione: cambiamento di stato della materia.

• Condensazione: formazione delle nuvole.

• Precipitazione: tipologie (pioggia, neve, grandine).

• Infiltrazione e deflusso: importanza nel ciclo naturale dell’acqua.

• Rappresentazione grafica del ciclo.

Attività:

• Disegno individuale o di gruppo del ciclo dell’acqua.

• Analisi di immagini reali (es. laghi, fiumi, nuvole) e identificazione delle fasi.

Competenze: Saper rappresentare graficamente e descrivere il ciclo dell’acqua.

Modulo 3: Azione interdisciplinare con la matematica (1-2 ore)

• Introduzione ai concetti quantitativi legati all’acqua:

• Volume di precipitazione.

• Calcolo di percentuali di acqua che evapora o s’infiltra.

• Problemi matematici sul ciclo dell’acqua.

Attività:

• Calcolo della quantità di pioggia raccolta in una settimana su una superficie nota.

• Risoluzione di problemi con percentuali legate all’evaporazione e infiltrazione.

Competenze:

Applicare competenze matematiche a situazioni scientifiche.

Compiti di realtà:

• Progetto “Il ciclo dell’acqua nella mia vita”

• Gli studenti devono osservare il ciclo dell’acqua intorno a loro (es. pioggia, pozzanghere che evaporano) e documentarlo con foto, disegni o appunti. Creano un diario del ciclo dell’acqua spiegando ogni fase con esempi concreti.

Output: Diario illustrato e presentazione orale alla classe.

• Proposta di un modello interattivo

• Costruzione di un modello del ciclo dell’acqua usando materiali di riciclo (es. plastica trasparente per l’evaporazione e il deflusso). Gli studenti spiegano il funzionamento del loro modello.

Output: Modello fisico e spiegazione in classe.

Valutazione:

• Osservazione diretta durante le attività pratiche.

• Valutazione del diario o del modello con parametri che includono comprensione, chiarezza e creatività.

• Prova finale: quiz con domande a risposta chiusa e aperta sul ciclo dell’acqua.

Prompt: Aggiungi un’attività semplificata per gli studenti con BES presenti in aula e definisci degli obiettivi minimi.

Integrazione per studenti con BES

Obiettivi minimi:

• Comprendere le fasi principali del ciclo dell’acqua (evaporazione, condensazione, precipitazione).

• Saper riconoscere almeno due fasi osservandole nella realtà o in immagini.

• Descrivere il ciclo dell’acqua utilizzando un linguaggio semplice e guidato.

Attività semplificata per studenti con BES

Durata: Inclusa nei moduli principali

• Scheda guidata con immagini e parole chiave

• Distribuire una scheda illustrata con il ciclo dell’acqua semplificato, evidenziando ogni fase con parole chiave (es. “Evaporazione: l’acqua diventa vapore”).

• Attività: Collega le immagini alle parole chiave (es. nuvola → condensazione).

• Modello visuale interattivo

• Utilizzo di una semplice simulazione in classe (es. un contenitore trasparente con acqua riscaldata, pellicola trasparente posta sopra il contenitore per mostrare la condensazione, con gocce che si formano come precipitazione).

• Gli studenti BES seguono visivamente il processo con un supporto verbale semplificato.

• Attività di riconoscimento

• L’insegnante mostra immagini (o usa flashcard) delle fasi del ciclo dell’acqua e gli studenti devono scegliere quella corretta tra due opzioni.

Compiti di realtà semplificati:

• Ciclo dell’acqua illustrato

• Creare un disegno del ciclo dell’acqua, colorando un modello prestampato che include le fasi principali.

• Supporto: scheda con didascalie semplificate da completare.

• Osservazione guidata

• A casa o in classe, osservare un fenomeno legato al ciclo dell’acqua (es. una pozzanghera che si asciuga) e descriverlo con una frase guidata: “Ho visto la pozzanghera evaporare e diventare vapore”.

Metodologie inclusive:

• Cooperative Learning: inserire gli studenti con BES in gruppi con compagni che li aiutino a completare le attività.

• Uso di mappe concettuali: creare una mappa con immagini e parole chiave per facilitare la comprensione e la memorizzazione.

• Materiali multisensoriali: integrare immagini, modelli fisici e spiegazioni verbali per coinvolgere più canali di apprendimento.

Prompt: Crea un esempio di verifica con 5 domande a risposta multipla (indica quella corretta) e 2 domande aperte. Crea anche una versione semplificata per gli studenti con BES.

VERIFICA: Il ciclo dell’acqua

Sezione 1: Domande a risposta multipla (1 punto ciascuna)

1. Qual è la fase del ciclo dell’acqua in cui l’acqua passa da liquido a gas?

a) Condensazione

b) Precipitazione

c) Evaporazione ( )

d) Infiltrazione

2. Quale delle seguenti opzioni descrive la condensazione?

a) L’acqua scorre lungo un fiume

b) Il vapore acqueo si raffredda e forma goccioline ( )

c) La pioggia cade al suolo

d) L’acqua s’infiltra nel terreno

3. Da che cosa dipende l’evaporazione?

a) Temperatura e vento ( )

b) Forma delle nuvole

c) Quantità di acqua nel terreno

d) Posizione del Sole

4. Qual è la fase che forma la pioggia, la neve o la grandine?

a) Evaporazione

b) Precipitazione ( )

c) Infiltrazione

d) Condensazione

5. Quale fenomeno avviene quando l’acqua entra nel terreno?

a) Precipitazione

b) Evaporazione

c) Infiltrazione ( )

d) Condensazione

Sezione 2: Domande aperte (3 punti ciascuna)

