The Contribution of Generative AI Ecosystems in Micro-Instructional Design: Opportunities and Limitations
Il contributo degli
ecosistemi di AI generativa nella micro-progettazione didattica: Opportunità e
limiti
Piergiuseppe
Ellerani
Dipartimento
di Scienze dell’Educazione “Giovanni Maria Bertin”, Università di Bologna – piergiusepp.ellerani@unibo.it
https://orcid.org/0000-0002-4730-3928
Luca
Ferrari
Dipartimento
di Scienze dell’Educazione “Giovanni Maria Bertin”, Università di Bologna – l.ferrari@unibo.it
https://orcid.org/0000-0001-7853-449X
ABSTRACT
Pedagogical Planners (PP) are digital environments specifically
developed with the aim of accompanying teachers in making visible and
methodologically grounded, the process of designing and implementing
teaching-learning experiences. In more recent times, the integration of
generative AI algorithms within PP, such as AI Lesson Planners, opens new
educational challenges and unprecedented perspectives for educational research
and practice. The question that remains open is, what is the emerging School
idea and what teacher idea is implicated in the development of these generative
AI ecosystems?
I Pedagogical Planner (PP) sono ambienti
digitali sviluppati ad hoc con l’obiettivo di accompagnare i docenti nel
rendere visibile (e metodologicamente fondato), il processo di ideazione e
implementazione di esperienze d’insegnamento-apprendimento. L’adozione di tali
ambienti, nel contesto scolastico, è stata inizialmente limitata dalla mancanza
di applicazioni specifiche, dalla bassa diffusione di questi sistemi nelle
scuole e da alcuni limiti legati alla ‘staticità’ delle proposte didattiche generate
da questi tools. Tuttavia, in tempi più recenti, l’integrazione di algoritmi di
Intelligenza Artificiale generativa all’interno di PP, come gli AI Lesson
Planner, apre a nuove sfide didattiche e a inedite prospettive di ricerca
educativa. Così come a quesiti sul reale ruolo dell’insegnante al suo interno.
KEYWORDS
Artificial Intelligence; Pedagogical Planner; Teacher Professionalism;
Design for learning
Artificial Intelligence; Pedagogical
Planner; Professionalità docente; Progettazione didattica
The Authors declare no
conflicts of interest.
RECEIVED
April 18, 2024
ACCEPTED
April 24, 2024
1. Introduzione
L’idea di
utilizzare ambienti digitali per accompagnare i docenti nella progettazione
didattica è esperienza matura. A partire dalla prima decade degli anni 2000 si
svilupparono e diffusero, nel contesto internazionale una serie di contributi
scientifici (Agostinho, 2009; Conole & Fill, 2005; Conole et al., 2008; Dalziel, 2003; San Diego et al., 2008) e di prototipi – Lesson
Planner – sviluppati allo scopo di incrementare le competenze di
progettazione didattica mediata dall’uso di tecnologie digitali (Technology Enhanced Learning [TEL]). Se vi è stata diffusione di
strumenti generici digitali per la progettazione, carenti invece risultano gli
ambienti digitali dedicati per guidare gli insegnanti nel processo di
progettazione (Masterman, 2011). Ovvero sviluppare
applicazioni software in grado di svolgere funzioni di scaffolding nel processo
decisionale del docente (a partire dalla fase di ideazione), e capaci di
considerare le variabili implicate nell’apprendimento – p.e. gli obiettivi e i
risultati di apprendimento, le caratteristiche degli studenti, l’approccio
didattico e i metodi di valutazione, nonché le attività che gli studenti
svolgeranno – rendendo più facile colmare quel gap between
research and practice che spesso permane
semplicemente perché le prassi progettuali evolute sono considerate troppo
complesse (anche in termini di tempo). In ogni caso la ricerca si è spinta verso
una classificazione dei Lesson Planner (LP), identificando il grado di supporto
ai docenti durante varie funzioni (p.e. Cameron e Campbell, 2010):
·
guidare passo dopo passo i docenti nell’assumere
decisioni teoriche riguardanti lo sviluppo di attività didattiche e
sperimentare nuove strategie di insegnamento-apprendimento.
