|
Quesito
n° 6. La scuola è in subbuglio perché l'I.A. fornisce in tempo reale
risposte ad ogni domanda che potenzialmente il docente può rivolgere al
discente. La mia proposta è, che con l'I.A., all'allievo viene richiesto di
fare lui le domande alla I.A. E la valutazione da parte del docente sarà in
funzione dell'intelligenza, dell'articolazione, della curiosità,
dell'argomentazione che il discente dimostrerà nel costruire le domande
poste. Che ne dici?
L'Intelligenza Artificiale
nell'Educazione: Un Nuovo Paradigma di Valutazione Basato sulla Qualità dei
Quesiti Generati dagli Studenti
Introduzione: L'Intelligenza
Artificiale e la Ridefinizione dell'Apprendimento Scolastico
L'integrazione
dell'Intelligenza Artificiale (IA) nel settore educativo sta rivoluzionando
profondamente le dinamiche di apprendimento e insegnamento. Questa
evoluzione, che ha avuto inizio con semplici strumenti di istruzione
assistita da computer negli anni '80 e '90, è progredita fino a sistemi
sofisticati capaci di personalizzare i percorsi formativi, automatizzare le
valutazioni e persino anticipare i risultati degli studenti. La diffusione
rapida e capillare dell'IA generativa (GenAI), tuttavia, ha creato un
notevole fermento nel sistema scolastico, poiché la sua capacità di fornire
risposte in tempo reale a qualsiasi domanda rende obsolete le metodologie
di valutazione tradizionali basate sulla mera riproduzione di conoscenze.
Le preoccupazioni principali
derivanti dall'adozione della GenAI nell'istruzione sono molteplici. Si
teme un'accentuazione delle disuguaglianze preesistenti nell'accesso alla
tecnologia e alle risorse educative, una potenziale diminuzione delle
interazioni umane essenziali per lo sviluppo socio-emotivo, e una
limitazione dell'autonomia e dell'iniziativa degli studenti, che potrebbero
abituarsi a soluzioni predeterminate. Inoltre, l'impatto psicologico a
lungo termine sui giovani, inclusi i rischi di manipolazione, rappresenta
un'incognita significativa. Un aspetto particolarmente critico è l'uso
dell'IA per la disonestà accademica, una preoccupazione crescente che vede
una percentuale elevata di studenti universitari (l'88% nel Regno Unito nel
2025) ammettere di aver utilizzato strumenti di IA per le valutazioni. Le
motivazioni sottostanti a tale comportamento includono la percezione di un
materiale di studio irrilevante, la mancanza di enfasi sull'integrità
accademica e sulla costruzione di relazioni di fiducia, una focalizzazione
eccessiva sui voti anziché sull'apprendimento, l'elevato stress e la
pressione associati alle valutazioni, e una scarsa autonomia dello studente
nel processo valutativo.
La proliferazione dell'IA
non si configura come una semplice sfida all'integrità accademica, ma come
un catalizzatore ineludibile per una ridefinizione fondamentale della
valutazione e della pedagogia. La sua capacità di fornire risposte
immediate rende inefficace e facilmente aggirabile l'approccio tradizionale
basato sulla memorizzazione delle conoscenze. Ciò impone alle istituzioni
educative di riconsiderare in profondità cosa e come valutare. La
trasformazione non riguarda solo la prevenzione della disonestà accademica,
ma assicura la continua rilevanza e il valore dell'istruzione, preparando
gli studenti a un mondo in cui l'accesso all'informazione è onnipresente e
la capacità di interagire criticamente con essa è fondamentale.
In questo contesto di
profonda trasformazione, emerge una proposta innovativa: invertire il
paradigma tradizionale della valutazione. Anziché il docente porre domande
al discente, si propone che sia l'allievo a formulare le domande all'IA. La
valutazione del docente si baserebbe quindi sulla qualità intrinseca di
queste domande, misurata in termini di intelligenza, articolazione,
curiosità e argomentazione [User Query]. Questa proposta si allinea
strategicamente con la visione di esperti come Phillip Dawson, co-direttore
del Centre for Research in Assessment and Digital Learning, il quale
sostiene che "la validità conta più del cheating" e che "la
valutazione deve cambiare" in un mondo dove l'IA può svolgere compiti
precedentemente oggetto di valutazione. Si tratta di una modifica
strutturale necessaria per gli assessment. La proposta non è una semplice
modifica tattica, ma una risposta strategica e pedagogicamente fondata alla
crisi della valutazione indotta dall'IA. Essa trasforma una minaccia
percepita – l'IA che fornisce risposte – in un'opportunità di apprendimento
avanzato, spostando il focus dall'output (le risposte) all'input (le
domande) e alle competenze cognitive sottostanti. Questo approccio
proattivo sfrutta l'IA come strumento per un apprendimento più profondo,
anziché combatterla come meccanismo di cheating, promuovendo così una
genuina integrità accademica attraverso un coinvolgimento autentico.