1. Descrivi in 4-5 righe il ciclo dell’acqua usando i termini “evaporazione”, “condensazione” e “precipitazione”.

2. Qual è l’importanza del ciclo dell’acqua per gli esseri viventi? Fai un esempio concreto.

Verifica Semplificata per studenti con BES

Sezione 1: Domande a risposta multipla (1 punto ciascuna)

1. Quando l’acqua diventa vapore, si chiama:

a) Condensazione

b) Evaporazione ( )

c) Precipitazione

2. Che cosa succede quando il vapore forma le nuvole?

a) Si chiama condensazione ( )

b) Si chiama precipitazione

c) Si chiama infiltrazione

3. La pioggia, la neve e la grandine sono esempi di:

a) Evaporazione

b) Precipitazione ( )

c) Infiltrazione

4. L’acqua entra nel terreno. Questo si chiama:

a) Precipitazione

b) Infiltrazione ( )

c) Evaporazione

5. Che cosa succede con il calore del Sole?

a) L’acqua evapora ( )

b) L’acqua si congela

c) L’acqua s’infiltra

Sezione 2: Domande aperte semplificate (3 punti ciascuna)

1. Scrivi tre parole che descrivono il ciclo dell’acqua (es. evaporazione, pioggia).

2. Perché è importante l’acqua per la vita? Scrivi un esempio (es. “Senza acqua le piante non crescono”).

Strumento utilizzato: LLM – GPT4o

L’INTELLIGENZA ARTIFICIALE UMANISTICA: spunti teorici e risorse pratiche per integrare l’IA nella didattica delle discipline umanistiche

Letizia Cinganotto

Strumento: ChatGPT. Ecco la didascalia restituita da ChatGPT: Here is the image depicting artificial intelligence in the humanities, blending traditional

symbols like books and artifacts with futuristic AI elements in a modern digital library setting.

INTRODUZIONE

Nell’odierna era digitale, l’integrazione di strumenti di intelligenza artificiale (IA) nel mondo dell’istruzione si rivela sempre più essenziale per migliorare la qualità e l’efficacia del processo didattico. Gli insegnanti possono sfruttare la potenza dell’IA per arricchire l’esperienza di apprendimento, rendendo le lezioni più coinvolgenti e interattive, e offrire un supporto personalizzato agli studenti. ChatGPT si è imposto come uno degli strumenti di chatbot più avanzati disponibili per l’educazione, ma non deve necessariamente essere l’unica risorsa in aula. Esistono numerose alternative a ChatGPT, in grado di ampliare le possibilità didattiche, consentendo agli insegnanti di diversificare i metodi di insegnamento e di rispondere in modo più mirato ai bisogni dei propri studenti.

In questo contributo si farà riferimento all’uso di ChatGPT per la progettazione di attività didattiche relative alle discipline umanistiche, ma al contempo si forniranno suggerimenti utili anche per utilizzare altri AI-powered tools funzionali alla didattica.

1 PER UN APPROCCIO UMANISTICO

Nel settembre 2024, in occasione della Digital Learning Week, l’UNESCO ha pubblicato due documenti fondamentali per navigare nell’era dell’IA: l’AI Competency Framework for Teachers e l’AI Competency Framework for Students. Entrambi sono finalizzati a mappare le competenze necessarie per un uso corretto, critico e consapevole dell’IA, sotto l’egida di un approccio umanistico e umano-centrico.

L’approccio umanistico all’intelligenza artificiale pone al centro l’importanza dell’IA al servizio del benessere umano, della giustizia sociale e della sostenibilità, sulla base di un insieme di principi etici che mirano a garantire che l’IA sia uno strumento di progresso che rispetti e promuova valori come l’inclusione, l’equità, la responsabilità e la dignità umana. Secondo l’UNESCO, l’IA non dev’essere vista semplicemente come un insieme di tecnologie avanzate, ma come un’opportunità per migliorare la qualità della vita e creare un ambiente educativo più equo e inclusivo, in cui ogni individuo possa sviluppare al massimo le proprie potenzialità, ciascuno secondo i propri ritmi e stili di apprendimento.

L’AI Competency Framework for Teachers si articola in cinque aree chiave, finalizzate a guidare l’integrazione dell’IA in contesti educativi in modo responsabile:

1. Mentalità incentrata sull’essere umano: un uso dell’IA che rispetti l’autonomia degli individui e valorizzi l’interazione umana. Gli insegnanti sono chiamati a sviluppare pratiche didattiche che favoriscano la crescita personale e il benessere degli studenti, integrando l’IA come supporto, non come sostituzione dell’interazione umana. Questo approccio mira a utilizzare l’IA per raggiungere obiettivi educativi positivi e per favorire lo sviluppo del senso critico e dell’empatia degli apprendenti.

2. Etica dell’IA: è fondamentale per gli insegnanti conoscere e presentare agli studenti i dilemmi etici legati all’IA, come il rispetto della privacy, la trasparenza degli algoritmi e l’imparzialità dei processi decisionali automatici. È dunque utile discutere con gli studenti questioni critiche come l’equità, il bias algoritmico e la responsabilità, promuovendo una visione critica dell’IA.

3. Applicazioni e fondamenti dell’IA: è necessario conoscere i principi e le applicazioni pratiche dell’IA, per poterne comprendere il funzionamento, promuovendo un’alfabetizzazione digitale che prepari gli studenti a interagire con queste tecnologie in modo informato e sicuro.