·
fornire idee progettuali in modo strutturato
per facilitare la comprensione delle varie componenti di un progetto;
·
descrivere esperienze didattiche offrendo prospettive
metodologiche in grado di collegare filosofie pedagogiche, evidenze basate
sulla ricerca e conoscenze esperienziali;
·
condividere repertori di attività di insegnamento-apprendimento
esistenti e riutilizzarli per scopi diversi;
·
suggerire meccanismi per estrarre buone
pratiche e meta-modelli di apprendimento;
·
contribuire a realizzare progetti didattici
destinati e direttamente fruibili dagli studenti;
·
codificare i progetti supportando un processo
di progettazione iterativo e fluido.
Sulla base
di questa proposta - che non ha carattere esaustivo - diversi prototipi di LP
sono stati sperimentati. I prototipi permettono ai docenti di guidare l’ideazione
e la realizzazione di attività d’insegnamento-apprendimento valorizzando, in
uno scenario online o misto, anche alcune tecniche di innovazione didattica (Dillemburg 2002; Pozzi e Persico, 2013; Ferrari, 2015). Una
sintesi esemplificativa delle funzioni possibili è la seguente:
·
definire moduli, unità didattiche, lezioni
attraverso un percorso guidato, mediato digitalmente, che offre alcuni
specifici suggerimenti metodologici e didattici programmati nel software (esempi:
London Pedagogical Planner, Phoebe);
·
visualizzare in forma grafica (mappa,
diagramma ecc.) la progettazione del percorso didattico sia a livello macro
(curricolo) sia a livello micro (in classe o in modalità mista) (esempi: LAMS,
PROPIT), e aggiornare il percorso;
·
accompagnare il docente nella definizione e
nella implementazione di approcci metodologici specifici, valorizzando approcci
di apprendimento attivo, come ad esempio l’inquire based
learning (SOLE).
1.1. Opportunità e limiti dei LP di ‘prima generazione’
I LP
considerati – che possiamo definire di prima generazione – esprimono alcune
caratteristiche che corrispondono a modelli di progettazione impliciti. Risulta
strategico comprendere alcune variabili che possono guidare il design di un PP. Rossi
(2014), p.e., rileva in primo luogo, l’importanza di considerare nella
progettazione l’elemento visuale (una mappa, un diagramma, una qualsiasi
rappresentazione grafica) in grado di rendere esplicita l’idea progettuale del
docente e il percorso/contenuto didattico che considera. L’azione progettuale del
docente è infatti troppo spesso un processo tacito, scarsamente pensato e/o
ripensato, non sempre condiviso con i colleghi e gli studenti. In secondo
luogo, le più recenti teorie della progettazione didattica (Laurillard,
2014; Mor et al., 2014; Rivoltella, 2012) evidenziano come sia ormai superato
un approccio “seriale” nel quale la progettazione dell’azione didattica considera
ogni variabile del percorso come oggetto autonomo e indipendente. Considerare
dunque esclusivamente questa modalità seriale significherebbe perdere di vista
la complessità dell’azione progettuale. La quale, invece, dovrebbe essere
intesa come “un’idea che poi dialogherà con l’azione e si rimodulerà in itinere
grazie alla sua realizzazione e regolazione nell’azione stessa” (Rossi, 2016, p. 13).
Dove “[obiettivi, contenuti, strategie e metodologie] non si presentano alla
mente [dell’insegnante] isolati e collegabili con logiche induttive o
deduttive, ma già interni a processi complessi, a fili della stessa trama, che
poi è l’azione didattica” (Rossi, 2014, p. 114).
A fronte
di esperienze e ricerche, la diffusione e l’adozione dei LP nella scuola è
rimasta circoscritta[1]. È
però possibile affermare, analizzando le evidenze, che i LP strumenti
potrebbero rappresentare una considerevole opportunità sia di accrescimento
professionale - individuale e collettivo – sia di sostegno all’organizzazione
scolastica. Le ricadute formative di questo approccio sullo sviluppo delle
competenze progettuali del docente all’interno della propria esperienza di
lavoro sono evidenti. Possiamo chiederci quali potrebbero essere, invece, i
limiti dei LP. In questa sede, si ci limitiamo ad individuare almeno due.
Il primo è
relativo alla dimensione “individuale” e “statica” della progettazione. Se, da
un lato, un punto di forza è quello di consentire al docente di pianificare l’intervento
didattico in modo rigoroso anticipando e organizzando la fase di azione (si
riporta un esempio in Figura 1) dall’altro, un punto di debolezza è
relativo alla stessa “inflessibilità” della proposta didattica la quale,
ovviamente, può essere diversamente governata dal docente durante l’intervento didattico.