Il presente rapporto si
propone di analizzare in profondità la fattibilità di questo modello
innovativo, esplorandone i fondamenti pedagogici, i benefici attesi per lo
sviluppo degli studenti, i criteri specifici per la valutazione delle
domande, e le sfide pratiche ed etiche che potrebbero emergere durante
l'implementazione. Fornirà raccomandazioni concrete per una transizione
efficace verso questa nuova frontiera della valutazione.
Fondamenti Pedagogici: Il
Potere della Domanda nell'Apprendimento
Il Metodo Socratico e
l'Apprendimento Basato sull'Indagine (Inquiry-Based Learning)
La proposta di far formulare
agli studenti le domande all'IA affonda le sue radici in principi
pedagogici consolidati e di lunga data. Il metodo socratico, una delle più
antiche e potenti tattiche di insegnamento, si concentra sul porre domande
agli studenti, anziché fornire risposte, per stimolare il pensiero critico.
Questo approccio coltiva una mente inquisitiva attraverso un'indagine
continua dell'argomento, utilizzando domande aperte per valutare i
progressi e offrire feedback.
Il metodo socratico è
intrinsecamente un dialogo condiviso tra insegnante e studenti.
L'insegnante guida la discussione ponendo domande stimolanti, mentre gli
studenti si impegnano attivamente formulando le proprie domande, creando un
flusso bidirezionale di indagine. Questo approccio, spesso definito
"metodo di indagine" (inquiry method), si adatta al livello di
comprensione attuale dello studente, guidandolo verso nuove conoscenze e
idee attraverso un processo di interrogazione mirata. La proposta dell'utente
non è una novità radicale in pedagogia, ma piuttosto una modernizzazione e
un'estensione del millenario metodo socratico e dell'apprendimento basato
sull'indagine. Adattando questi principi all'era digitale e sfruttando l'IA
come interlocutore, si rafforza il ruolo centrale dell'indagine autonoma
dello studente. Il cuore della proposta dell'utente, ovvero che "gli
studenti pongano domande", rispecchia direttamente l'enfasi del metodo
socratico sull'interrogazione e i principi dell'Apprendimento Basato sull'Indagine.
Spostando l'interlocutore da un insegnante umano a un'IA, il principio
pedagogico fondamentale dell'indagine guidata dallo studente rimane
intatto, sebbene il mezzo cambi. Questo fornisce una solida base
pedagogica, storicamente validata, per il modello proposto, suggerendo che
le sue radici sono profonde in teorie di apprendimento efficaci piuttosto
che essere un semplice espediente tecnologico. L'IA diventa uno strumento
per scalare e personalizzare il dialogo socratico.
L'Importanza delle Domande
Generate dagli Studenti per lo Sviluppo Cognitivo
Le domande costituiscono una
componente essenziale della vita in classe e sono fondamentali per il
repertorio pedagogico di ogni insegnante. Esse servono a coinvolgere gli
studenti nel processo di apprendimento e, crucialmente, a offrire loro
l'opportunità di formulare domande a loro volta. Le domande che mirano a un
significato più profondo promuovono attivamente le capacità di pensiero
critico e le competenze di ordine superiore, come la risoluzione dei
problemi.