4. Progettazione dell’esperienza educativa con l’IA: l’UNESCO incoraggia gli insegnanti a progettare percorsi educativi che integrino l’IA nella pratica didattica, con l’obiettivo di potenziare e personalizzare le esperienze di apprendimento, adattando i contenuti alle esigenze individuali degli studenti, riducendo dunque le disuguaglianze educative per un apprendimento accessibile a tutti e a ciascuno.

5. Sostenibilità e IA responsabile: l’uso dell’IA per uno sviluppo sostenibile, sensibilizzando all’importanza della responsabilità e della sostenibilità anche nell’uso delle tecnologie.

Pertanto, l’approccio umanistico dell’UNESCO mira a garantire l’uso dell’IA come supporto, non come sostituzione dell’interazione umana, che resterà comunque e sempre imprescindibile. In quest’ottica, l’IA diventa uno strumento in più a disposizione del docente, per educare alla cittadinanza globale, promuovendo una società più giusta, equa e sostenibile.

2 TECNOLOGIA O METODOLOGIA

In questi ultimi anni sono diventati molto popolari i dipinti di artisti francesi dei primi anni del 1900 che raffiguravano una proiezione futuristica della società e del mondo nell’anno 2000, a un secolo di distanza. Queste

opere, trasformate spesso in cartoline illustrate, rappresentano una visione ambiziosa e fantasiosa del progresso, con particolare enfasi sullo sviluppo tecnologico e sull’automazione della conoscenza.

Un esempio emblematico di questa visione futuristica è l’immagine della scuola del 2000, riportata in basso, utilizzata frequentemente in ambiti educativi per stimolare riflessioni sul progresso tecnologico. La scena raffigura una macchina complessa che macina libri e testi per trasformarli in “conoscenza liquida” da trasferire direttamente nelle menti degli studenti, tramite un sistema di cuffie collegato a un impianto elettrico avanzato. Questo processo, immaginato come un’infusione diretta di sapere, solleva interrogativi sul ruolo dell’insegnamento e del pensiero critico: gli studenti, infatti, appaiono passivi, senza interazione e quasi meccanizzati, con lo sguardo fisso e volti malinconici.

La figura del ragazzo addetto a far girare la manovella della macchina potrebbe rappresentare l’inizio di un ruolo tecnico specializzato, mentre l’insegnante appare come un “animatore digitale” pionieristico, che si limita a selezionare i testi da macinare per fornire agli studenti le informazioni pre-digerite. Tuttavia, l’assenza di scambio tra docente e studenti, così come la mancanza di interazione tra gli stessi alunni, mette in evidenza i rischi di una conoscenza trasmessa in modo così diretto, quasi robotico.

Con l’obiettivo di operare un confronto tra la scuola immaginata nell’anno 2000 e la scuola dell’era dell’IA, è stato chiesto a ChatGPT di restituire l’im-

magine della scuola dell’IA: il risultato è l’immagine riportata di seguito, accompagnata da una didascalia elaborata dallo stesso ChatGPT.

Ecco un’illustrazione che rappresenta una scuola nell’era dell’intelligenza artificiale. L’ambiente è futuristico, caratterizzato da tecnologie avanzate come schermi digitali interattivi, display olografici e assistenti didattici dotati di IA. Gli studenti collaborano utilizzando tablet e occhiali per la realtà

aumentata, mentre un robot umanoide supporta l’insegnante nella gestione e guida del gruppo classe. L’aula è progettata per favorire un apprendimento innovativo e interattivo, con un’atmosfera luminosa e sostenibile grazie alla presenza di spazi aperti, arredi modulari e piante.

L’idea di un ambiente di apprendimento sostenibile, arricchito da spazi aperti, arredi modulari e piante, è certamente attraente. Questi elementi sono progettati per promuovere un’atmosfera positiva e stimolante, supportando pratiche educative innovative. Altrettanto interessante è il ruolo dell’umanoide come coach e facilitatore, tratti tipici della didattica attiva.

Tuttavia, nonostante questi aspetti positivi, non convincono le dinamiche delle interazioni in classe. La postura, gli sguardi e le azioni degli studenti rivelano una certa disconnessione dall’ambiente di apprendimento, come se l’apprendimento avvenisse in modo solipsistico. Nessuna traccia di collaborazione, socializzazione, interazione tra studenti e con il docente.

Anche in questo caso, l’apprendimento sembra essere veicolato dall’uso delle cuffie, che pur offrendo vantaggi in termini di concentrazione, riducono drasticamente le opportunità di collaborazione e socializzazione tra pari, limitando così il potenziale di un vero apprendimento sociale e cooperativo.

In effetti, per certi aspetti, l’immagine della scuola dell’IA non sembra poi così diversa dalla scuola immaginata del 2000. Qual è dunque il ruolo della tecnologia nella didattica?

Sono stati pubblicati innumerevoli studi su questo tema negli ultimi decenni e recentemente il dibattito nella comunità scientifica è stato ampliato e arricchito dalla presenza sempre più pervasiva dell’intelligenza artificiale, the elephant in the room, come direbbero gli anglosassoni.

L’approccio umanistico cui si è fatto riferimento in precedenza è l’unico che può fare la differenza e concorrere al successo formativo: anteporre la metodologia alla tecnologia, conferendo priorità alle scelte metodologiche con cui navigare all’interno del mare magnum delle learning technologies e dell’IA, per una piena personalizzazione del processo di insegnamento e di apprendimento.

3 PER UN PROMPT EFFICACE

Tra i nuovi filoni di ricerca aperti dalla rivoluzione dell’IA, il prompt engineering riveste un ruolo fondamentale: saper elaborare il giusto prompt, specifico, dettagliato e accurato, potrà sicuramente contribuire a ottenere un output efficace ed esaustivo.

