L’intelligenza artificiale a scuola
Definizione breve
L’intelligenza artificiale (IA) è una macchina o un sistema capace di gestire in modo autonomo stimoli esterni, simulando alcune funzioni della mente umana. Funziona grazie a sequenze logiche chiamate algoritmi e, nelle sue forme più recenti, grazie all’apprendimento automatico (in inglese machine learning): la capacità di un computer di migliorare le proprie prestazioni da solo, “imparando” da grandi quantità di dati senza un intervento umano diretto.
📖 abilità di un computer a svolgere funzioni e ragionamenti tipici della mente umana · Wikipedia · CC BY-SA
Spiegazione per docenti
I libri di testo di tecnologia per la secondaria di primo grado introducono l’IA come naturale prolungamento di due concetti già noti: l’algoritmo (un procedimento che risolve un problema, rappresentabile con un diagramma di flusso) e il trattamento dei dati. Il testo Techno logics definisce l’IA come un sistema che “pensa e agisce razionalmente come fa la mente umana”, precisando subito un limite importante: a una macchina non si potranno mai far acquisire emozioni e sentimenti umani.
Per la didattica conviene tenere distinti due piani:
- IA “classica” basata su regole: l’algoritmo è scritto interamente dal programmatore. La macchina esegue istruzioni precise (è lo stesso principio del coding a blocchi che gli studenti già praticano).
- IA che apprende (machine learning): la macchina non riceve tutte le regole, ma viene addestrata su molti esempi (dati) e ne ricava da sola dei modelli. Il manuale STEAM lo illustra con il gioco Quick, draw! di Google, dove una rete neurale addestrata sui disegni di milioni di utenti riconosce gli scarabocchi degli studenti.
Il valore formativo non sta nel “saper usare l’IA”, ma nel capire che dietro a un risultato apparentemente intelligente ci sono algoritmi, dati e scelte umane. Questo apre due competenze chiave del DigComp: l’uso consapevole dei dati e la valutazione critica delle fonti digitali. I testi collegano l’IA anche a temi etici concreti (es. la guida autonoma: “si può affidare a un algoritmo la scelta del male minore quando è in ballo la vita di una persona?”).
Spiegazione per studenti
Hai mai notato che il telefono riconosce il tuo volto, che un’app traduce subito una frase o che un videogioco “capisce” come ti muovi? Dietro a tutto questo c’è l’intelligenza artificiale: un programma che riesce a fare cose che di solito richiedono intelligenza umana, come riconoscere immagini, capire la voce o prendere decisioni.
L’IA non è magia. Funziona grazie agli algoritmi, cioè liste di istruzioni precise, e ai dati, cioè tantissimi esempi da cui impara. Quando giochi a Quick, draw! e disegni un gatto, il computer prova a indovinare confrontando il tuo disegno con milioni di altri disegni già visti: questo “imparare dagli esempi” si chiama apprendimento automatico.
Una cosa importante: l’IA può sbagliare, perché impara da dati raccolti da persone, e le persone fanno errori. Per questo siamo noi a decidere quando fidarci e quando controllare.
Versione ultra-semplice (BES/DSA)
L’intelligenza artificiale è un programma del computer che impara dagli esempi.
- Tu mostri al computer tante immagini di cani.
- Il computer guarda e cerca le cose uguali (orecchie, zampe, coda).
- Dopo, se gli mostri un cane nuovo, lui dice: “È un cane!”
Non è magia: è un computer che ha visto tanti esempi. L’IA è brava, ma a volte sbaglia. Decidiamo noi se fidarci.
Esempio concreto in classe
Sfida l’IA con Quick, draw! (30 minuti)
- La classe apre il gioco gratuito Quick, draw! di Google (proiezione alla LIM o tablet condivisi).
- A turno, gli studenti disegnano in 20 secondi l’oggetto richiesto (gatto, bicicletta, casa…). L’IA prova a indovinare mentre disegnano.
- Dopo qualche partita, si discute insieme:
- Quando l’IA ha indovinato subito? Quando ha sbagliato?
- Perché ha riconosciuto meglio un disegno “tipico” rispetto a uno originale?
- Si introduce l’idea: l’IA ha imparato da milioni di disegni fatti da altre persone. Anche i nostri disegni la aiutano a migliorare (apprendimento automatico).
Il gioco è citato direttamente nel testo STEAM come attività per allenare l’astrazione confrontandosi con una rete neurale.
Dal concetto all’attività
Livello base
Caccia all’IA nella vita quotidiana. Gli studenti elencano, in coppia, cinque oggetti o servizi che usano l’IA (assistente vocale, fotocamera che mette a fuoco da sola, suggerimenti dei video, traduttore). Per ciascuno scrivono: che cosa fa e quali dati usa. Si costruisce un cartellone di classe. (Spunto diretto dal testo Techno logics: auto senza conducente, informazioni vocali sullo smartphone, fotocamera che imposta i parametri da sola.)
Livello intermedio
Regole vs. apprendimento. Si confrontano due modi di far “decidere” una macchina:
- un algoritmo a regole scritto in Scratch (es. “se tocchi il rosso, fermati”) — vedi algoritmo-e-diagrammi-di-flusso;
- un sistema che impara dagli esempi (Quick, draw! o Teachable Machine). Gli studenti compilano una tabella: chi scrive le regole? cosa serve per funzionare (istruzioni o dati)? cosa succede con un caso nuovo?
Livello avanzato
Addestra una mini-IA con Teachable Machine. A gruppi, gli studenti addestrano un classificatore di immagini (es. “pollice su / pollice giù”) fotografando molti esempi, poi lo collegano a un progetto Scratch o micro:bit. (proposta progettuale) Discutono poi cosa succede se gli esempi sono pochi o tutti simili: introduzione intuitiva al concetto di bias nei dati.
