scheda docente materiale didattico
L'unità introduttiva ricostruisce in forma sintetica la linea che dall'analisi skinneriana dell'insegnamento conduce all'istruzione programmata, all'istruzione assistita dal computer e ai sistemi adattivi. Non si tratta di un omaggio erudito. Le categorie di contingenza di rinforzo, feedback immediato, progressione per piccoli passi e ritmo individuale costituiscono ancora oggi la grammatica implicita di molti sistemi intelligenti, e riconoscerla permette di valutare con maggior discernimento ciò che viene presentato come innovazione radicale.
Il corpo del modulo affronta quindi tre ordini di questioni fra loro intrecciati. Il primo riguarda il funzionamento dei modelli linguistici e le tecniche documentate per governarne il comportamento: qui il riferimento principale è il *whitepaper* di Lee Boonstra per Google, adottato come manuale operativo e discusso criticamente in chiave pedagogica. Il secondo riguarda l'impiego dell'intelligenza artificiale nei compiti propri del professionista dell'educazione: progettare, adattare materiali, costruire prove e rubriche, fornire riscontri, analizzare dati di apprendimento. Il terzo riguarda l'uso dell'intelligenza artificiale nella ricerca educativa — dalla ricognizione della letteratura al supporto all'analisi qualitativa e quantitativa — con particolare attenzione ai requisiti di trasparenza, tracciabilità e replicabilità che la comunità scientifica richiede.
Attraversa l'intero percorso un'esigenza di verifica empirica: ogni affermazione sull'efficacia di uno strumento viene ricondotta alle evidenze disponibili, alla loro qualità metodologica e ai loro limiti.
1. **Premessa genealogica: dalle macchine per insegnare ai sistemi adattivi**
- L'analisi sperimentale del comportamento e l'insegnamento come organizzazione delle contingenze di rinforzo.
- Feedback immediato, piccoli passi, partecipazione attiva, ritmo individuale: quattro principi e la loro persistenza nei sistemi contemporanei.
- Dall'istruzione programmata all'istruzione assistita dal computer, agli ambienti di e-learning, ai sistemi adattivi e tutoriali intelligenti.
- Che cosa cambia davvero con i sistemi generativi: dalla regola esplicita al comportamento appreso statisticamente.
2. **Come funzionano i modelli linguistici: il minimo indispensabile per usarli bene**
- Apprendimento automatico: compito, esperienza, misura della prestazione.
- Apprendimento supervisionato e non supervisionato, reti neurali, architetture *transformer*.
- Il modello come motore di predizione: *token*, contesto, generazione sequenziale.
- Configurazione dell'output: lunghezza, temperatura, *top-K*, *top-P*; interazione fra i parametri e conseguenze sulla riproducibilità.
- Perché un output plausibile può essere falso: allucinazioni, appiattimento delle fonti, deriva ripetitiva, opacità dei processi interni.
3. **Prompt engineering: tecniche, configurazioni e documentazione**
- *Prompting* generale e *zero-shot*; *one-shot* e *few-shot*: numero, qualità e diversità degli esempi, trattamento dei casi limite.
- *System*, *contextual* e *role prompting*: definire compito, contesto e voce del sistema; sovrapposizioni e funzioni distinte.
- *Step-back prompting*: attivare conoscenze generali prima del compito specifico e attenuare le distorsioni.
- *Chain of thought*, *self-consistency*, *tree of thoughts*: ragionamento intermedio, percorsi multipli, voto di maggioranza; costi computazionali e limiti interpretativi.
- ReAct e il ricorso a strumenti esterni: prima approssimazione dei sistemi agentici.
- *Automatic prompt engineering*: generazione e valutazione automatica di varianti; metriche e loro inadeguatezza per i compiti educativi.
- Buone pratiche: fornire esempi, privilegiare istruzioni su vincoli, specificare l'output atteso, semplicità, uso di variabili, sperimentazione di formati.
- Output strutturati e schemi JSON per input e output; riparazione di output malformati.
- Documentazione sistematica dei tentativi: modello, versione, parametri, *prompt*, output, esito, iterazione. La documentazione come requisito di scientificità, non come adempimento burocratico.