Come ci insegna Alamin Hossain1, è necessario tenere in considerazione alcuni pilastri del prompting, riportati di seguito:

• Imparare dagli errori

Prompt: “Ho commesso un errore durante la pratica di (abilità). Puoi analizzare i fattori che hanno contribuito a questo errore, evidenziando come questo si collega ai principi di (teoria o metodologia rilevante)? Forniscimi suggerimenti specifici su come posso sviluppare una strategia per prevenire errori simili in futuro, idealmente basata su esempi pratici o su studi precedenti”.

• Addestramento alla scrittura personale

Prompt: “Esegui un’analisi approfondita del testo seguente per identificare stile, voce e tono. Successivamente, crea un prompt dettagliato per scrivere un nuovo paragrafo che mantenga le caratteristiche linguistiche del testo, considerando anche eventuali aspetti tematici e retorici distintivi. [Inserisci il testo]”.

1 https://8020ai.gumroad.com

• Confronto e analisi comparativa

Prompt: “Analizza criticamente (concetto 1) e (concetto 2) confrontandone le caratteristiche principali. Fornisci un’analisi approfondita delle somiglianze e delle differenze, con l’uso di esempi pratici o teorici che illustrino come ciascun concetto potrebbe essere applicato o interpretato in contesti diversi. Se possibile, evidenzia anche i limiti e le potenziali applicazioni di ciascun concetto”.

• Networking

Prompt: “Aiutami a identificare e valutare le migliori comunità online, come forum di esperti, gruppi sui social media o piattaforme di apprendimento collaborativo, dove potrei condividere le mie conoscenze e ricevere feedback costruttivi su (argomento). Inoltre, suggerisci strategie per ottimizzare le mie interazioni in queste comunità per massimizzare l’apprendimento e la crescita professionale”.

• Semplificare informazioni complesse

Prompt: “Analizza (tema) e dividilo in concetti chiave o fasi che possano essere facilmente comprese da un pubblico non esperto. Utilizza analogie intuitive e illustra ogni parte con esempi pratici e concreti, mantenendo il linguaggio accessibile ma preciso. Includi anche una sintesi concettuale finale che chiarisca i collegamenti tra le parti”.

• Memorizzazione di informazioni chiave

Prompt: “Identifica i fatti, le date o le formule più significative riguardanti (tema). Aiutami a sviluppare una strategia di memorizzazione, come mappe mentali, mnemoniche o ripetizioni spaziate, che mi permetta di ricordare efficacemente queste informazioni. Includi suggerimenti su come rivedere e rafforzare queste nozioni a lungo termine”.

• Generazione di nuove idee

Prompt: “Ho bisogno di idee innovative su (argomento o obiettivo). Potresti suggerire approcci alternativi o originali per raggiungere questo obiettivo, basandoti su teorie consolidate, recenti innovazioni nel settore o esempi di successo in contesti simili? Aiutami a esplorare possibilità che potrei non aver considerato”.

• Migliorare le capacità decisionali

Prompt: “Sono incerto tra (opzione A) e (opzione B) e ho bisogno di una valutazione critica dei vantaggi e degli svantaggi di ciascuna opzione, considerando (criteri specifici). Puoi anche suggerire strumenti decisionali, come una matrice dei criteri o un’analisi SWOT (punti di forza, aree di debolezza, opportunità, rischi), per aiutarmi a prendere una decisione informata basata su un confronto sistematico”.

Le indicazioni succitate, relative a una corretta definizione del prompt, possono contribuire allo sviluppo delle soft skills e a un miglioramento del metodo di studio, favorendo le capacità relazionali, comunicative, critiche e di adattamento, essenziali per rispondere a situazioni complesse e variegate.

Nello specifico, per le discipline umanistiche, utilizzare gli esempi di prompt per interrogare ChatGPT, Gemini o altri LLM, può aiutare a sviluppare sia le abilità di pensiero di livello inferiore (LOTS Lower Order Thinking Skills), sia quelle di livello superiore (HOTS Higher Order Thinking Skills), in base alla nota tassonomia di Bloom (1994)2 .

• LOTS: Abilità come ricordare, comprendere e applicare concetti. I LLM possono supportare queste abilità, ad esempio, aiutando gli studenti a riassumere testi complessi o a spiegare concetti base.

• HOTS: Abilità superiori come analizzare, valutare e creare. I prompt possono stimolare attività di riflessione critica e confronto su temi umanistici, favorendo un pensiero profondo e articolato.

La semplificazione e manipolazione del testo, con l’obiettivo di facilitarne la comprensione, rappresenta un’ottima strategia di scaffolding, soprattutto in contesti di apprendimento linguistico. Manipolare e semplificare il testo con LLM aiuta gli studenti a gestire materiali complessi in una lingua straniera, e realizza un’attività di mediazione, come suggerito dal Quadro Comune Europeo di Riferimento per le lingue, Volume Complementare (QCERVC). Quest’attività non solo facilita la comprensione, ma promuove anche la collaborazione e il supporto reciproco tra gli studenti, che possono condividere e adattare le loro interpretazioni e risorse, potenziando ulteriormente le abilità sociali e trasversali.