Misconcezioni frequenti
- “L’IA pensa come un essere umano.” No: simula alcune funzioni della mente, ma non prova emozioni né sentimenti (lo dice esplicitamente il testo). Elabora dati e calcola probabilità.
- “L’IA è sempre giusta perché è un computer.” L’IA impara da dati raccolti da persone: può ereditarne errori e sbagliare. La guida autonoma, ad esempio, solleva ancora dubbi etici e di sicurezza.
- “L’IA decide da sola, senza l’uomo.” Le regole, gli obiettivi e i dati di addestramento sono scelti da persone. L’autonomia è solo nell’esecuzione.
- “IA e robot sono la stessa cosa.” Il robot è la macchina fisica (sensori e attuatori); l’IA è il “cervello” software. Un robot può funzionare senza IA, e l’IA può girare senza robot — vedi robotica-educativa.
- “Imparare dagli esempi vuol dire copiare.” L’apprendimento automatico ricava schemi (pattern) generali dagli esempi, non li ricopia uno a uno.
Collegamenti interdisciplinari
- Matematica: dati, probabilità, statistica; il modello matematico delle reti neurali (neuroni artificiali).
- Scienze: il parallelo tra reti neurali artificiali e funzionamento del cervello.
- Italiano / Educazione civica: il dibattito etico sull’IA (chi è responsabile se l’auto autonoma sbaglia?), uso consapevole dei dati personali.
- Arte e immagine: riconoscimento e generazione di immagini, astrazione del disegno.
- Geografia / Educazione civica: IA al servizio della sostenibilità (es. selezione automatica dei rifiuti nel riciclaggio).
Strumenti digitali utili
- Quick, draw! (Google) — gioco gratuito di riconoscimento disegni, citato nei testi. Vedi scratch per il collegamento al coding.
- Teachable Machine (Google) — addestrare un classificatore senza programmare. (proposta progettuale)
- Scratch — confronto tra logica a regole e logica ad apprendimento. Vedi scratch.
- micro:bit — per collegare un modello addestrato a un dispositivo fisico. Vedi micro-bit.
- Padlet — bacheca di classe per raccogliere riflessioni e prodotti (usato nel testo STEAM).
Valutazione e rubriche
Rubrica per l’attività “Capire l’IA” (proposta progettuale, da validare):
| Criterio | Iniziale | Base | Intermedio | Avanzato |
|---|---|---|---|---|
| Comprensione del concetto | Confonde IA con magia o con qualsiasi computer | Sa che l’IA usa algoritmi e dati | Distingue regole da apprendimento dagli esempi | Spiega con esempi propri il ruolo dei dati e dei limiti dell’IA |
| Esempi nella realtà | Non riconosce usi dell’IA | Cita 1-2 esempi guidati | Cita più esempi e indica quali dati usano | Analizza un caso e ne discute opportunità e rischi |
| Pensiero critico | Considera l’IA infallibile | Sa che l’IA può sbagliare | Collega gli errori alla qualità dei dati | Argomenta un dilemma etico (es. guida autonoma) |
| Lessico tecnico | Non usa termini specifici | Usa “algoritmo” e “dati” | Usa “apprendimento automatico”, “rete neurale” | Usa il lessico con precisione e lo spiega ai compagni |
Inclusione e adattamenti
- DSA/BES: privilegiare la versione ultra-semplice e gli esempi concreti; fornire schede con immagini e parole-chiave già scritte; valutare l’esposizione orale invece di quella scritta.
- Attività hands-on: il gioco Quick, draw! e Teachable Machine sono accessibili e immediati, riducono il carico di lettura e danno feedback visivo subito.
- Privacy: secondo l’indicazione del testo STEAM, far accedere agli strumenti con un nickname creato dall’insegnante, senza richiedere dati personali degli studenti; nei video evitare di riprendere i volti.
- Lavoro a coppie/gruppi (apprendimento cooperativo) per sostenere chi ha più difficoltà nel lessico tecnico.
- Approfondimenti in inclusione-coding-robotica.
Fonti
- Techno logics — Tecnologia, Raffaello Scuola (Furci, Pozzi, Monti), ISBN 9788847241206 (p.230: definizione di intelligenza artificiale, algoritmo, robotica)
- Techno logics — Laboratorio sperimentale STEAM, Raffaello Scuola, ISBN 9788847241206 (p.47-48: rete neurale, apprendimento automatico, gioco Quick, draw!; p.49: pattern; privacy/nickname)
- Futura — Settori produttivi, Paravia/Person/Sanoma (Delpiano, Giusiano, Goldschmidt), ISBN 9788839564078 (p.43-44: l’intelligenza artificiale nel riciclaggio)
- Upgrade, Paravia/Person/Sanoma (Delpiano), ISBN 9788891921161 (p.461: IA e guida autonoma, dilemmi etici)
- Le sezioni “Dal concetto all’attività — Livello avanzato”, parte degli strumenti digitali e la rubrica sono proposta progettuale da validare (non tratte direttamente dai testi).
Pagine collegate
- algoritmo-e-diagrammi-di-flusso
- pensiero-computazionale
- robotica-educativa
- scratch
- micro-bit
- inclusione-coding-robotica
Micro-competenze collegate (ProfTecnologIA)
Lo studente comprende i principi fondamentali dell'IA (machine learning, reti neurali, dataset, training), sa identificare applicazioni di IA nella vita quotidiana, e sa analizzare…