Incoraggiare gli studenti a
porre domande chiave, come quelle strutturate sulla base delle "cinque
W e una H" (Chi, Cosa, Quando, Dove, Perché, Come), rappresenta una
routine di pensiero efficace che stimola un'esplorazione approfondita di un
argomento o di un problema. Gli studenti raggiungono livelli di
comprensione più profondi quando gli insegnanti non solo modellano, ma
anche li spingono a formulare domande di qualità, guidandoli a superare le
semplici domande a risposta chiusa per arrivare a domande di indagine più
complesse, che iniziano con "spiega" o utilizzano
"come" e "perché". La capacità di formulare domande di
qualità non è solo un indicatore della comprensione del contenuto, ma è un
motore diretto e un riflesso dello sviluppo di competenze cognitive di
ordine superiore, come l'analisi, la sintesi e la valutazione. Se gli
studenti vengono formati a porre domande "come" e
"perché" e a utilizzare framework strutturati come le
"Cinque W e una H" , essi si impegnano
attivamente in processi analitici, sintetici e valutativi. Pertanto, la
valutazione della qualità delle loro domande valuta direttamente queste
funzioni cognitive di ordine superiore, andando oltre la semplice
memorizzazione dei fatti e addentrandosi nel regno del vero impegno
intellettuale. Questo rende la valutazione più valida in un mondo ricco di
informazioni.
L'IA come Partner di
Apprendimento: Oltre la Semplice Risposta
L'Intelligenza Artificiale
può e deve essere integrata non solo come uno strumento collaborativo, ma
come un vero e proprio "copilota" intellettuale, superando la
semplice funzione di scorciatoia per ottenere risposte. Un framework
robusto per questa integrazione è l'apprendimento basato su progetti (PBL),
dove gli studenti imparano a utilizzare l'IA per il brainstorming,
l'iterazione e il perfezionamento delle proprie idee.
L'IA può fungere da ausilio
dinamico in diverse fasi del processo di scrittura e ricerca, dalla
definizione precisa dell'argomento alla raccolta e analisi dei dati, dalla
formulazione della tesi alla strutturazione logica delle idee, fino alla
stesura e revisione del testo. Può suggerire temi attuali, analizzare vasti
archivi di informazioni, identificare tendenze e proporre disposizioni
logiche per gli argomenti. Studi recenti dimostrano che gli studenti
utilizzano già i sistemi di IA principalmente per attività di
"creazione" (usare le informazioni per apprendere qualcosa di
nuovo) e "analisi" (scomporre il noto e identificare relazioni),
come la progettazione di domande pratiche, la modifica di saggi o la
sintesi di materiale accademico. Questo tipo di utilizzo si allinea con le
funzioni cognitive di ordine superiore della Tassonomia di Bloom.
L'IA, lungi dall'essere solo
un database di risposte, si sta evolvendo in un "copilota"
intellettuale. Se ben utilizzata e guidata, può estendere
significativamente le capacità cognitive dello studente, trasformando
l'atto di porre domande in un esercizio di "prompt engineering" e
pensiero strategico, una competenza cruciale nel panorama digitale. La
visione tradizionale dell'IA è quella di un fornitore passivo di risposte.
Tuttavia, le evidenze indicano che l'IA viene sempre più utilizzata dagli
studenti per compiti generativi e analitici, come il brainstorming, la
strutturazione e la creazione di domande o la sintesi. Questo trasforma
l'IA da una fonte di informazione passiva a un "partner di
conversazione" attivo. La qualità dell'output dell'IA dipende
fortemente dalla qualità del prompt di input. Pertanto, insegnare agli
studenti a formulare domande efficaci all'IA equivale a insegnare loro il
"prompt engineering", una competenza critica nell'era digitale.
Questa competenza richiede intelligenza (comprendere quali informazioni
sono necessarie), articolazione (formulazione chiara), curiosità (esplorare
diverse angolazioni) e argomentazione (strutturare il prompt per ottenere
un ragionamento specifico).
Il Modello Proposto:
Studenti come Interroganti dell'IA
Descrizione Dettagliata del
Funzionamento del Modello in Classe
Nel modello pedagogico
proposto, gli studenti non sono più destinatari passivi di domande, ma
attori proattivi che formulano quesiti all'IA per esplorare un argomento,
risolvere un problema, chiarire un concetto o generare nuove idee. Questo
processo può essere integrato in diverse fasi dell'apprendimento, dalla
ricerca iniziale alla revisione finale. Questo approccio promuove
attivamente l'"agency dello studente", definita come la
convinzione che gli studenti abbiano la volontà e la capacità di
influenzare positivamente la propria vita e il mondo circostante, nonché la
capacità di fissare un obiettivo, riflettere e agire responsabilmente.