4. **Intelligenza artificiale e progettazione didattica**
- Dall'obiettivo di apprendimento al *prompt*: traduzione di intenzioni formative in richieste operative.
- Generazione e adattamento di materiali: riformulazione per livelli di leggibilità, esemplificazione, costruzione di casi e scenari.
- Differenziazione, accessibilità e progettazione universale per l'apprendimento.
- Sequenziamento dei contenuti, percorsi personalizzati e loro fondamento empirico.
- Specificità dell'apprendimento adulto: esperienza pregressa, motivazione, autodirezione, riconoscimento degli apprendimenti informali.
- Che cosa non delegare: decisione pedagogica, relazione educativa, responsabilità professionale.
5. **Intelligenza artificiale e valutazione degli apprendimenti**
- Costruzione assistita di item a scelta multipla: distrattori plausibili, controllo della difficoltà, errori tipici generati dai modelli.
- Analisi degli item e revisione umana: indici di difficoltà e discriminatività come criterio di controllo qualità.
- Rubriche analitiche e olistiche: generazione, calibrazione, verifica della coerenza descrittiva fra livelli.
- Feedback automatico e valutazione formativa: potenzialità, rischi di standardizzazione, effetti sulla motivazione.
- Correzione automatica di prove aperte: stato dell'evidenza, accordo con valutatori umani, equità rispetto a sottogruppi.
- Validità, attendibilità ed equità: perché l'automazione non dispensa dai requisiti docimologici classici.
6. **Intelligenza artificiale nella ricerca educativa**
- Ricognizione e sistematizzazione della letteratura: interrogazione, sintesi, rischi di riferimenti fabbricati, procedure di verifica.
- Sistemi a recupero aumentato (RAG) e ancoraggio documentale delle risposte.
- Supporto alla ricerca qualitativa: codifica assistita, confronto fra codifica umana e automatica, accordo fra codificatori, rischi di circolarità interpretativa.
- Supporto alla ricerca quantitativa: esplorazione dei dati, generazione di codice per l'analisi, interpretazione degli esiti e sue insidie.
- *Educational Data Mining* e *learning analytics*: modelli predittivi, indicatori di rischio, questioni di validità e di effetto profezia.
- Scrittura scientifica assistita: revisione linguistica, sintesi, strutturazione; confini fra supporto legittimo e sostituzione dell'autorialità.
- Trasparenza, tracciabilità, replicabilità: dichiarazioni d'uso, politiche editoriali delle riviste, posizioni dei comitati etici.
7. **AI literacy, etica, diritto e integrità accademica**
- Competenze per comprendere, utilizzare, valutare e discutere criticamente i sistemi di intelligenza artificiale; quadri di riferimento internazionali.
- Bias algoritmici, stereotipi, disuguaglianze di accesso, lavoro umano implicato nell'addestramento e nella moderazione.
- Protezione dei dati personali, sorveglianza, autonomia dell'apprendente, trasparenza e responsabilità.
- Il quadro normativo europeo e la classificazione dei sistemi in ambito educativo.
- Scrittura ibrida, attribuzione, proprietà intellettuale; dal plagio al postplagio.
- Limiti dei rilevatori automatici di testo generato e conseguente riprogettazione delle attività di valutazione.
- Agrusti, F. (a cura di). (2023). *Educazione e Intelligenza Artificiale*. Roma: Roma TrE-Press. DOI: 10.13134/979-12-5977-257-2.
- Boonstra, L. (2025). *Prompt Engineering* [Whitepaper]. Google. Disponibile all'indirizzo: https://www.kaggle.com/whitepaper-prompt-engineering. Il documento è adottato come manuale operativo del modulo e sarà discusso criticamente in prospettiva pedagogica; la conoscenza richiesta riguarda le tecniche di *prompting*, i parametri di configurazione dell'output, le buone pratiche e le procedure di documentazione.
- Skinner, B. F. (1970). *La tecnologia dell'insegnamento*. Brescia: La Scuola. Limitatamente ai seguenti capitoli e intervalli di pagine, disponibili in piattaforma: capitolo 1, pp. 37-47; capitolo 2, pp. 48-69.