2 Bloom B. S. (1994), “Reflections on the development and use of the taxonomy”. In Rehage K. J., Anderson L. W., Sosniak L. A. (Eds.), “Bloom’s taxonomy: A forty-year retrospective”, Yearbook of the National Society for the Study of Education, Vol. 93. Chicago: National Society for the Study of Education

4 L’IA NELLE DISCIPLINE UMANISTICHE: ALCUNI ESEMPI

4.1 L’IA per la progettazione didattica

L’intelligenza artificiale ha il potenziale di rivoluzionare l’istruzione, offrendo numerosi vantaggi nella progettazione didattica. Dall’individualizzazione dell’apprendimento alla creazione di contenuti multimediali interattivi, l’IA può migliorare l’esperienza di insegnamento e apprendimento, supportando sia gli studenti che gli insegnanti.

Grazie all’IA, i sistemi di apprendimento possono adattarsi in modo dinamico alle esigenze e agli stili individuali degli studenti. Attraverso l’analisi dei dati sul comportamento e le preferenze degli studenti, l’IA può creare percorsi di apprendimento personalizzati, offrendo contenuti, attività e feedback su misura per ciascuno di loro. Questa personalizzazione migliora l’impegno e i risultati degli studenti, consentendo loro di raggiungere il loro pieno potenziale.

L’IA può assistere gli insegnanti nella pianificazione e nell’erogazione delle lezioni, offrendo suggerimenti e strumenti di supporto, generando piani di lezione personalizzati, proponendo attività di apprendimento complementari. Inoltre, l’IA può aiutare gli insegnanti a identificare gli stili di apprendimento degli studenti e ad adattare di conseguenza le loro strategie didattiche.

La maggior parte delle piattaforme e degli strumenti di IA, pur essendo multilingui, sono caratterizzati da impostazioni e funzionalità di base in lingua inglese, come lingua “franca” o lingua “ponte”: generalmente è possibile selezionare la lingua target attraverso appositi filtri che propongono le varie lingue disponibili.

Una piattaforma come Education Copilot può suggerire la progettazione didattica delle varie lezioni del percorso individuato, come nell’immagine seguente, in cui la storia della Guerra Fredda è affrontata attraverso 10 lezioni, di cui si forniscono contenuti, risorse, specifiche attività, video come esposizione multimodale all’input.

4.2 L’IA per la produzione di contenuti

L’IA può essere utilizzata per creare contenuti didattici multimediali altamente interattivi e coinvolgenti, come simulazioni, giochi educativi e realtà aumentata. Questi strumenti di apprendimento immersivo possono migliorare l’engagement degli studenti e facilitare la comprensione di concetti complessi. Inoltre, l’IA può personalizzare i contenuti in base alle esigenze e agli interessi di ciascuno studente, garantendo un’esperienza di apprendimento ancora più efficace.

Edcafe AI è un assistente didattico basato sull’intelligenza artificiale generativa, progettato per la creazione di contenuti, la pianificazione didattica e l’apprendimento interattivo. La piattaforma si propone come un supporto concreto per aumentare l’efficienza dei docenti, integrando tecnologie avanzate e funzionalità che semplificano la progettazione educativa.

Edcafe offre una vasta gamma di strumenti organizzati in categorie principali, come la pianificazione didattica, la creazione di materiali per l’apprendimento, le valutazioni e i chatbot interattivi. Questi strumenti sono pro-

gettati per ridurre al minimo la complessità associata all’ingegnerizzazione dei prompt, semplificando l’accesso alla generazione di contenuti. Grazie a Edcafe, gli insegnanti possono creare materiali didattici semplicemente partendo da un argomento, un testo, un link di una pagina web da usare come riferimento, o anche da un documento già esistente.

Rispetto a ChatGPT, Edcafe si distingue per la capacità di interagire direttamente con gli studenti, trasformando i materiali didattici in esperienze dinamiche e collaborative. Edcafe, inoltre, consente ai docenti di trasformare tali risorse in attività interattive che stimolano attivamente la partecipazione degli studenti, favorendo un ambiente di apprendimento coinvolgente e adattivo, ideale per migliorare il processo educativo.

L’esempio riportato di seguito per la filosofia propone l’integrazione di alcune semplici meccaniche e dinamiche del gioco per l’apprendimento e il rinforzo dei contenuti, in un’ottica di gamification: la creazione di flashcards sul pensiero filosofico dei principali filosofi del 1900 è affidata all’IA, che al termine del processo genererà un QR code per la partecipazione interattiva al gioco delle “carte filosofiche”, molto simile al memory game.

L’uso della gamification in filosofia può rappresentare un modo innovativo per apprendere e rafforzare i concetti chiave. Questo approccio si articola nei seguenti passaggi:

1. Creazione di flashcards filosofiche: L’IA genera automaticamente flashcards con informazioni essenziali sui filosofi del 1900, includendo concetti chiave, teorie e citazioni. Ogni flashcard rappresenta un filosofo o un’idea centrale, sintetizzando i principali contributi e idee per rendere più immediato e memorizzabile il contenuto.

2. Integrazione della gamification: Una volta create le flashcards, l’IA genera un QR code che permette agli studenti di accedere a un gioco in stile memory. I giocatori abbinano coppie di carte (ad esempio, un filosofo e la sua teoria), che favoriscono il richiamo e la comprensione dei concetti in modo ludico. Questa dinamica, basata sull’accoppiamento corretto, aiuta gli studenti a consolidare la conoscenza e offre un rinforzo immediato degli apprendimenti.

3. Interattività e coinvolgimento: La componente digitale del QR code trasforma l’apprendimento in un’attività interattiva. Si crea così un ambiente di apprendimento divertente e collaborativo, dove il gioco sostiene la ripetizione e il consolidamento dei concetti, aiutando gli studenti a memorizzare e comprendere meglio le idee filosofiche complesse attraverso una pratica di revisione attiva.