Le interazioni studente-IA
dovrebbero essere concepite per incoraggiare la riflessione e la
metacognizione sull'uso dell'IA. Agli studenti dovrebbe essere richiesto di
considerare quale strumento di IA hanno utilizzato e perché, come hanno
formulato il prompt, quanto bene ha funzionato, se erano soddisfatti
dell'output, quali revisioni hanno dovuto apportare e se l'output conteneva
contenuti problematici come bias o disinformazione. Il valore pedagogico di
questo modello non risiede unicamente nella domanda finale formulata, ma
nell'intero processo iterativo di formulazione del quesito, interazione con
l'IA, valutazione critica della risposta ottenuta e raffinamento della
domanda successiva. Questo ciclo continuo stimola profondamente la
metacognizione e la riflessione critica sull'apprendimento. Le evidenze
indicano che un'interazione efficace con l'IA non è un evento isolato, ma
un processo iterativo. Gli studenti non si limitano a porre una singola
domanda; essi fanno brainstorming, raffinano i prompt, valutano
criticamente gli output dell'IA per verificarne l'accuratezza, i bias o le fabbricazioni , e poi formulano domande di follow-up
basate sulla loro valutazione critica. Questo intero ciclo costituisce
un'esperienza di apprendimento ricca che promuove la metacognizione,
spingendo gli studenti a riflettere sulla qualità del loro prompt, sui
limiti dell'IA e su come migliorare la loro indagine. Questo sposta la
valutazione da un prodotto statico a una dimostrazione dinamica del
processo di apprendimento.
Esempi di Interazioni
Studente-IA per la Formulazione di Domande
Il modello può essere
applicato in vari contesti didattici, offrendo agli studenti opportunità
diverse per esercitare le loro capacità di interrogazione:
·
Chiarificazione e Comprensione: Gli studenti potrebbero utilizzare l'IA per
chiarire concetti complessi incontrati durante la lettura di un testo,
agendo come un interlocutore virtuale per ottenere spiegazioni aggiuntive.
·
Generazione di Domande Pratiche: Gli studenti possono chiedere all'IA di
generare domande pratiche su un argomento specifico per testare la propria
comprensione o per prepararsi a una valutazione. Questo include la
possibilità di creare quiz personalizzati.
·
Esplorazione di Prospettive e Brainstorming: L'IA può essere utilizzata
per esplorare diverse prospettive su un tema controverso (ad esempio,
tramite un "Debate Partner" virtuale) o per generare idee per un
progetto. Gli studenti formulerebbero poi domande più approfondite basate
su queste prospettive o idee.
·
Ricerca e Sintesi: Gli studenti possono chiedere all'IA di
riassumere articoli accademici complessi o di suggerire idee di ricerca. Successivamente,
formulerebbero domande mirate per approfondire gli aspetti più
interessanti, meno esplorati o per verificare la validità delle
informazioni.
·
Creazione di Scenari e Problem-Solving: L'IA può generare scenari o
problemi complessi, e gli studenti possono poi formulare domande per
esplorare potenziali soluzioni, implicazioni o vie d'indagine.
Ruolo del Docente: Da
Erogatore di Domande a Facilitatore e Valutatore della Qualità dei Quesiti
Il docente, in questo nuovo
paradigma, si trasforma da "dispensatore di conoscenza" e
"interrogatore" a "copilota" e "architetto
dell'apprendimento". Il suo ruolo principale diventa guidare gli
studenti nello sviluppo della loro "AI literacy", ovvero la
consapevolezza delle capacità operative e dei limiti dei sistemi di IA, e
la capacità di interagire e fornire feedback a
tali sistemi.