Figura 1. Esempio di output generato dal Lesson
Plan StartSOLE (https://webapp.startsole.org/).
Il secondo
limite è relativo alla diffusione e all’uso effettivo di queste tecnologie da
parte dei docenti. Da questo punto di vista, sebbene la maggior parte dei
software sia utilizzabile online attraverso la mediazione di un browser, rimane
necessario comprendere – anche da parte di chi progetta queste soluzioni – come
meglio integrare questi tools tra gli strumenti che gli insegnanti
utilizzano nel loro quotidiano lavorativo. Soluzioni sperimentate, nel contesto
italiano, hanno visto l’integrazione di LP all’interno, per esempio, del
registro elettronico con un interessante impatto da parte degli utilizzatori
(Ferrari, 2015).
1.2. AI Lesson Planner
A seguito
della recente ‘diffusione di massa’ della intelligenza artificiale (IA) in
diversi campi dell’esperienza umana, si assiste attualmente ad una rapida crescita,
anche in campo educativo, di una serie di tools (soprattutto di IA
generativa)[2]
che intendono sostenere, facilitare e ottimizzare il lavoro didattico dei docenti,
per esempio, nella ideazione di lezioni differenziate, nella soluzione
simultanea di problemi attraverso l’interazione con agenti conversazionali, nella
produzione di risorse educative e materiali didattici, nella costruzione di
esperienze d’insegnamento-apprendimento che valorizzano l’apprendimento attivo
degli studenti. Ne consegue che anche i Lesson Planner sono influenzati dall’IA,
e da questa integrati. Il che apre a nuove (rinnovate?) piste di ricerca in
campo pedagogico-didattico. Se da una parte i limiti individuati nella ‘prima generazione’
dei LP – la bassa diffusione, la rigidità nelle fasi di ideazione, progettazione
e verifica – oggi vengono, in parte, superati da sistemi di interazione con l’IA
che consentono ai docenti, in modo dinamico, non solo di pianificare l’azione
didattica, ma anche di interrogare tali sistemi (attraverso agenti
conversazionali) durante l’intero processo d’insegnamento-apprendimento,
permane il problema della comprensione dei sistemi di IA e del loro
affiancamento quotidiano nella progettazione didattica al fine di risultare un
fattore incidente nella qualità didattica e di benessere degli insegnanti.
2. Una esemplificazione: dal prompt alla risposta didattica
In questa
prospettiva presentiamo un primo aspetto, esplorativo, di risposte didattiche offerte
da sistemi di AI generativi. Gli strumenti, in questa fase di test, sono di due
tipi: agenti conversazionali general purpose,
come Chatgpt4 e Perplexiti; ambienti specifici,
ovvero, strumenti appositamente sviluppati per gli insegnanti come MagicSchool AI (Lesson plan generator, Figura 2),
e AUTOCLASS Mate (AI-Powered Lesson Plan Generator, Figura 3).
Figura 2. Una schermata di Magic Tools (https://app.magicschool.ai/tools).
Nel
contesto di questo contributo attribuiremo a questi ultimi strumenti l’etichetta
di Pedagogical Planner (PP) di ‘seconda generazione’,
ovvero, un ecosistema di strumenti di IA (tra cui i Lesson Plan),
presenti all’interno di un medesimo ambiente online, che i docenti possono utilizzare
nelle diverse fasi (interattive) dell’esperienza d’insegnamento-apprendimento:
ideazione, progettazione, azione, monitoraggio e valutazione.
Figura 3. Una schermata di Auto Classmate, (https://autoclassmate.io/).