- Diapositive e materiali didattici messi a disposizione dal docente nella piattaforma dell'insegnamento.
I testi obbligatori devono essere studiati integralmente nelle parti indicate. Le applicazioni illustrate durante le lezioni potranno cambiare in relazione all'evoluzione degli strumenti. Ai fini dell'esame assumono rilievo i concetti, le tecniche, i criteri pedagogici e le procedure di analisi e di verifica discussi nel modulo, non la conoscenza meramente operativa di un singolo prodotto commerciale.
Programma
Il modulo intende formare una competenza professionale, non una semplice familiarità d'uso. La differenza è sostanziale. Saper interrogare un sistema generativo non equivale a saper stabilire quando interrogarlo, con quale tecnica, sotto quali vincoli e con quali procedure di controllo: è questo secondo ordine di competenze che il corso persegue.L'unità introduttiva ricostruisce in forma sintetica la linea che dall'analisi skinneriana dell'insegnamento conduce all'istruzione programmata, all'istruzione assistita dal computer e ai sistemi adattivi. Non si tratta di un omaggio erudito. Le categorie di contingenza di rinforzo, feedback immediato, progressione per piccoli passi e ritmo individuale costituiscono ancora oggi la grammatica implicita di molti sistemi intelligenti, e riconoscerla permette di valutare con maggior discernimento ciò che viene presentato come innovazione radicale.
Il corpo del modulo affronta quindi tre ordini di questioni fra loro intrecciati. Il primo riguarda il funzionamento dei modelli linguistici e le tecniche documentate per governarne il comportamento: qui il riferimento principale è il *whitepaper* di Lee Boonstra per Google, adottato come manuale operativo e discusso criticamente in chiave pedagogica. Il secondo riguarda l'impiego dell'intelligenza artificiale nei compiti propri del professionista dell'educazione: progettare, adattare materiali, costruire prove e rubriche, fornire riscontri, analizzare dati di apprendimento. Il terzo riguarda l'uso dell'intelligenza artificiale nella ricerca educativa — dalla ricognizione della letteratura al supporto all'analisi qualitativa e quantitativa — con particolare attenzione ai requisiti di trasparenza, tracciabilità e replicabilità che la comunità scientifica richiede.
Attraversa l'intero percorso un'esigenza di verifica empirica: ogni affermazione sull'efficacia di uno strumento viene ricondotta alle evidenze disponibili, alla loro qualità metodologica e ai loro limiti.
1. **Premessa genealogica: dalle macchine per insegnare ai sistemi adattivi**
- L'analisi sperimentale del comportamento e l'insegnamento come organizzazione delle contingenze di rinforzo.
- Feedback immediato, piccoli passi, partecipazione attiva, ritmo individuale: quattro principi e la loro persistenza nei sistemi contemporanei.
- Dall'istruzione programmata all'istruzione assistita dal computer, agli ambienti di e-learning, ai sistemi adattivi e tutoriali intelligenti.
- Che cosa cambia davvero con i sistemi generativi: dalla regola esplicita al comportamento appreso statisticamente.
2. **Come funzionano i modelli linguistici: il minimo indispensabile per usarli bene**
- Apprendimento automatico: compito, esperienza, misura della prestazione.
- Apprendimento supervisionato e non supervisionato, reti neurali, architetture *transformer*.
- Il modello come motore di predizione: *token*, contesto, generazione sequenziale.
- Configurazione dell'output: lunghezza, temperatura, *top-K*, *top-P*; interazione fra i parametri e conseguenze sulla riproducibilità.
- Perché un output plausibile può essere falso: allucinazioni, appiattimento delle fonti, deriva ripetitiva, opacità dei processi interni.
3. **Prompt engineering: tecniche, configurazioni e documentazione**
- *Prompting* generale e *zero-shot*; *one-shot* e *few-shot*: numero, qualità e diversità degli esempi, trattamento dei casi limite.
- *System*, *contextual* e *role prompting*: definire compito, contesto e voce del sistema; sovrapposizioni e funzioni distinte.