Il docente deve stabilire
aspettative chiare sull'uso dell'IA, incoraggiare la riflessione critica e
la discussione sugli output dell'IA, e insegnare agli studenti a
identificare bias, disinformazione e fabbricazioni. La valutazione si
sposta dalla correttezza delle risposte dell'IA alla qualità intrinseca
delle domande formulate dagli studenti, concentrandosi su intelligenza,
articolazione, curiosità e argomentazione. Questo richiede un cambiamento
strutturale nella valutazione, riconoscendo che "i tempi di
valutazione di ciò che le persone sanno sono finiti". Il ruolo del
docente si evolve da "dispensatore di conoscenza" ad
"architetto dell'indagine", focalizzandosi sullo sviluppo delle
competenze di pensiero critico, metacognizione e "prompt
engineering" degli studenti, piuttosto che sulla mera trasmissione di
contenuti o sulla valutazione della memorizzazione. Se gli studenti sono
ora coloro che pongono le domande, il ruolo tradizionale dell'insegnante
nella trasmissione diretta dei contenuti o nell'interrogazione mnemonica
diminuisce. Invece, l'insegnante deve guidare gli studenti su come
formulare buone domande , come valutare
criticamente gli output dell'IA , e come
riflettere sul proprio processo di apprendimento. Questo sposta l'expertise
dell'insegnante dalla padronanza dei contenuti alla progettazione
pedagogica, alla facilitazione del pensiero critico e alla valutazione di
competenze complesse e trasferibili. Questa trasformazione è cruciale per
preparare gli studenti a un futuro in cui l'adattabilità e la capacità di
indagine sono di primaria importanza.
Benefici Attesi del Modello
Sviluppo del Pensiero
Critico e della Metacognizione
L'approccio proposto stimola
attivamente il pensiero critico, affinando la capacità di analisi, la
risoluzione dei problemi e la creatività. Gli studenti imparano a formulare
domande pertinenti, a considerare diverse prospettive e a generare
soluzioni innovative, anziché accettare passivamente le informazioni.
L'interazione con l'IA, specialmente se accompagnata da domande di
riflessione sul processo, incoraggia la metacognizione, ovvero la capacità
di riflettere sul proprio modo di apprendere e di guidare i propri processi
mentali. L'IA, lungi dal limitare lo sviluppo intellettuale, come talvolta temuto , può diventare uno strumento potente per la
metacognizione e il pensiero critico, a condizione che l'interazione sia
intenzionalmente progettata per stimolare l'indagine attiva e la
valutazione critica, non la mera ricezione passiva di risposte. Sebbene le
evidenze indichino che la GenAI potrebbe limitare l'autonomia e lo sviluppo
intellettuale offrendo soluzioni predeterminate ,
il modello proposto inverte questa dinamica. Richiedendo agli studenti di
formulare domande e poi di valutare criticamente le risposte dell'IA –
verificando bias, accuratezza e profondità – essi si impegnano attivamente
nel pensiero di ordine superiore e nella riflessione metacognitiva. Questo
trasforma l'IA da un potenziale ausilio a uno specchio cognitivo, che
riflette la qualità della loro indagine e stimola un pensiero più profondo
e critico, favorendo così una genuina crescita intellettuale.
Stimolo alla Curiosità e
all'Autonomia Intellettuale
Il modello proposto promuove
l'autonomia intellettuale, consentendo agli studenti di diventare pensatori
indipendenti e di sviluppare una maggiore fiducia nelle proprie capacità di
formare opinioni e difendere le proprie idee. Stimola la curiosità e l'apertura
mentale, incoraggiando gli studenti a esplorare nuovi concetti e ad adottare approcci non convenzionali, elementi
essenziali per la creatività. L'agency dello studente è un elemento
fondamentale, poiché permette agli studenti di agire con un senso di scopo,
guidandoli a prosperare nel mondo. La libertà di porre le proprie domande
all'IA, piuttosto che rispondere a quelle del docente, capitalizza sulla
curiosità intrinseca degli studenti, trasformando l'apprendimento da un
compito passivo e spesso percepito come irrilevante a un'esplorazione
attiva, autodiretta e significativa. La valutazione tradizionale spesso
crea un ambiente in cui i voti sono più importanti dell'apprendimento
, portando a disimpegno e a una percezione di scarso valore del
materiale. Dare agli studenti l'autonomia di formulare le proprie domande
attinge alla loro naturale curiosità. Questo spostamento favorisce la
motivazione intrinseca e una connessione più profonda con il materiale,
poiché gli studenti perseguono le proprie linee di indagine. Questa
esplorazione autodiretta contribuisce direttamente a una maggiore autonomia
intellettuale e a un senso di proprietà sul proprio percorso di
apprendimento.