Il comando
(prompt) inserito per avviare la generazione della proposta didattica è
generico ma comprende alcune specifiche: “Costruisci una lezione di un’ora,
rivolta a studenti di classe 5 di scuola primaria (23 alunni) sul tema del
ciclo dell’acqua. Le conoscenze pregresse degli studenti non sono state
valutate. Considera che si vuole promuovere un apprendimento attivo che possa
continuare anche fuori dall’aula scolastica”. I risultati comparati sono
riportati in tabella 1:
|
|
IA tools |
|||
|
Specifiche
considerate |
Chatgpt4 |
Perplexiti |
AUTOCLASS (Mate AI-Powered Lesson Plan Generator) |
MagicSchool AI
(Lesson plan generator) |
|
Sequenza
del piano didattico |
·
Obiettivi ·
Introduzione ·
Attività principali ·
Conclusioni ·
Compito per casa ·
Box tecnico: approfondimento ·
Riflessione critica e prospettive future |
·
Obiettivo ·
Durata ·
Struttura della lezione ·
Conclusioni e compiti ·
Risorse aggiuntive ·
Note Finali |
·
Obiettivo ·
Materiali ·
Procedura ·
Valutazione |
·
Obiettivo ·
Valutazione ·
Punti Chiave ·
Pratica Guidata ·
Pratica Indipendente ·
Attività di Estensione ·
Compiti |
|
Tipologia
di obiettivo/i proposti |
·
Comprendere il ciclo dell’acqua. ·
Promuovere un apprendimento attivo,
stimolando la curiosità e l’interazione con il mondo esterno. |
Comprendere
il ciclo dell’acqua e l’importanza della sua continuità per la vita sulla
Terra. |
Comprendere
il ciclo dell’acqua e le sue varie fasi attraverso attività pratiche e
discussioni. |
Comprendere
il ciclo dell’acqua. |
|
Attivazione
e rilevazione delle preconoscenze |
Domande
stimolo per valutare le conoscenze degli studenti e suscitare interesse. |
Breve
discussione su cosa sanno già gli studenti sull’acqua e perché è importante. |
Iniziate
la lezione mostrando agli studenti il grande poster del ciclo dell’acqua.
Chiedere se hanno già sentito parlare del ciclo dell’acqua e se possono
spiegare di cosa si tratta. |
Inizia
la lezione mostrando un breve video o un diagramma colorato del ciclo dell’acqua.
Chiedi
agli studenti: “Vi siete mai chiesti come si forma la pioggia?” per
coinvolgere la loro curiosità e attivare le conoscenze pregresse sull’argomento.
|
|
Tipologia
di attività proposte |
Spiegazione
accompagnata da domande, conduzione di un esperimento (individuale) seguito
da una fase di discussione e di riflessione sull’esperienza. |
Spiegazione
accompagnata da immagini, divisione della classe in gruppi: assegnare compiti
legati al ciclo dell’acqua (es. disegnare un diagramma, recitare una breve
scenetta); discussione guidata e approfondimento. |
Spiegazione
e organizzazione di gruppi di lavoro. Gli studenti[3]
svolgono attività di sperimentazione. Si sollecitano le seguenti abilità: osservazione,
descrizione, creazione (disegno), confronto, categorizzazione. |
Spiegazione
accompagnata da brevi video e domande, condivisione dei punti chiave. Pratica
guidata: gli studenti sono invitati a etichettare le fasi del ciclo dell’acqua.
Il docente formula domande (dal semplice al complesso) e sostiene l’apprendimento
attraverso l’uso di feedback istantanei. Pratica
Indipendente: incarica
gli studenti di creare la propria rappresentazione visiva del ciclo dell’acqua
su un poster. |
|
Valorizzazione
delle differenze individuali degli studenti |
Per gli
studenti più curiosi o per quelli che desiderano approfondire, potresti
suggerire risorse online affidabili o libri che trattano il tema del ciclo
dell’acqua in modo più dettagliato, inclusi gli aspetti scientifici come la
formula chimica dell’acqua, il concetto di evaporazione a livello molecolare
e l’importanza ecologica del ciclo dell’acqua. |
Ogni
studente disegnerà un poster che rappresenti il ciclo dell’acqua. |
Chiedere
agli studenti di pensare a come possono conservare l’acqua nella loro vita
quotidiana per contribuire a proteggere l’ambiente. |
Per gli
studenti che finiscono in anticipo, fornisci loro una sfida per cercare e
presentare un esempio di applicazione pratica del ciclo dell’acqua nella vita
reale (ad esempio, come il ciclo dell’acqua influisce sulle pratiche
agricole). |
|
Chiusura
dell’attività |
Riassumi
i punti principali della lezione, rafforzando l’importanza del ciclo dell’acqua.