- *Step-back prompting*: attivare conoscenze generali prima del compito specifico e attenuare le distorsioni.
- *Chain of thought*, *self-consistency*, *tree of thoughts*: ragionamento intermedio, percorsi multipli, voto di maggioranza; costi computazionali e limiti interpretativi.
- ReAct e il ricorso a strumenti esterni: prima approssimazione dei sistemi agentici.
- *Automatic prompt engineering*: generazione e valutazione automatica di varianti; metriche e loro inadeguatezza per i compiti educativi.
- Buone pratiche: fornire esempi, privilegiare istruzioni su vincoli, specificare l'output atteso, semplicità, uso di variabili, sperimentazione di formati.
- Output strutturati e schemi JSON per input e output; riparazione di output malformati.
- Documentazione sistematica dei tentativi: modello, versione, parametri, *prompt*, output, esito, iterazione. La documentazione come requisito di scientificità, non come adempimento burocratico.
4. **Intelligenza artificiale e progettazione didattica**
- Dall'obiettivo di apprendimento al *prompt*: traduzione di intenzioni formative in richieste operative.
- Generazione e adattamento di materiali: riformulazione per livelli di leggibilità, esemplificazione, costruzione di casi e scenari.
- Differenziazione, accessibilità e progettazione universale per l'apprendimento.
- Sequenziamento dei contenuti, percorsi personalizzati e loro fondamento empirico.
- Specificità dell'apprendimento adulto: esperienza pregressa, motivazione, autodirezione, riconoscimento degli apprendimenti informali.
- Che cosa non delegare: decisione pedagogica, relazione educativa, responsabilità professionale.
5. **Intelligenza artificiale e valutazione degli apprendimenti**
- Costruzione assistita di item a scelta multipla: distrattori plausibili, controllo della difficoltà, errori tipici generati dai modelli.
- Analisi degli item e revisione umana: indici di difficoltà e discriminatività come criterio di controllo qualità.
- Rubriche analitiche e olistiche: generazione, calibrazione, verifica della coerenza descrittiva fra livelli.
- Feedback automatico e valutazione formativa: potenzialità, rischi di standardizzazione, effetti sulla motivazione.
- Correzione automatica di prove aperte: stato dell'evidenza, accordo con valutatori umani, equità rispetto a sottogruppi.
- Validità, attendibilità ed equità: perché l'automazione non dispensa dai requisiti docimologici classici.
6. **Intelligenza artificiale nella ricerca educativa**
- Ricognizione e sistematizzazione della letteratura: interrogazione, sintesi, rischi di riferimenti fabbricati, procedure di verifica.
- Sistemi a recupero aumentato (RAG) e ancoraggio documentale delle risposte.
- Supporto alla ricerca qualitativa: codifica assistita, confronto fra codifica umana e automatica, accordo fra codificatori, rischi di circolarità interpretativa.
- Supporto alla ricerca quantitativa: esplorazione dei dati, generazione di codice per l'analisi, interpretazione degli esiti e sue insidie.
- *Educational Data Mining* e *learning analytics*: modelli predittivi, indicatori di rischio, questioni di validità e di effetto profezia.
- Scrittura scientifica assistita: revisione linguistica, sintesi, strutturazione; confini fra supporto legittimo e sostituzione dell'autorialità.
- Trasparenza, tracciabilità, replicabilità: dichiarazioni d'uso, politiche editoriali delle riviste, posizioni dei comitati etici.
7. **AI literacy, etica, diritto e integrità accademica**
- Competenze per comprendere, utilizzare, valutare e discutere criticamente i sistemi di intelligenza artificiale; quadri di riferimento internazionali.
- Bias algoritmici, stereotipi, disuguaglianze di accesso, lavoro umano implicato nell'addestramento e nella moderazione.
- Protezione dei dati personali, sorveglianza, autonomia dell'apprendente, trasparenza e responsabilità.
- Il quadro normativo europeo e la classificazione dei sistemi in ambito educativo.
- Scrittura ibrida, attribuzione, proprietà intellettuale; dal plagio al postplagio.
- Limiti dei rilevatori automatici di testo generato e conseguente riprogettazione delle attività di valutazione.