Miglioramento delle Capacità
di Argomentazione e Articolazione
Le prove non strutturate,
come i questionari a risposta aperta articolata o la formulazione di
domande complesse, sono riconosciute per fornire indicazioni preziose sulle
capacità di ragionamento, di inferenza, di operare collegamenti e di
argomentare. La richiesta di formulare domande "intelligenti" e
"articolate" spinge gli studenti a strutturare il proprio
pensiero in modo chiaro, preciso e coerente, utilizzando un lessico
specifico e appropriato alla disciplina. La padronanza nella formulazione
di domande precise, ben articolate e argomentate all'IA si traduce
direttamente in un miglioramento delle capacità di comunicazione e di
pensiero strutturato, competenze trasversali e altamente trasferibili a
qualsiasi contesto accademico, professionale o di vita. L'atto di creare un
prompt di alta qualità per un'IA, che è essenzialmente una domanda ben
articolata, richiede chiarezza, specificità e una struttura logica. Questo
processo, se praticato ripetutamente, migliorerà intrinsecamente la
capacità dello studente di articolare idee complesse, formulare
argomentazioni coerenti e comunicare efficacemente in vari contesti. Queste
competenze sono universalmente preziose, estendendosi ben oltre la semplice
interazione con l'IA, rendendo il modello proposto uno strumento potente
per lo sviluppo olistico dello studente.
Personalizzazione
dell'Apprendimento e Maggiore Coinvolgimento degli Studenti
L'IA offre significative
opportunità di personalizzazione dei percorsi educativi, adattandoli alle
esigenze, ai ritmi e agli stili di apprendimento individuali degli
studenti. Il modello proposto permette agli studenti di esplorare argomenti
in base ai propri interessi specifici e al proprio ritmo, rendendo
l'apprendimento più flessibile, mirato e risonante a livello personale.
Questo approccio migliora notevolmente l'engagement degli studenti, poiché
si ritrovano coinvolti in un dialogo significativo con il sistema educativo
artificiale, in un'ottica anche metacognitiva. La personalizzazione
dell'apprendimento attraverso la formulazione di domande non solo aumenta
in modo significativo l'engagement e la motivazione degli studenti, ma può
anche contribuire a un'educazione più equa, permettendo a ogni studente di
seguire percorsi di apprendimento che risuonano con le proprie necessità,
curiosità e stili, potenzialmente mitigando le disuguaglianze iniziali.
Quando agli studenti è permesso di porre le proprie domande,
l'apprendimento diventa intrinsecamente personalizzato e rilevante per
loro. Questa maggiore rilevanza e autonomia portano direttamente a un
maggiore coinvolgimento. Inoltre, la capacità intrinseca dell'IA di
adattarsi a diverse esigenze di apprendimento significa che studenti con background, conoscenze pregresse o stili di
apprendimento diversi possono trarne beneficio in modo più efficace.
Adattando il processo di indagine ai singoli studenti, il modello ha il
potenziale per ridurre le disparità educative esistenti rendendo
l'apprendimento più accessibile e significativo per tutti.
Promozione dell'Integrità
Accademica in un'Era Dominata dall'IA
Il modello sposta il focus
della valutazione dalla memorizzazione e riproduzione di risposte (compiti
facilmente generabili dall'IA) alla capacità di porre domande intelligenti
e critiche. Questo rende il cheating basato sull'IA meno rilevante e meno
efficace, poiché l'oggetto della valutazione non è la risposta, ma il
processo di indagine. Invece di tentare di bloccare l'uso dell'IA – un
approccio spesso inefficace e controproducente, dato che l'uso dell'IA è
inevitabile e spesso benefico – il modello insegna agli studenti a usare
l'IA in modo responsabile e critico, trasformandola in un "partner di
apprendimento". Invece di una postura reattiva e punitiva contro il
cheating, il modello proposto adotta una strategia proattiva che riprogetta
l'assessment per renderlo intrinsecamente "AI-proof". Ciò
promuove l'integrità accademica non attraverso la sorveglianza, ma
attraverso l'engagement autentico e lo sviluppo di competenze che l'IA non
può replicare autonomamente. L'approccio tradizionale all'IA e al cheating
si basa sul rilevamento e sulla punizione. Tuttavia, il rilevamento è
difficile e l'uso dell'IA è inevitabile. La proposta dell'utente, valutando
l'input (la domanda/prompt dello studente) piuttosto che l'output (la
risposta dell'IA), cambia fondamentalmente la natura della valutazione.