Invita gli studenti a osservare le manifestazioni del ciclo dell’acqua nella
loro vita quotidiana e a condividere eventuali osservazioni o riflessioni
nella lezione successiva. |
Riassumere
i concetti principali appresi durante la lezione. |
Rivedere
con gli studenti i concetti chiave del ciclo dell’acqua. Chiedere
agli studenti di pensare a come possono conservare l’acqua nella loro vita
quotidiana per contribuire a proteggere l’ambiente. |
Per
concludere la lezione, organizza una passeggiata tra le gallerie dove gli
studenti espongono i loro poster e spiegano la loro comprensione del ciclo
dell’acqua ai loro compagni. |
|
Valutazione |
Non
specificato |
Non
specificato |
Osservare
la partecipazione e l’impegno degli studenti durante le attività. Esaminare
i disegni e le spiegazioni degli studenti sulle fasi del ciclo dell’acqua. Fare una
discussione successiva per valutare la comprensione dei concetti chiave. |
Gli
studenti creeranno un poster illustrando le fasi del ciclo dell’acqua, tra
cui evaporazione, condensazione, precipitazione e raccolta. Scriveranno anche
una breve descrizione di ciascuna fase per spiegare i processi coinvolti. |
|
Continuità
didattica |
Assegna
come compito l’osservazione di fenomeni naturali che rientrano nel ciclo dell’acqua,
come la formazione di rugiada, nebbia, nuvole o raccolta di acqua piovana.
Gli studenti potrebbero annotare le loro osservazioni o scattare fotografie
per discuterle in classe. |
Assegnare
un compito a casa: osservare il ciclo dell’acqua nella natura e annotare le
proprie osservazioni. |
Incoraggiate
gli studenti a continuare a conoscere il ciclo dell’acqua anche al di fuori
della classe, osservando l’acqua nel loro ambiente e discutendone con le loro
famiglie. |
Incoraggia
gli studenti a osservare il ciclo dell’acqua in azione nei loro dintorni (ad
esempio, pozzanghere che evaporano dopo la pioggia) e a scrivere un breve
paragrafo descrivendo ciò che hanno osservato. |
Tabella 1.
Comparazione delle risposte generate da sistemi di IA generativa “general purposes” e IA “Lesson Plans”.
3. Discussione e conclusioni
In tutti gli strumenti selezionati la
sequenza didattica proposta ha diversi elementi in comune: come primo aspetto
sono introdotti gli obiettivi di apprendimento (focalizzati sulla comprensione),
si propongono attività da realizzare in classe (micro-sequenze didattiche), si formalizzano
alcuni punti di attenzione per attivare le preconoscenze, si suggeriscono
strategie per chiudere la lezione e per dare continuità all’attività anche al
di fuori della scuola. Le principali differenze tra gli strumenti di AI ‘generici’
e quelli ‘specifici’ riguardano la maggiore complessità considerata dagli
strumenti specifici: le proposte didattiche suggerite sono molto più ricche e
dettagliate da un punto di vista descrittivo (e qualitativo), viene presentata una
sezione dedicata alla valutazione degli apprendimenti, sono descritte proposte
di esperienze di apprendimento attivo rivolte agli studenti. Con l’utilizzo critico
da parte dei docenti, è sicuramente possibile apportare alcuni vantaggi alla
professionalità docete e all’operatività quotidiana. Gli IA Lesson plan sono infatti
in grado di:
· fornire idee e strategie su come strutturare lezioni e unità
didattiche (che dovranno necessariamente essere discusse, migliorate e verificate
in classe);
· accompagnare per pianificare, ri-progettare
e valutare (dinamicamente) l’esperienza d’insegnamento-apprendimento, riducendo
i tempi di lavoro;
· facilitare interventi tempestivi (feedback ongoing)
offrendo soluzioni (idee, strategie, modelli operativi per accompagnare le fasi
di monitoraggio e valutazione) lungo l’intero percorso didattico.
Se consideriamo un approccio pedagogico problematico (Bertin, 1968) al
fine di accompagnare la nostra riflessione pedagogica, occorre considerare le potenziali
tensioni dialettiche che potrebbero generarsi tra:
·
autonomia-dipendenza; laddove l’autonomia nella
gestione della complessità e la potenziale percezione di efficacia esercitata
dal docente nella progettazione di esperienze d’insegnamento-apprendimento,
trova nell’utilizzo acritico di questi sistemi la relativa dipendenza;
·
contestuale-generale; laddove la capacità
degli insegnanti di scegliere se e come adottare i mediatori di IA per rendere
l’esperienza didattica contestuale più efficace è contrapposta ad un’automazione
che rende tutti i contesti uguali, uniformando l’esperienza educativa;
·
vitale-marginale; laddove l’effettivo
contributo degli studenti nell’esprimere la loro vitalità cognitiva, emotiva, sociale,
etica, divergente, potrebbe essere inibita dalla fiducia “rigida” nelle azioni
proposte dal sistema generativo di IA, inibendo le capacità agentive degli
studenti.
