Considerazioni sull’IA generativa
35 L’IA generativa in aula – Parte 2
Alcune idee per lo svolgimento di attività utilizzando l’IA generativa
1. Usare l’IA generativa per la pianificazione e la progettazione di corsi e lezioni
Vi piacerebbero idee nuove per riformulare alcuni dei vostri corsi, introdurre nuovi argomenti, attività inclusive e rubric sul modo in cui valutare i risultati di queste attività1,2? Vorreste sperimentare un nuovo approccio pedagogico, nuove tecnologie e nuovi materiali3? Teoricamente i chatbot potrebbero aiutarvi su tutti questi fronti. Per di più, potreste ottenere il software per scrivere la prima bozza dei piani didattici, gli obiettivi di apprendimento, le indicazioni per le attività, i progetti e gli esperimenti scientifici oltre ai prompt per le discussioni4.
Consiglio: è una buona idea specificare in anticipo quali argomenti trattare e quali approcci adottare e l’obiettivo da raggiungere con il corso o la lezione; se si punta alla definizione di un concetto o di una procedura e che modalità di insegnamento si voglia applicare2.
Esemplo
Fonte: Examining Science Education in Chat-GPT: An Exploratory Study of Generative Artificial Intelligence5
Attività: creazione di un’unità didattica
Strumento di IA generativa: ChatGPT
Prompt utilizzato: Creare un’unità didattica utilizzando il modello delle 5E che mette alla prova studenti che hanno una profonda conoscenza delle fonti di energia rinnovabile e non rinnovabile a livello di seconda media. Fornire inoltre supporto e sostegno a studenti che trovino il materiale ostico.
Riflessione: l’autore ha trovato la risposta di Chat-GPT utile in una fase iniziale, ma essa ha dovuto essere adeguata alle esigenze, ai programmi di studio e all’accesso alle risorse degli studenti. Aggiunge che i pedagogisti dovrebbero cancellare delle parti che non sono utili, sviluppando parti che lo siano. Anche se l’output deve essere ottimizzato, suppone che molti insegnanti lo trovino utile, soprattutto quelli a inizio carriera in quanto potrebbero non possedere ancora un’ampia disponibilità di risorse.
«Sono stato particolarmente impressionato dalla sua capacità di generare un’unità scientifica corroborata dal modello delle 5E, anche se alcuni output mi sono parsi un poco generici e necessitanti di ulteriore perfezionamento.
2. Uso dell’IA generativa per preparare contenuti coinvolgenti, multimodali e inclusivi su un argomento
Si può fare ricorso a un’applicazione di IA generativa per:
- aggiungere contenuti connessi ai fenomeni, alla lingua e alla cultura locali;
- inserire immagini e filmati esplicativi e accattivanti3;
- creare e includere storie che rafforzano i contenuti testuali;
- elaborare mappe concettuali;
- porre in evidenza, parafrasare e riassumere porzioni rilevanti della lezione e chiarire la terminologia6;
- rendere la matematica e la scienza meno astratte mostrando delle simulazioni e includendo degli esempi tratti da altri soggetti. Ciò potrebbe anche essere utilizzato in attività di formazione artigianale dove la visualizzazione può aiutare allo sviluppo e all’approfondimento di idee7;
- fornire traduzioni in modo da aiutare i discenti che parlano lingue meno diffuse2.
Consiglio: Midjourney e altri programmi per la generazione di immagini spesso hanno dei forum appositi nei quali le persone pubblicano i propri lavori, consigli, prompt e suggerimenti per l’elaborazione di prompt7. Sono molto utili per i docenti che stanno iniziando a sperimentare questa tecnologia.