Rende irrilevante la "scorciatoia" delle risposte generate
dall'IA, poiché la competenza valutata è il pensiero alla base della
domanda, che l'IA non può fornire. Ciò si allinea con l'idea di
"ridisegnare la valutazione" per promuovere un apprendimento
genuino, il pensiero critico e un uso responsabile della tecnologia,
favorendo così un'integrità accademica intrinseca.
Criteri di Valutazione:
Intelligenza, Articolazione, Curiosità e Argomentazione dei Quesiti
La valutazione della qualità
dei quesiti generati dagli studenti all'IA richiede una definizione
operativa chiara dei criteri proposti: intelligenza, articolazione,
curiosità e argomentazione. Questi criteri, sebbene interconnessi, offrono
una lente multidimensionale per apprezzare la profondità dell'indagine
dello studente.
Definizione Operativa di
Ciascun Criterio nel Contesto delle Domande all'IA
·
Intelligenza: Questo criterio si riferisce alla profondità cognitiva e alla
complessità del pensiero dimostrate dalla domanda. Le domande intelligenti
vanno oltre la mera riproduzione di informazioni, richiedendo analisi,
sintesi o valutazione (domande di alto livello). Esse rivelano una
comprensione profonda del materiale e la capacità di identificare lacune
nella conoscenza, aree di complessità o connessioni inaspettate. Spesso
iniziano con "perché" o "come" e dimostrano capacità di
ragionamento, inferenza e di operare collegamenti complessi tra concetti.
Possono anche includere la capacità di interpretare accuratamente le prove
e di valutare punti di vista alternativi. Una domanda intelligente non
cerca solo un dato, ma un'elaborazione, una spiegazione o una prospettiva.
·
Articolazione: Questo criterio riguarda la chiarezza, la precisione e la coerenza
nella formulazione linguistica della domanda. La domanda deve essere
significativa, comprensibile e priva di ambiguità per l'IA, proprio come lo
sarebbe per un interlocutore umano. Una domanda ben articolata dimostra
l'uso di un linguaggio specifico della disciplina e una struttura logica e
grammaticale corretta. È fondamentale evitare domande troppo vaghe, cariche
di presupposti impliciti o che chiedono più cose contemporaneamente, poiché
ciò può confondere l'IA e produrre risposte meno utili. La capacità di
articolare un quesito complesso in modo conciso e chiaro è un indicatore di
pensiero strutturato.
·
Curiosità: Questo criterio evidenzia un desiderio autentico e proattivo dello
studente di esplorare, approfondire e scoprire nuove connessioni o sfidare
lo status quo. Le domande che dimostrano curiosità spesso mostrano
originalità, esplorano direzioni inesplorate o potenzialmente rischiose, o
sfidano presupposti esistenti. Si manifesta nella volontà di porre domande
che vanno oltre il materiale di base, che riflettono un genuino interesse
per l'argomento e che cercano di comprendere le implicazioni più ampie. La
curiosità implica una mentalità di crescita e un'apertura mentale, elementi
chiave per l'apprendimento continuo.
·
Argomentazione: Questo criterio valuta la capacità dello studente di costruire
domande che implicano una logica sottostante, che sfidano o esplorano
premesse, o che cercano di giustificare o confutare un'idea. Le domande
argomentative possono richiedere prove, ragioni, evidenze o spiegazioni
dettagliate. Rivelano la capacità dello studente di comprendere e formulare
un punto di vista critico, di trarre conclusioni giudiziose e di spiegare
il ragionamento che le sottende. Possono anche implicare la considerazione
di limitazioni, implicazioni o prospettive alternative di un argomento. Una
domanda argomentata non è solo una richiesta di informazione, ma
un'interrogazione che presuppone un certo livello di analisi e sintesi da
parte dello studente che la formula.
Tabella 1: Rubrica di
Valutazione per i Quesiti Generati dagli Studenti
Per facilitare la
valutazione oggettiva e trasparente dei quesiti formulati dagli studenti
all'IA, si propone una rubrica che definisce descrittori specifici per
ciascun livello di performance in relazione ai criteri di intelligenza,
articolazione, curiosità e argomentazione. Questa rubrica può essere
adattata per la valutazione formativa e sommativa, fornendo agli studenti
un feedback chiaro sulle aree di forza e quelle che richiedono ulteriore
sviluppo.
|
Criterio
|
Livello
0: Non Soddisfacente
|
Livello
1: Base/Iniziale
|
Livello
2: Accettabile/In Sviluppo
|
Livello
3: Buono/Competente
|
Livello
4: Eccellente/Maestro
|
|
Intelligenza
|
La
domanda è vaga, superficiale, o non pertinente all'argomento. Non
dimostra comprensione del concetto.
|
La
domanda è semplice, richiede la riproduzione di fatti o informazioni di
base. Non esplora connessioni complesse.
|
La
domanda mostra una comprensione di base, richiede una spiegazione o un
collegamento semplice. Inizia a esplorare il "perché" o il
"come".
|
La
domanda è di alto livello, richiede analisi, sintesi o valutazione.