La direzione problematica ci porta a considerare
alcune evidenze di ricerca. Per esempio sulla pianificazione
attraverso l’IA (Costa, Pereira Junior, Araujo Fernandes, 2019) viene mostrato
come essa possa essere efficacemente utilizzata per personalizzare ed
automatizzare una o più fasi del processo di insegnamento-apprendimento. Nel contempo, è carente l’esplicitazione della teoria
pedagogica sottesa, non ci sono elementi riconoscibili per la comprensione
didattica e dunque l’output proposto risulta scarsamente confutabile. Il che
porta a considerare come l’uso delle tecnologie IA considerate richiedano un miglior
raffinamento nella definizione dei profili degli studenti, oltre ad espandere il
ventaglio delle metodologie didattiche raccomandate. Analogamente (Kehoe, 2023;
Antonenko, Abramowitz,
2023; Nerantzi et al., 2023) seppur a fronte di una
indiscutibile riduzione temporale nei processi di progettazione e di
miglioramento organizzativo anche della vita scolastica, per gli insegnanti permane
di vitale importanza la loro conoscenza preliminare pedagogica e didattica, nonché
la conoscenza sui processi di elaborazione delle informazioni innescati dell’IA,
e dunque la necessità di una valutazione etica e di senso, da parte degli
insegnanti, rispetto alle proposte operate dai sistemi di IA. Queste dinamiche
emergenti, di conseguenza, mostrano come, a fronte dell’utilizzo anche nella
formazione iniziale degli insegnanti dell’IA, sia necessaria una riflessione
critica che porti all’esplicitazione dei modelli pedagogici considerati dall’IA.
Questa posizione è altresì sostenuta da Miller (2023) per il quale è necessario
fornire agli algoritmi che sostengono l’IA nell’educazione un costrutto
esperienziale in grado di forgiarli e guidarli sulla base degli esiti della ricerca
educativa, in modo da migliorare realmente l’esperienza nel lavoro e nel
contesto a favore di tutti, realizzando un apprendimento continuo sia per gli
adulti che per gli studenti. La prospettiva richiede un forte intervento – e
investimento – nella ricerca di tipo interdisciplinare, laddove l’ispirazione
possibile delle applicazioni della tecnologia nel campo del pedagogical
design e della didattica è guidato dalla pedagogia. Si tratta di promuovere un
dialogo continuo e ben informato dalle evidenze sull’innovazione, evitando che
le discussioni e le scelte di policy siano basate sul distorto uso della base
di conoscenza, specialmente in assenza di prove empiriche solide (OECD, 2010,
p. 155). Costruire una base di conoscenze ben organizzata, formalizzata,
facilmente accessibile e aggiornata sulla tecnologia IA applicata all’istruzione
è oggi fondamentale per non essere tratti in inganno dalla velocità e facilità
di risposte. Assumere dunque una prassi del pensiero che considera la
fallibilità del giudizio educativo e la responsabilità dell’educatore rispetto
alle conseguenze formative delle sue scelte (Bertolini, 1983) è particolarmente
necessaria davanti alla possibile trasformazione della progettazione
pedagogica: ovvero quanto è ancora attuale la formazione dell’uomo completo,
capace di ragione e di sentimento, di senso morale e di senso estetico
(Baldacci, 2012, p. 312) attraverso una prassi didattica pensata
dall’algoritmo intelligente e generativo? Ciò comporta una revisione
dell’impianto formativo nella direzione suggerita da Miller (2023) e la
consapevolezza ben presente che agli insegnanti debba essere garantita una
qualificazione costante composta anche da buone risorse (Margiotta, 2018, p. 22).
Dunque, i benefici degli investimenti effettuati nelle innovazioni basate sulle
tecnologie difficilmente saranno riconosciuti di qualche utilità rilevante se
non verranno impiegati strumenti appropriati per la disseminazione della
conoscenza e di una sua gestione altrettanto disseminata (OECD, 2010, p. 157).
La sollecitazione è ancora di più attuale se applicata ai sistemi di IA.