3. Usare l’IA generativa per creare esempi, fare esercizi, rispondere a questionari
L’IA generativa può;
- generare dati tabulari e di altre forme da utilizzare in esempi ed esercizi;
- creare esercitazioni pratiche e soluzioni, soprattutto per consolidare le capacità fondamentali e i componenti poco conosciuti8. Esse possono servire come riferimento per studenti che abbiano difficoltà nel risolvere problemi di assegnazione9;
- generare spiegazioni per le soluzioni. Ciò sembra funzionare molto bene soprattutto nella generazione di spiegazioni dei codici di programmazione9;
- generare molteplici soluzioni per lo stesso problema matematico o di programmazione. Ciò non soltanto aiuta gli studenti ad imparare a conoscere approcci e prospettive diversi, ma anche ad analizzare diversi metodi, i loro vantaggi e i loro svantaggi9. Potrebbe anche rivelarsi un aiuto quando le soluzioni fornite non sono corrette, quando è chiaramente indicato così.
Esemplo
Fonte: Examining Science Education in ChatGPT: An Exploratory Study of Generative Artificial Intelligence5.
Attività: creazione di un questionario
Strumento di IA generativa: ChatGPT.
Prompt utilizzato: Generare un questionario sul concetto di fonti di energia rinnovabile e non rinnovabile per studenti di seconda media e includere le soluzioni.
Riflessione: l’autore ha rinvenuto che le domande a risposta multipla generate valutano la comprensione dell’argomento da parte dello studente. Ha inoltre aggiunto che: «I docenti devono valutare in modo critico le risorse … Le competenze degli insegnanti, l’esperienza e la comprensione dei loro alunni rimangono fondamentali per assumere delle decisioni pedagogiche fondate».
Esemplo
Fonte: Examining Science Education in ChatGPT: An Exploratory Study of Generative Artificial Intelligence5.
Attività: creare una rubric per la valutazione.
Strumento di IA generativa: Chat-GPT.
Prompt utilizzato: Creare una rubric che degli studenti di seconda media possono usare per valutare autonomamente quanto appreso in materia di fonti di energie rinnovabili e non rinnovabili (con richiesta di formattazione successiva: rendere questa rubric più semplice da copiare in Words in un formato ordinato).
Output:
Riflessione: l’autore ha rinvenuto che Chat-GPT è stata in grado di creare una rubric con propri criteri quali comprensione, ricerca, pensiero critico e partecipazione. Per ciascuna erano contrassegnati dei livelli, ma gli indicatori erano troppo vaghi per ogni criterio.
Esemplo
Fonte: The Robots Are Coming: Exploring the Implications of OpenAI Codex on Introductory Programming10.
Attività: generare molteplici soluzioni a un quesito.
Strumento di IA generativa: Codex (Codex è in grado di generare codici in svariati linguaggi di programmazione in risposta ai prompt).
Prompt utilizzati: La descrizione di un problema come rinvenuto in varie fonti e quesiti di esame sulla scrittura di codice, come assegnati agli studenti.
Output:
Riflessione: gli autori hanno ritenuto che Codex assegnasse una serie di codici diversi al medesimo prompt, «mentre in definitiva privilegiava i metodi previsti per ciascuna risposta».
4. Aumentare l’accessibilità
Come esempio finale, vi invitiamo decisamente a sperimentare l’IA generativa in modo da aumentare l’accessibilità per studenti con determinate disabilità fisiche o di apprendimento, soprattutto uditive o visive. L’IA generativa può creare sottotitoli, didascalie e descrizioni audio2. Come descritto dalle Guidance for generative AI in education and research (Linee guida per l’uso dell’IA generativa nei settori dell’istruzione e della ricerca) dell’Unesco: «I modelli di IA generativa possono anche convertire del testo in parlato e viceversa in modo da consentire a persone con disabilità visive, uditive o di eloquio di accedere a contenuti, porre quesiti e comunicare con i propri simili»2. Inoltre può aiutarvi a verificare che i contenuti che create siano inclusivi e accessibili4.
Porre in discussione gli output
Se si decide di fare uso di IA generativa, bisogna fare attenzione ai suoi errori e alle sue lacune ed essere pronti a correggerli. Essi includono:
• contenuti imprecisi: il modello linguistico non è una base di conoscenza né un motore di ricerca. Anche i modelli più recenti stravolgono i fatti e menzionano fonti false. Gli errori si insinuano soprattutto quando si utilizzano dei modelli linguistici nel campo della matematica e del ragionamento quantitativo: anche quando è messo a punto specificamente per questi soggetti, il modello può produrre delle risposte inesatte o errori di calcolo e distorcere “dati matematici”11. Anche la programmazione potrebbe essere difficoltosa in quanto la codifica generata può avere una sintassi scorretta ed essere inficiata da problemi di sicurezza9.