Edcafe permette di svolgere numerosissime altre funzioni, come:

• Generatore di piani di lezione

• Generatore di slide

• Trova risorse didattiche

• Strumento di sintesi

• Generatore di flashcards

• Carte di vocabolario

• Esercizi di lettura basati sul vocabolario

• Livellatore di testi per la lettura

• IA per sintesi vocale (Text-to-Speech)

• Generatore di immagini da testo

• Generatore di quiz

• Generatore di quiz da video YouTube

• Comprensione della lettura

• Chatbot didattico personalizzato

• Chatbot di domande e risposte

• Chatbot per quiz

• Chatbot per personaggi

• Chatbot di conoscenza con IA

Il “Livellatore di testi per la lettura” è uno strumento fondamentale per le discipline umanistiche, specialmente in contesti educativi inclusivi e personalizzati. Questo tipo di funzionalità permette di adattare la complessità dei testi a diversi livelli di competenza, rendendo i contenuti accessibili a una platea eterogenea di studenti.

Ad esempio, un brano storico complesso, come quello sulla Guerra Fredda di seguito riportato, può risultare eccessivamente lungo o articolato per studenti con una comprensione ancora in fase di sviluppo o per studenti che apprendono in una lingua straniera. Il “Livellatore” interviene semplificando il testo, riducendo la densità delle informazioni, parafrasando concetti difficili e mantenendo solo le idee fondamentali.

Questo processo di adattamento garantisce che ogni studente possa affrontare i contenuti in modo autonomo e graduale, migliorando così la comprensione e l’interesse per la materia. Inoltre, supporta la costruzione di conoscenze solide in modo progressivo, assecondando le necessità individuali e contribuendo all’inclusività didattica.

4.3 L’IA per facilitare l’accesso ai materiali in modalità

WebQuest

Consensus è uno strumento IA avanzato per la ricerca su temi di carattere disciplinare, ideale per esaminare la letteratura scientifica e ottenere una sintesi di risultati di ricerca su argomenti specifici, anche in preparazione dell’esame di Stato. Gli studenti possono inserire una domanda o una parola chiave e il sistema utilizza modelli linguistici per analizzare e aggregare i contenuti di articoli scientifici rilevanti.

Il risultato è una risposta strutturata che include le conclusioni chiave tratte dagli studi scientifici e il livello di consenso tra le fonti selezionate. Questo processo è supportato dalla funzione “Consensus Meter” che permette di vedere immediatamente il grado di consenso scientifico su una specifica affermazione. Il documento finale include inoltre un elenco completo delle fonti utilizzate, agevolandone la verifica e l’analisi critica.

5 L’IA PER LA PIANIFICAZIONE DI UDA NELLE DISCIPLINE UMANISTICHE

In questo paragrafo si proporranno degli esempi di UDA nelle discipline umanistiche, utilizzando diversi LLM, a titolo meramente esemplificativo, senza alcuna pretesa di esaustività.

5.1 Esempio di UDA in letteratura italiana

Si inserisce in ChatGPT il prompt seguente, riferito al tema del Verismo nella progettazione di letteratura italiana del quinto anno della scuola secondaria di secondo grado:

Prompt: “Crea una UDA di letteratura italiana sul Verismo e Verga per una classe quinta di scuola secondaria di secondo grado. Comportati come una professoressa di italiano. Scrivi in maniera schematica e sintetica i contenuti dei singoli moduli. Aggiungi un’azione interdisciplinare con la storia e l’arte. Proponi 2 compiti di realtà. Proponi una prova di verifica finale con relativa griglia di valutazione”.

Unità Didattica di Apprendimento (UDA):

Il Verismo e Giovanni Verga

Classe: Quinta, scuola secondaria di secondo grado

Contenuti per moduli didattici:

Modulo 1: Il Verismo - Introduzione teorica

• Definizione e contesto storico-sociale: il Verismo come movimento letterario in Italia nella seconda metà dell’Ottocento.

• Rapporti con il Naturalismo francese (Zola) e le differenze principali.

• Temi principali: l’attenzione ai ceti popolari, il determinismo, l’impersonalità narrativa.

• Autori principali: Giovanni Verga e Luigi Capuana.

Modulo 2: Giovanni Verga e la poetica dell’impersonalità

• Biografia di Verga con riferimento al contesto storico-sociale della Sicilia dell’Ottocento.

• La poetica dell’impersonalità: il narratore esterno, il “processo di regressione”, il linguaggio e lo stile realistico.

Modulo 3: Analisi delle opere principali

• I Malavoglia: sintesi del romanzo, struttura e temi principali (il “ciclo dei vinti”).

• Rosso Malpelo (dai Racconti): analisi del racconto breve come esempio paradigmatico del Verismo.

• La roba: rapporto tra ricchezza e decadenza morale.

Azione interdisciplinare:

• Storia: approfondimento sul contesto dell’Italia post-unitaria, con particolare attenzione alle condizioni sociali ed economiche del Sud (questione meridionale).

• Arte: collegamento con il realismo pittorico italiano (es. Giuseppe Pellizza da Volpedo e Il Quarto Stato).

Compiti di realtà:

1. Ricostruzione storica e letteraria: Creare un progetto multimediale che colleghi la vita dei personaggi dei romanzi verghiani alle condizioni sociali e storiche del Meridione post-unitario, con riferimenti a fonti storiche, immagini e mappe.

2. Drammatizzazione: Realizzare una rappresentazione teatrale di una scena tratta da Rosso Malpelo o I Malavoglia, mettendo in evidenza il linguaggio e i temi principali dell’opera.