Davanti alla carenza verificata degli attuali sistemi di design pedagogico, vi
è necessario un più elevato apparato di conoscenze pedagogico-didattiche:
appare sempre più evidente quale sia l’importanza assunta oggi dal ruolo
dell’insegnante in quanto promotore del cambiamento, della comprensione, della
trasformazione, dello sviluppo professionale (Margiotta, 2018, p. 20). Risulta
altresì di interesse il richiamo elevato da Maurizio Fabbri per il quale,
all’interno del dibattito sull’evoluzione della civiltà nella relazione
uomo-macchina, si chiede se non siano le conoscenze, piuttosto che le emozioni,
il costrutto al quale demandare il compito di preservare l’istinto di
sopravvivenza della civiltà (Fabbri, 2018, p.124): una direzione di razionalità
cognitiva che richiede un elevato apparato di saperi. Per altro, essendo ancora
acerba la ricerca sugli esiti di apprendimento degli studenti basata sulle
attività progettate con i PP-IA (Yue, Jong, Dai,
2022), la qualità della progettazione e del dialogo di affinamento e di
amplificazione esperienziale che va ad instaurarsi tra i docenti e i sistemi
generativi di IA, richiede un’alta cifra metacognitiva degli insegnanti. L’uso
riflessivo delle domande esplorative formulate dagli insegnanti e la formazione
derivata dei sistemi di IA diviene un sentiero nel quale avviare il doppio
canale di espansione delle conoscenze “just-in-time”: dell’insegnante e dell’IA.
Come dimostrato da Dong (2021), ovvero che i sistemi di IA possono migliorare
il processo di insegnamento fornendo feedback
tempestivi e personalizzati, promuovendo partecipazione e coinvolgimento degli
studenti e aumentando l’efficienza nella valutazione solo se l’insegnante è in
grado di riconoscerne limiti e forze.
A fronte delle evidenze e delle prime
riflessioni poste, occorre ancora evidenziare che attualmente “[tali] sistemi
spesso non consentono di chiarire quali siano i quadri di riferimento teorico,
le scelte pedagogiche e le motivazioni che hanno portato alla progettazione di
una determinata attività di apprendimento da proporre agli studenti”. L’affermazione
(Bottino et al., 2011) è particolarmente valida (anche) in relazione ai sistemi
di IA generativi specificamente sviluppati per la didattica.
Il problema che intravvediamo è racchiuso
in una domanda: quale è l’idea di Scuola emergente e quale idea di insegnante è
implicata nello sviluppo di questi ecosistemi di IA generativa?
Riferimenti bibliografici
Antonenko, P., Abramowitz, B. (2023). In-service teachers’
(mis)conceptions of artificial intelligence in K-12 science education, Journal
of Research on Technology in Education, (55)1, 64-78, https://doi.org/10.1080/15391523.2022.2119450
Baldacci, M. (2012). Trattato
di pedagogia. Roma: Carocci.
Bertin, G. M. (1968). Educazione alla ragione. Roma: Armando
Editore.
Bertolini, P. (1983). Pedagogia e scienze umane.
Bologna: CLUEB.
Bottino M. R, Ott, M. Tavella M. (2011).
Pedagogical planning and sustainability of learning actions: the Iamel system. Tecnologie Didattiche, 19(3), 147-154, https://doi.org/10.17471/2499-4324/207
Cameron, L., & Campbell, C. (2010). Sharing learning designs that
work. Proceedings of World Conference on
Educational Multimedia, Hypermedia and Telecommunications. Chesapeake, VA:
AACE.
Conole, G., & Fill, K. (2005). A learning design toolkit to
create pedagogically effective learning activities. Journal of Interactive. Media in Education, 8(1) https://doi.org/10.5334/2005-8
Costa, N. Pereira
Junior, C., Araujo, R., Fernandes, M. (2019). Application of AI Planning in the Context
of e-Learning, IEEE Computer Society, 57-59, https://doi.org/10.1109/ICALT.2019.00021
Dalziel J. (2003). Implementing learning design: the learning activity
management system (LAMS). In G. Crisp, D. Thiele, I. Scholten, S. Barker, J.
Baron (eds.). Proceedings of the 20th Annual Conference of the Australasia
Society for Computers in Learning in Tertiary Education (AS-CILITE). Interact,
Integrate, Impact (Adelaide, Australia, 7-10 december
2003). ASCILITE, 593-596.
Dillenbourg, P. (2002).
