L’applicazione dell’intelligenza Artificiale in ambito educativo (Artificial Intelligence in Education, AIED) è teoricamente radicata nelle teorie dell’apprendimento comportamentiste e cognitiviste e sembra amplificare il concetto di mastery learning codificato da Bloom (1984), in particolare rispetto alla formulazione del principio che regola l’”effetto 2-sigma”, ovvero la dimostrazione che un tutoraggio personalizzato può migliorare sensibilmente le soglie di apprendimento.

L’AIED si basa, fondamentalmente, su due principali approcci:

  • data-driven (es. Century tech, Third space learnng, Mindomo), ovvero utilizzo di IA basata su dati che utilizza processi di machine learning, richiede una soglia alta di addestramento e grandi quantità di dati, come pure un sensibile impiego di energia che pone questioni legate alla sostenibilità;
  • knowledge-based (es Carnegie learning’s cognitive Tutor, Autotutor) ovvero mette a disposizione conoscenza esperta in forma computabile utilizzando motori inferenziali (Tuomi, 2018).

Se, da un lato, l’approccio data-driven ha rivelato vantaggi dal punto di vista dell’adattamento a nuovi contesti scalabilità rispetto a numeri elevati di studenti e capacità nell’individuare pattern individuali di apprendimento, dall’altro ha rivelato criticità correlate a consumi particolarmente energivori, bias nei dati utilizzati per il training e problemi di privacy. Dal punto di vista etico questo approccio rileva alche qualche fragilità correlata alla difficoltà di interpretare le decisioni e mancanza di trasparenza nei processi deliberativi (Holmes et al., 2021).

L’approccio knowledge-based presenta come vantaggi la trasparenza delle decisioni, facilmente spiegabili e tracciabili, e la chiarezza e dei processi logici, come pure una dimostrata efficacia in materie STEM, prime tra tutte matematica e fisica, e la capacità di modellare esplicitamente misconcezioni ricorrenti e comuni (Koedinger et al., 2012). Di contro questo approccio ha scalabilità limitata, soprattutto nella rappresentazione di domini complessi, minore capacità di adattamento a nuovi contesti, difficoltà nell’aggiornare le basi di conoscenza, costi elevati di sviluppo e manutenzione.

I sistemi che utilizzano l’approccio data-driven si rivelano estremamente flessibili per quanto riguarda il loro impiego in contesti aperti mentre l’approccio knowledge-based ha una maggiore efficacia in domini strutturati (Holstein et al., 2018).

La scelta dell’approccio in didattica dovrebbe considerare, pertanto, sia l’individuazione di obiettivi pedagogici specifici che le caratteristiche del particolare dominio di conoscenza, l’entità delle risorse umane, economiche e tecnologiche disponibili e il contesto di applicazione (Luckin et al., 2016).

Le tipologie di applicazioni che utilizzano applicazioni AIED possono essere suddivise in sistemi focalizzati su:

  • studenti: prevedono app assististe da IA, sistemi di tutoraggio intelligente, strumenti per studenti con disabilità, sistemi di scrittura automatica chatbot educativi:
  • docenti: comprendono strumenti antiplagio, monitoraggio della classe, messa in forma dei materiali didattici, valutazione automatica, assistenti alla docenza;
  • istituzioni: includono tool per la gestione amministrativa, sistemi di ammissione e onboarding, sorveglianza E-proctoring (Holmes et al., 2019).

I limiti più evidenti rispetto ai vantaggi già elencati sono rappresentati dalle questioni etiche inerenti i diritti umani fondamentali, la privacy e la protezione dei dati personali, l’equità, la nono discriminazione e la necessità di ottenere la maggior trasparenza algoritmica possibile (Holmes et al., 2021).

Nonostante l’AIED sia in sperimentazione già da qualche anno la ricerca sulla sua efficacia sembra aver messo in evidenza limiti evidenti: in primo luogo la carenza di studi indipendenti condotti su larga scala e la necessità di valutare impatti più ampi rispetto alle ricerche disponibili attualmente in letteratura, successivamente va rilevata anche una focalizzazione eccessiva sui risultati accademici e un monitoraggio meno ampio del necessario per avere una valutazione di impatto sufficiente (du Boulay, 2016).

L’evoluzione futura di questi sistemi data-driven oppure knowledge-based è indirizzata verso una convergenza di entrambi gli approcci, mirata a superare le limitazioni intrinseche che entrambi rilevano. La direzione di sviluppo sembra orientata attualmente verso i sistemi neuro-simbolici che riescono a combinare il rigore delle regole logiche con la flessibilità dell’apprendimento automatico nell’ottica di sviluppare soluzioni che siano pedagogicamente ben fondate e, nel contempo, adattive (Holmes et al., 2021). L’innovazione architetturale degli approcci ibridi consentirà un grado più elevato e preciso di tutoraggio e una valutazione formativa che si possono applicare anche all’ambito della generazione delle mappe visuali mettendo sempre più in chiaro come l’IA rappresenti un sistema di potenziamento e non di sostituzione del docente (Holstein et al., 2018).

Marco Sanavio

 

Bloom, B. S. (1984). The 2 Sigma Problem: The Search for Methods of Group Instruction as Effective as One-to-One Tutoring. Educational Researcher, 13(6), 4–16. https://doi.org/10.3102/0013189X013006004

du Boulay, B. (2016). Artificial intelligence as an effective classroom assistant. IEEE Intelligent Systems, 31(6), 76–81. https://doi.org/10.1109/MIS.2016.102

Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial Intelligence in Education: Promises and Implications for Teaching and Learning. Center for Curriculum Redesign.

Holmes, W., Tuomi, I., Whitelock, D., Laurillard, D., & Kloos, C. D. (2021). Ethics and privacy in artificial intelligence in education: A case study of five systems. Learning, Media and Technology, 46(1), 1–21. https://doi.org/10.1080/17439884.2021.1871875

Holstein, K., McLaren, B. M., & Aleven, V. (2018). Student learning benefits of a blended, data-driven, and knowledge-based approach to adaptive learning support. In Proceedings of the 13th International Conference on Educational Data Mining (EDM 2018) (pp. 233–240).

Koedinger, K. R., Anderson, J. R., Hadley, W. H., & Mark, M. A. (2012). Intelligent tutoring goes to school in the big city. International Journal of Artificial Intelligence in Education, 8(1), 30–43.

Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence Unleashed: An argument for AI in Education. Pearson. https://doi.org/10.1002/j.2334-5837.2016.tb00018.x

Tuomi, I. (2018). The Impact of Artificial Intelligence on Learning, Teaching, and Education. European Commission Joint Research Centre. https://doi.org/10.2760/12297