- Pregiudizi che si insinuano dal momento che, tra le altre cose, i dati su cui questi modelli sono stati addestrati ne erano pieni. Persino il modello Ed-GPT, che è stato corretto sotto questo punto di vista, potrebbe ancora contenerne2.
- Prestazioni che possono variare ampiamente a seconda del prompt utilizzato, della storia dell’utente e, talvolta, senza ragione alcuna.
Anche se l’IA generativa può ridurre il carico di lavoro degli insegnanti e aiutarli a svolgere determinate attività, essa si basa su modelli statistici che sono stati elaborati basandosi su notevoli quantità di dati reperiti online. Questi dati non sostituiscono il mondo reale, i suoi contesti e le sue relazioni. Chat-GPT non è in grado di fornire del contesto o di spiegare cosa influisca sulla vita quotidiana di uno studente4. Non può fornire nuove idee o nuove soluzioni alle sfide del mondo reale2.
Infine, le sue prestazioni non si avvicinano neppure alle capacità della mente umana, soprattutto a ciò che essa può comprendere e fare con dati limitati. E «la più grande pecca dell’IA generativa è l’assenza della caratteristica più fondamentale di qualsiasi intelligenza: raccontare non solo ciò che accade ora, ciò che è accaduto e ciò che accadrà, ovverosia la facoltà di descrizione e di previsione, ma anche cosa non è accaduto e cosa potrebbe o non potrebbe accadere»12.
1 Tlili, A., Shehata, B., Adarkwah, M.A. et al, What if the devil is my guardian angel: ChatGPT as a case study of using chatbots in education, Smart Learning Environments, 10, 15 2023.
2 Holmes, W., Miao, F., Guidance for generative AI in education and research, UNESCO, Paris, 2023.
3 Enkelejda, K., et al, Chatgpt for Good? on Opportunities and Challenges of Large Language Models for Education, EdArXiv, 2023.
4 Trust, T., Whalen, J., & Mouza, C., Editorial: ChatGPT: Challenges, opportunities, and implications for teacher education, Contemporary Issues in Technology and Teacher Education, 23(1), 2023.
5 Cooper, G., Examining Science Education in ChatGPT: An Exploratory Study of Generative Artificial Intelligence, Journal of Science Education and Technology, 32, 444–452, 2023.
6 Kohnke, L., Moorhouse, B. L., & Zou, D., ChatGPT for Language Teaching and Learning, RELC Journal, 54(2), 537-550, 2023.
7 Vartiainen, H., Tedre, M., Using artificial intelligence in craft education: crafting with text-to-image generative models, Digital Creativity, 34:1, 1-21, 2023.
8 Bhat,S., et al, Towards automated generation and evaluation of questions in educational domains, Proceedings of the 15th International Conference on Educational Data Mining, pages 701- 704, Durham, United Kingdom, 2022.
9 Becker, B., et al, Programming Is Hard – Or at Least It Used to Be: Educational Opportunities and Challenges of AI Code Generation, Proceedings of the 54th ACM Technical Symposium on Computer Science Education V. 1 (SIGCSE 2023), Association for Computing Machinery, New York, 500–506, 2023.
10 Finnie-Ansley, J., Denny, P. et al, The Robots Are Coming: Exploring the Implications of OpenAI Codex on Introductory Programming, Proceedings of the 24th Australasian Computing Education Conference (ACE ’22), Association for Computing Machinery, New York, 2022.
11 Lewkowycz, A., Andreassen, A., Dohan, D. et al, Solving Quantitative Reasoning Problems with Language Models, Google Research, 2022.
12 Chomsky, N., Roberts, I., Watumull, J., Noam Chomsky: The False Promise of ChatGPT, The New York Times, 2023.