Over-scripting CSCL: The risks of blending collaborative learning with
instructional design. In P. A. Kirschner (Ed.). Three worlds of CSCL:
Can we support CSCL (pp. 61–91). Heerlen, The Netherlands: Open
Universiteit Nederland.
Dong, Y. (2023). Revolutionizing Academic English Writing through
AI-Powered Pedagogy: Practical Exploration of Teaching Process and Assessment. Journal
of Higher Education Research, 4(2), pp.52-57. https://doi.org/10.59400/fls.v6i2.1177
Fabbri, M. (2018). Oltre il disagio.
Percorsi
di crisi, orizzonti di civiltà. Milano: Franco Angeli.
Ferrari, L (2015). Costruire
esperienze didattiche di online collaborative learning. Parma: Junior.
Kehoe, F. (2023).
Leveraging Generative AI Tools for Enhanced Lesson Planning in Initial Teacher
Education at Post Primary. Irish Journal of Technology Enhanced Learning,
7(2), 172-182, https://doi.org/10.22554/ijtel.v7i2.124
Laurillard, D. (2014), Insegnamento
come progettazione. Milano: FrancoAngeli.
Margiotta, U. (a cura di) (2018). Teacher
Education Agenda. Linee guida per la formazione iniziale dei docenti della
scuola secondaria. Trento: Erickson.
Masterman, E., Manton, M. (2011). Teachers’ perspectives on digital
tools for pedagogic planning and design. Technology,
Pedagogy and Education, 20(2), 227-246. https://doi.org/10.1080/1475939X.2011.588414
Masterman, E., Walker, S., & Bower, M. (2013). Computational support
for teachers’ design thinking: Its feasibility and acceptability to
practitioners and institutions. Educational
Media International, 50, 12-23. https://www.learntechlib.org/p/132440/
Miller, A. L.
(2023). AI Assisted Learning: A Tool or a Threat? Journal of e-learning
Research, 2(2), 52-65, https://doi.org/10.33422/jelr.v2i2.510
Mor Y., Warburton
S., Winters N., Mellar H. (eds.) (2014). Practical design patterns for teaching and
learning with technology. Rotterdam: Sense.
Nerantzi, C., Abegglen, S., Karatsiori, M.,
Martinez-Arboleda, A. (2023). 101 Creative ideas to use AI in education. A
collection curated by #creativeHE.
OECD (2010). Inspired by Technology, Driven by Pedagogy. A Systemic
Approach To Technology-Based School Innovations. Paris:
OECD Publishing.
Persico, D. & Pozzi, F. (2013). Sustaining Learning Design and
Pedagogical Planning in CSCL. Research in
Learning Technology, 21, https://doi.org/10.3402/rlt.v21i0.17585
Pozzi, F., Asensio-Perez, J. I., Ceregini, A.,
Dagnino, F. M., Dimitriadis, Y., & Earp, J. (2020). Supporting and
representing Learning Design with digital tools: in between guidance and
flexibility. Technology, Pedagogy
and Education, 29(1), 109-128, https://doi.org/10.1080/1475939X.2020.1714708
Rossi, P.G. (2014), Le tecnologie
digitali per la progettazione didattica. Journal of Educational, Cultural and Psychological Studies (ECPS
Journal), [S.l.], 10, 113-133, https://doi.org/10.7358/ecps-2014-010-ross
Rossi, P.G. (2016). Progettazione
didattica e professionalità docente. PROPIT: l’artefatto progettuale come
mediatore didattico. In P.G. Rossi, C. Giaconi (a cura di). Micro-progettazione: pratiche didattiche a
confronto PROPIT, EAS, Flipped Classroom. Milano: Franco Angeli.
Rivoltella P. C. (2012). Neurodidattica. Insegnare al cervello che
apprende. Milano: Raffaello Cortina.
San Diego, J. P., Laurillard, D., Boyle, T., Bradley, C., Ljubojevic,
D., Neumann, T., Pearce, D. (2008). Towards a
user-oriented analytical approach to learning design. ALT-J, 16(1), 15-29. http://dx.doi.org/10.1080/09687760701850174
Winograd, T. (1996). Bringing
design to software. New York, NY: ACM Press.
Yue, M., Jong, M.S., Dai, Y. (2022). Pedagogical Design of K-12
Artificial Intelligence Education: A Systematic Review. Sustainability 14, 15620. https://doi.org/10.3390/su142315620