34 L’IA generativa in aula – Parte 1

Cosa fare quando qualcuno suggerisce di provare un’attività utilizzando un programma di IA generativa? Cosa fare quando si ha un’idea per svolgere un’attività, ma non si è certi riguardo a come adattarla?

Obiettivo di questo capitolo è fornirvi assistenza nel valutare, scegliere e portare a compimento queste attività.

Dal momento che la tecnologia evolve molto velocemente e considerato come le prestazioni cambino a seconda dei soggetti e dei contesti, non si possono elencare in anticipo tutte le domande che un insegnante ha necessità di porre. Il nostro unico auspicio è farvi muovere i primi passi entro linee di pensiero raccomandate da linee guida pubblicate e supportate da ricerche e casi di studio.

Vi preghiamo di notare che in questo libro consideriamo soltanto le attività in cui l’insegnante, non lo studente, interagisce con l’IA generativa. Le ragioni alla base di questa scelta sono spiegate attraverso il link riportato nel riquadro.

Anche se non siete convinti che i programmi di IA generativa debbano svolgere un ruolo nell’ambito dell’istruzione vi invitiamo a provare almeno un’attività che faccia ricorso alla tecnologia generativa. Ciò potrebbe aiutarvi a:

• comprendere cosa si possa o non si possa fare con gli strumenti forniti dall’IA generativa;
• riformulare o riorganizzare i contenuti didattici, in particolar modo per decidere cosa possa o non possa essere assegnato come compito a casa. Per esempio, Chat-GPT si è dimostrata efficace nell’aiutare gli studenti a scrivere dei componimenti1 e potrebbe essere inutile nell’assegnazione dei consueti tipi di temi come compiti a casa, non se l’obiettivo è testare o creare conoscenze. Potrete dover utilizzare svariati metodi di valutazione, come progetti di gruppo, attività pratiche e presentazioni orali, superando i semplici quesiti a cui rispondere con un sì o con un no¹;
• comprendere le limitazioni di questa tecnologia in modo da farvi ricorso per motivare gli studenti ad applicarsi, usando la propria immaginazione e la propria creatività²;
• non sentirvi lasciati indietro quando la nuova generazione di queste tecnologie, con funzioni più avanzate, diverrà realtà;
• usare l’IA per ridurre il vostro carico di lavoro ed esplorare nuovi argomenti che prima potrebbero essere stati troppo limitanti o avrebbero potuto richiedere troppo tempo;
• trarre vantaggio dalle nuove scuole di pensiero e dai nuovi approcci all’apprendimento che ora sono possibili;
• contribuire a plasmare le ricerche e lo sviluppo delle applicazioni didattiche di questi programmi che ora sono supportate da molteplici attori³.

Contemporaneamente, considerate la novità della tecnologia e di questi metodi, vi raccomandiamo caldamente di annotare in un registro i dettagli di qualsiasi attività e la sua evoluzione. Ciò vi aiuterà a monitorare e a valutare gli effetti a breve e lungo termine di ogni attività e a discutere quanto osservato con i vostri colleghi.

Domande su pedagogia e pratica

Chiunque può suggerire un’attività da svolgere in classe. Potrebbe però accadere che i suggerimenti provengano da soggetti appartenenti al mondo della tecnologia, che conoscono poco quanto accade in un’aula. Oppure, potrebbe trattarsi di idee adatte a studenti universitari, ma non ad adolescenti. Anche se un’attività è adatta per la vostra classe, se non è supportata da una fondata teoria pedagogica e se non se ne è verificata la fondatezza in aula, nel lungo periodo potrebbe riservare delle sorprese. Quindi vi invitiamo ad approcciarvi a qualsiasi attività ponendo quesiti concernenti pedagogia e aspetti pratici.

Domande relative all’IA generativa utilizzata

Al centro dell’applicazione dell’IA generativa c’è un modello linguistico di grandi dimensioni (LLM) o un modello per la generazione di immagini (modello di diffusione). Come spiegato dal linguista Noam Chomsky: «In linea generale, essi [i modelli linguistici di grandi dimensioni] prendono ingenti quantitativi di dati, cercano schemi al loro interno e divengono sempre più efficienti nel generare output statisticamente probabili, come linguaggio e pensiero apparentemente simili a quelli umani»⁴. BERT, BLOOM, GPT, LLaMA e PaLM sono tutti modelli linguistici di grandi dimensioni. Il modello di apprendimento profondo per la generazione di immagini corrispondente è chiamato modello di diffusione. Stable diffusion e Midjourney sono esempi noti di questo ultimo tipo di modello.

Sia la società madre sia un soggetto terzo può prendere un LLM e addestrarlo ulteriormente (regolarlo con precisione) in modo che svolga attività specifiche come rispondere a query o riassumere testi. Oppure, potrebbero prendere un LLM o un chatbot, aggiungere dei prompt o effettuare una programmazione estesa e diffondere il risultato nella forma di pacchetto applicativo (Chatpdf, Elicit, Compose AI, DreamStudio, NightCafe, PhotoSonic, Pictory.. ).

OpenAI ha messo a punto GPT3 e GPT4 con esempi di risposte ai prompt e norme sull’accettabilità dei contenuti ottenendo Chatgpt. Un team di Google Research ha addestrato PaLM con dati scientifici e matematici arrivando a Minerva. Questo modello linguistico poi si è spinto oltre giungendo a risultati all’avanguardia per l’applicazione di un modello linguistico, risolvendo problemi implicanti ragionamento quantitativo: è stato in grado di risolvere circa un terzo di problemi di livello universitario proposti in materie come fisica, biologia, chimica, economia e altre scienze che richiedono ragionamento quantitativo⁵.

Il lavoro di ottimizzazione di un modello linguistico per usi didattici, Ed-GPT, aggiungendo conoscenze di temi, eliminando i pregiudizi e, auspicabilmente, introducendo conoscenze di metodi di apprendimento di rilievo, è ininterrotto².

Bisogna capire se il perfezionamento di un modello linguistico per lo svolgimento di un’attività specifica avrà conseguenze per la sua efficacia nello svolgere suddetta attività6. Bisogna capire inoltre se l’intero pacchetto verrà fornito da una sola società (Chat-GPT di OpenAI) o se l’intervento di altre società sul modello avrà conseguenze per la sicurezza e la riservatezza dei dati. Quando si considera quale modello sia usato, vale la pena considerare sia gli aspetti positivi sia i limiti del modello da cui si è partiti, quali interventi siano stati fatti su di esso e da chi.

Domande sull’adeguatezza del modello per sé e la propria classe

Un’attività potrebbe realizzare tutti i propri obiettivi e il programma di IA generativa utilizzato potrebbe essere il migliore e il più etico possibile, ma l’attività potrebbe continuare a dover essere adattata alla propria classe. Come per qualsiasi programma di IA potreste dover compiere molteplici interazioni prima di raggiungere i vostri obiettivi2. Potreste aver bisogno di formazione e pratica sia per quanto concerne le tecniche di prompt sia relativamente alla valutazione critica dell’output¹. Inoltre, l’intera esperienza dovrebbe essere gratificante per voi e coerente con i vostri valori di insegnante.

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 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.

⁴ Chomsky, N., Roberts, I., Watumull, J., Noam Chomsky: The False Promise of ChatGPT, The New York Times, 2023.

⁵ Lewkowycz, A., Andreassen, A.,  Dohan, D. et al, Solving Quantitative Reasoning Problems with Language Models, Google Research, 2022.

⁶ Enkelejda, K., et al, Chatgpt for Good? on Opportunities and Challenges of Large Language Models for Education, EdArXiv, 2023.