Griglia di Valutazione:

Verifica Finale:

Tipologia: Analisi del testo

• Testo: Passo tratto da I Malavoglia o Rosso Malpelo

• Prove richieste:

1. Comprensione (riassunto del testo).

2. Analisi formale (stile, linguaggio, narratore, temi).

3. Contestualizzazione storico-letteraria.

4. Commento personale.

ChatGPT ha generato le direttrici di un’UDA bene articolata, con implicazioni interdisciplinari.

Il docente può continuare il dialogo didattico con ChatGPT, chiedendo di dettagliare i contenuti e le attività del Modulo 1. Di seguito l’output.

Modulo 1: Il Verismo - Introduzione teorica

Contenuti:

1. Definizione e nascita del Verismo

• Il Verismo come movimento letterario italiano nato nella seconda metà dell’Ottocento.

• Influenza del Naturalismo francese di Émile Zola: l’uso del metodo scientifico applicato alla letteratura.

• Temi centrali: il determinismo sociale, la rappresentazione dei ceti popolari, il linguaggio realistico.

2. Contesto storico-sociale

• L’Italia post-unitaria: il divario Nord-Sud, la questione meridionale, le difficoltà socioeconomiche delle classi contadine.

• L’impatto del progresso scientifico e tecnologico sul pensiero dell’epoca.

3. Principi stilistici del Verismo

• L’impersonalità narrativa: il narratore come “testimone oggettivo”.

• La regressione narrativa: linguaggio e punto di vista aderenti al mondo rappresentato.

4. Autori principali

• Giovanni Verga: fondatore del Verismo e teorizzatore della poetica dell’impersonalità.

• Luigi Capuana: critico e teorico del movimento.

Attività didattiche:

1. Lezione frontale interattiva:

• Introduzione con una breve presentazione multimediale sul Verismo, i suoi principi e il contesto storico.

• Discussione guidata sulle differenze tra Realismo, Naturalismo e Verismo.

2. Analisi di un testo teorico:

• Lettura e commento collettivo di estratti dal programma verista di Luigi Capuana.

3. Attività collaborativa:

• Creazione di una mappa concettuale in piccoli gruppi sui temi e principi del Verismo.

4. Lavoro creativo:

• Gli studenti scriveranno una breve descrizione di una scena di vita quotidiana (es. una giornata in un mercato), applicando i principi del Verismo.

Per costruire la prova di verifica finale prevista dall’UDA, ricorriamo a un altro strumento di IA, Diffit, prensato proprio per la creazione di prove di comprensione scritta con item a risposta chiusa o aperta.

Diffit è una piattaforma multilingue, che permette di selezionare la lingua italiana tra le numerose altre lingue disponibili. È possibile chiedere all’IA

di costruire un test ex novo a partire da un topic, oppure a partire da un link, da un video o da un file inserito in piattaforma.

Il risultato sarà un test con alcune parole chiave che ne facilitano la comprensione, alcune domande a risposta multipla e a risposta aperta.

Il docente può visualizzare anche le risposte giuste o suggerite. La personalizzazione del test è possibile in base alla scelta del grado scolastico, secondo il sistema anglosassone K-12.

Le prove generate da Diffit, oltre a poter essere stampate, sono compatibili con molte piattaforme multimediali e possono dunque essere somministrate sia nel formato cartaceo, sia in quello digitale: in pochi secondi il test potrà essere trasformato in un Google Moduli per una compilazione online con feedback immediato pre-impostato.

Si tratta di una notevole facilitazione per il docente che, tuttavia, potrà sempre modificare, integrare o tagliare l’output generato, adattandolo alle specifiche esigenze del suo target di apprendenti: il “tocco umano” è sempre necessario e imprescindibile.

L’esempio riportato di seguito è stato generato da Diffit a partire dal testo del primo capitolo dei Malavoglia caricato in piattaforma in formato pdf, selezionando la lingua italiana e il grado 11+, cui possiamo equiparare l’ultimo anno di scuola secondaria di secondo grado.

Analisi del testo:

Testo: Capitolo I I Malavoglia.

Nomignolo (noun)

Definition: Un soprannome o un nome scherzoso, spesso dato a qualcuno a causa di una caratteristica fisica o di un tratto del carattere.

Example: Il suo nomignolo era “Il Gigante” a causa della sua altezza.

Ammarrata (adjective)

Definition: Ancorata o legata a terra o a un molo.

Example: La barca era ammarrata al molo, pronta per la partenza.

Dispersero (verb)

Definition: Scacciare o diffondere in diverse direzioni.

Example: Il vento forte dispersero le foglie dagli alberi.

Quarant’ore (noun)

Definition: Un periodo di preghiera e penitenza nella Chiesa cattolica, che dura quaranta ore.

Example: Durante le quarant’ore, i fedeli si riuniscono in chiesa per pregare e riflettere.

Bighellone (noun)

Definition: Una persona che perde tempo e non fa nulla di utile.

Example: Il bighellone passava le sue giornate a vagare per le strade senza uno scopo.

Test a risposta multipla:

1. Quali sono le due cose che padron ’Ntoni dice per spiegare il miracolo grazie al quale la sua famiglia è stata risparmiata dalle burrasche?

a. Padron ’Ntoni dice che la sua famiglia è stata risparmiata dalle burrasche perché hanno sempre avuto delle barche sull’acqua e delle tegole al sole.

b. Padron ’Ntoni dice che la sua famiglia è stata risparmiata dalle burrasche perché le cinque dita della mano devono aiutarsi l’un l’altro e gli uomini sono fatti come le dita della mano.

c. Padron ’Ntoni dice che la sua famiglia è stata risparmiata dalle burrasche perché hanno sempre pregato la Madonna e la Provvidenza è stata con loro.

d. Padron ’Ntoni dice che la sua famiglia è stata risparmiata dalle burrasche perché hanno sempre lavorato sodo e la loro casa è stata costruita con materiali resistenti.