Testi Adottati
**Testi obbligatori**- Agrusti, F. (a cura di). (2023). *Educazione e Intelligenza Artificiale*. Roma: Roma TrE-Press. DOI: 10.13134/979-12-5977-257-2.
- Boonstra, L. (2025). *Prompt Engineering* [Whitepaper]. Google. Disponibile all'indirizzo: https://www.kaggle.com/whitepaper-prompt-engineering. Il documento è adottato come manuale operativo del modulo e sarà discusso criticamente in prospettiva pedagogica; la conoscenza richiesta riguarda le tecniche di *prompting*, i parametri di configurazione dell'output, le buone pratiche e le procedure di documentazione.
- Skinner, B. F. (1970). *La tecnologia dell'insegnamento*. Brescia: La Scuola. Limitatamente ai seguenti capitoli e intervalli di pagine, disponibili in piattaforma: capitolo 1, pp. 37-47; capitolo 2, pp. 48-69.
- Diapositive e materiali didattici messi a disposizione dal docente nella piattaforma dell'insegnamento.
I testi obbligatori devono essere studiati integralmente nelle parti indicate. Le applicazioni illustrate durante le lezioni potranno cambiare in relazione all'evoluzione degli strumenti. Ai fini dell'esame assumono rilievo i concetti, le tecniche, i criteri pedagogici e le procedure di analisi e di verifica discussi nel modulo, non la conoscenza meramente operativa di un singolo prodotto commerciale.
Bibliografia Di Riferimento
**Letture e approfondimenti** - Eaton, S. E. (2023). Postplagiarism: transdisciplinary ethics and integrity in the age of artificial intelligence and neurotechnology. *International Journal for Educational Integrity, 19*, 23. https://doi.org/10.1007/s40979-023-00144-1 - UNESCO. (2024). *AI competency framework for teachers*. Paris: UNESCO. https://doi.org/10.54675/ZJTE2084 - Commissione europea, Direzione generale dell'Istruzione, della gioventù, dello sport e della cultura. (2022). *Orientamenti etici per gli educatori sull'uso dell'intelligenza artificiale e dei dati nell'insegnamento e nell'apprendimento*. Ufficio delle pubblicazioni dell'Unione europea. https://data.europa.eu/doi/10.2766/153756 - Regolamento (UE) 2024/1689 del Parlamento europeo e del Consiglio, del 13 giugno 2024, che stabilisce regole armonizzate sull'intelligenza artificiale. Limitatamente alle disposizioni rilevanti per i sistemi impiegati in ambito educativo e formativo. - Articoli scientifici, rapporti istituzionali e casi di studio sull'intelligenza artificiale in educazione indicati durante il corso. Le letture di approfondimento non sono obbligatorie, salvo diversa indicazione del docente. Sono consigliate sia agli studenti frequentanti sia agli studenti non frequentanti.Modalità Frequenza
FacoltativaModalità Valutazione
**Valutazione formativa.** Nel corso delle lezioni saranno proposte prove strutturate di autovalutazione, esercitazioni di analisi comparativa degli output generati, revisioni fra pari di *prompt* documentati e brevi attività di progettazione. Tali attività non concorreranno direttamente alla determinazione del voto finale, ma consentiranno di verificare progressivamente la propria preparazione e di ricevere un riscontro sugli errori e sulle strategie adottate. **Valutazione finale.** La verifica dei contenuti del modulo confluisce nella prova complessiva dell'insegnamento *Pedagogia Sperimentale. Modelli e Procedure per l'Educazione degli Adulti*. Per la parte relativa al presente modulo, l'accertamento avverrà mediante quesiti a scelta multipla volti a verificare la conoscenza dei concetti, la comprensione delle relazioni fra tecniche di *prompting* e compiti educativi, la padronanza dei criteri di verifica degli output e la capacità di valutare criticamente casi d'uso dell'intelligenza artificiale nella didattica e nella ricerca. Non è prevista penalizzazione per le risposte errate. La graduazione dei voti seguirà criteri sia normativi sia criteriali, in coerenza con le modalità stabilite per l'insegnamento complessivo.