Cari lettori,
ho appena iniziato un corso per gli studenti della mia scuola, dal titolo “Il mondo dell’intelligenza artificiale”. Non sapendo, poiché gli studenti provengono da classi diverse, su quali prerequisiti potessi contare, ho deciso di fare una prima lezione un po’ interlocutoria e di valutazione dell’audience. Come spesso accade nella mia professione, insegnando ho dato il via anche ad un approfondimento mio e ad una serie di riflessioni ex post, per cui alla fine, forse, ho imparato tanto quanto i miei studenti.
Quello che vi presento oggi, quindi, è un breve scritto con una sintesi delle mie riflessioni.
La chiacchierata della prima lezione è sfociata nell’ascolto della prima puntata di un bellissimo podcast del Post, dal titolo “Geniale”, che colgo l’occasione per consigliarvi, dato che tra l’altro è uno di quelli per il cui ascolto non è necessario l’abbonamento al giornale (che comunque mi sento di aggiungere come secondo consiglio, perché lo ritengo di qualità molto più elevata di tutti gli altri mezzi di informazione). Il podcast che ho utilizzato, dunque, lo trovate qui: https://www.ilpost.it/podcasts/geniale/
I concetti più importanti che abbiamo estrapolato nel nostro dialogo a commento del podcast sono relativi al modo in cui le macchine vengono istruite per poter svolgere determinati compiti con l’efficienza desiderata. Di conseguenza, ci siamo concentrati sul confronto tra addestramento e modellizzazione.
L’istruzione delle macchine può avvenire infatti, principalmente, attraverso questi due approcci.
L’apprendimento automatico (machine learning) si basa sulla capacità delle macchine di migliorare le loro prestazioni analizzando grandi quantità di dati e identificando modelli al loro interno. Attraverso algoritmi specifici, le macchine apprendono da esempi e dati passati, permettendo loro di fare previsioni o prendere decisioni basate su nuove informazioni. Questo approccio è particolarmente utile in contesti dinamici e complessi, dove le variabili cambiano continuamente e l’adattamento è essenziale.
Dall’altro lato, l’istruzione attraverso modellizzazione implica la creazione di modelli espliciti basati su regole, equazioni o rappresentazioni logiche fornite dagli sviluppatori. In questo metodo, i modelli sono costruiti per simulare il comportamento di sistemi specifici e prevedere risultati. La modellizzazione è più controllata rispetto all’apprendimento automatico, poiché segue schemi ben definiti e può essere utilizzata quando le relazioni tra le variabili sono note e stabili. Entrambi gli approcci hanno i loro punti di forza: l’apprendimento automatico è potente in contesti dove è necessario scoprire nuove relazioni nei dati, mentre la modellizzazione è efficace per rappresentare processi comprensibili e verificabili.
Dopo questa lezione, mi sono ritrovata a pensare quanto questo discorso possa spingerci a comprendere meglio anche il modo in cui noi impariamo (o insegniamo). Il nostro modo di insegnare nelle scuole italiane è alquanto simile all’addestramento, con la richiesta di immagazzinare nelle giovani menti dei nostri studenti molti dati che spesso vengono richiesti in una restituzione molto fedele a quanto l’insegnante ha detto o a quanto si trova sul libro di testo o sulle slide. Anche se si parla tanto di problem solving, l’approccio di studenti e insegnanti è molto raramente improntato alla modellizzazione, anche quando dall’uso esperto di modelli si potrebbe guadagnare tempo ed efficacia.
Lo vedo spesso nei giovanissimi studenti alle prese con il primo studio delle declinazioni latine: ciò che con un uso del modello potrebbe essere acquisito molto rapidamente, non si trasforma in apprendimento efficace se non si fanno declinare diversi sostantivi, per più settimane. In questo esercizio spesso devo constatare che i ragazzi imparano a memoria, cercando di ripetere tutta la “filastrocca” di termini declinati a memoria, invece di focalizzarsi sulle caratteristiche chiave delle desinenze e sulla loro funzione logica.
L’unico modo che ho per spiegarmelo è ricorrere alle mie conoscenze sullo sviluppo della mente in età evolutiva. Durante l’adolescenza, la mente è in una fase di transizione tra il pensiero concreto dell’infanzia e lo sviluppo del pensiero astratto e metacognitivo. A quest’età, le abilità cognitive sono ancora in evoluzione, e il passaggio dall’apprendimento meccanico a quello critico e riflessivo avviene gradualmente. La memorizzazione delle declinazioni latine può essere vista come un metodo di studio rassicurante e diretto per gli studenti, che permette di acquisire una base solida su cui costruire successivamente competenze più analitiche e complesse. Inoltre, l’abitudine a memorizzare sequenze e strutture linguistiche aiuta a sviluppare la memoria a breve e lungo termine, un aspetto cruciale per la maturazione cognitiva. Solo successivamente, man mano che il pensiero astratto si sviluppa, gli studenti diventano più capaci di comprendere e riflettere sulle funzioni logiche delle desinenze, analizzando come queste influiscano sul significato e sulla struttura delle frasi. L’insegnamento tradizionale del latino, che spesso inizia con l’apprendimento mnemonico delle declinazioni, può quindi avere una base educativa nello sviluppo graduale delle capacità cognitive, preparando gli studenti a una comprensione più profonda delle regole linguistiche una volta che le loro abilità di pensiero logico e analitico sono sufficientemente sviluppate.
Gli studenti che frequentano il mio corso sull’AI, invece, sono tutti del secondo biennio o dell’ultimo anno: varrà dunque la pena di ricordare più esplicitamente a loro i vantaggi del duplice approccio anche per la mente umana, e non solo per le macchine!
Cosa ne pensate?
Federica