Answer: B) Padron ’Ntoni dice che la sua famiglia è stata risparmiata dalle burrasche perché le cinque dita della mano devono aiutarsi l’un l’altro e gli uomini sono fatti come le dita della mano.

2. Come viene descritto il rapporto tra ’Ntoni e la Sara di comare Tudda?

a. ’Ntoni e la Sara sono amici d’infanzia e si salutano con affetto quando ’Ntoni parte per la leva.

b. La Longa è gelosa della Sara perché ’Ntoni la saluta con la mano quando parte per la leva.

c. ’Ntoni e la Sara sono innamorati e si scambiano sguardi d’intesa quando ’Ntoni parte per la leva.

d. La Sara è una ragazza di Trezza che ’Ntoni conosce di vista, ma non ha un rapporto stretto con lei.

Answer: B) La Longa è gelosa della Sara perché ’Ntoni la saluta con la mano quando parte per la leva. L’Intelligenza Artificiale

Emanuele Frontoni è professore ordinario di Informatica all’Università di Macerata e co-director del VRAI Vision Robotics & Artificial Intelligence Lab.

È Affiliated Researcher presso l’Istituto Italiano di Tecnologia (IIT) di Genova (https://inbot.iit.it/).

Dal 2022 è il Direttore Scientifico del Centro per la Ricerca Scientifica e l’Innovazione Tecnologica in Campo Neurologico NemoLab, presso l’Ospedale Niguarda di Milano (https://nemolab.it/).

Svolge la sua attività di ricerca nel settore dell’intelligenza artificiale e della visione artificiale, dell’analisi del comportamento umano, della realtà aumentata e degli spazi sensibili, delle digital humanities

È autore di oltre 300 articoli internazionali e collabora con numerose aziende nazionali e internazionali in attività di trasferimento tecnologico e di innovazione.

Dal 2021 è stato inserito nella lista annuale “World’s Top 2% Scientists”, curata dalla Stanford University e dalla Elsevier, che elenca il 2% degli scienziati più citati al mondo, all’interno della categoria “Artificial Intelligence & Image Processing”.

È stato Program Chair o General Chair di varie conferenze e summer school internazionali (e.g. IEEE/ASME MESA Mechatronic Embedded System & Applications 2016 e 2017, IEEE ECMR European Conference on Mobile Robots 2017, BigData 2020, DeepLearn 2021) e co-organizzatore di numerosi workshop internazionali (ad esempio DeepRetail @ICPR 2020, D2CH @CVPR 2021, AI4DH @ICIAP 2022).

È un esperto per la Commissione europea nelle valutazioni di progetti H2020, Horizon Europe, IPCEI CIS e MSC; è attualmente coinvolto in vari progetti EU in corso (H2020 - DWC, INCREASE, ULTIMATE e sub-call ROSIN; MSCA - TRUST).

È membro di EurAI European Association for Artificial Intelligence, della European AI Alliance e della International Association for Pattern Recognition.

Letizia Cinganotto, già Prima Ricercatrice presso INDIRE, attualmente insegna didattica delle lingue presso l’Università per Stranieri di Perugia, dove è Delegata Rettorale alle Relazioni Internazionali, Membro del Consiglio Direttivo e del Consiglio Scientifico del CVCL (Centro per la Valutazione e le Certificazioni Linguistiche), nonché referente dei corsi online di lingua e cultura italiana di ateneo e coordinatrice del progetto di ricerca “AIDI” (Apprendimento in Italiano e Dialogo in Italiano), finalizzato allo sviluppo di un sistema di Intelligenza Artificiale per l’apprendimento dell’Italiano come lingua seconda/straniera. Ha effettuato innumerevoli missioni istituzionali per conto dell’Ateneo, coprendo diverse aree geografiche, tra cui India, Cina, Giappone, Australia, Uzbekistan, Turkmenistan, Libia.

Partecipa attivamente ai lavori dell’ALTE (Association for Language Testers in Europe) in rappresentanza dell’Università per Stranieri di Perugia, che ne è full member. Nello specifico, è chair di due Special Interest Group (SIG) di ALTE: CEFR e YAL (Young Learners). Ha conseguito un PhD in linguistica sincronica, diacronica e applicata e l’Abilitazione Scientifica Nazionale come professore associato. È membro del Comitato Scientifico dell’Associazione CLIQ, nonché di numerosi altri gruppi di lavoro e comitati scientifici sia in ambito nazionale che internazionale, in particolare è membro del consultancy team dell’European Centre for Modern Languages (ECML) del Consiglio d’Europa per il progetto “Pluriliteracies Teaching for Deeper Learning” (PTDL). È autrice di numerose pubblicazioni e volumi.

Le sue aree di ricerca attualmente sono le seguenti: la progettazione e l’implementazione di percorsi formativi per l’Italiano lingua seconda/straniera con l’uso delle glottotecnologie; l’Intelligenza Artificiale per la didattica delle lingue straniere e dell’Italiano lingua seconda/straniera; la metodologia CLIL (Content and Language Integrated Learning) in riferimento alle questioni linguistiche, metodologiche, didattiche e tecnologiche.