Identifica aspetti complessi o lacune nella conoscenza.
|
La
domanda è profondamente analitica o sintetica, rivela una comprensione
eccezionale e la capacità di operare collegamenti complessi o di
contestare punti di vista esperti.
|
|
Articolazione
|
La
domanda è confusa, grammaticalmente scorretta o ambigua. Il significato
non è chiaro.
|
La
domanda è comprensibile ma potrebbe essere più precisa o concisa.
Contiene piccole imprecisioni linguistiche.
|
La
domanda è chiara e specifica, formulata correttamente. Utilizza un
linguaggio appropriato alla disciplina.
|
La
domanda è estremamente chiara, precisa e concisa. Dimostra piena
padronanza del lessico specifico e della sintassi.
|
La
domanda è formulata con eccezionale chiarezza, precisione e coerenza,
mostrando una padronanza stilistica che ne amplifica l'impatto cognitivo.
|
|
Curiosità
|
La
domanda è ovvia o banale, non mostra interesse oltre il minimo richiesto.
|
La
domanda esplora un aspetto del materiale, ma non va oltre l'esplorazione
guidata.
|
La
domanda mostra un genuino interesse per l'argomento, esplorando
connessioni o implicazioni non immediatamente evidenti.
|
La
domanda è originale, esplora direzioni inesplorate o potenzialmente
rischiose, o cerca di sfidare presupposti esistenti.
|
La
domanda è altamente innovativa, apre nuove prospettive di indagine,
dimostrando una curiosità intellettuale eccezionale e un pensiero libero.
|
|
Argomentazione
|
La
domanda è una semplice richiesta di fatti o informazioni senza
implicazioni logiche.
|
La
domanda richiede una spiegazione o una ragione di base, ma non implica
un'analisi critica.
|
La
domanda implica una logica sottostante, richiedendo prove o
giustificazioni semplici.
|
La
domanda è ben strutturata per esplorare premesse, giustificare un'idea o confutarla,
richiedendo evidenze dettagliate.
|
La
domanda è costruita con una logica impeccabile, sfidando profondamente le
premesse, richiedendo un'analisi critica e la considerazione di
limitazioni e implicazioni complesse.
|
Strategie per la Valutazione
Formativa e Sommativa
L'implementazione di questa
rubrica può avvenire sia in contesti di valutazione formativa che
sommativa. Per la valutazione formativa, gli insegnanti possono fornire feedback immediato e dettagliato agli studenti sulla
qualità delle loro domande, incoraggiandoli a rivedere e migliorare i loro
prompt. Questo può avvenire attraverso sessioni di discussione in classe,
revisione tra pari o feedback diretto dell'insegnante. L'IA stessa può
essere programmata per fornire feedback sulla
struttura e la chiarezza dei prompt, anche se la valutazione della
"qualità" intrinseca (intelligenza, curiosità, argomentazione)
rimane un compito umano.
Per la valutazione
sommativa, la rubrica può essere utilizzata per assegnare un punteggio ai
quesiti degli studenti, integrando questa valutazione nel giudizio
complessivo delle competenze. È fondamentale che i criteri e i descrittori
siano comunicati chiaramente agli studenti fin dall'inizio, per garantire
trasparenza e equità. La valutazione dovrebbe concentrarsi sul processo di
indagine dello studente, sulla sua capacità di riflettere e di affinare le
proprie domande, piuttosto che sulla mera correttezza delle risposte
dell'IA.
Sfide e Considerazioni
Critiche nell'Implementazione
Sebbene il modello proposto
offra notevoli vantaggi pedagogici, la sua implementazione non è priva di
sfide significative che richiedono un'attenta considerazione.
Dipendenza dall'IA e Impatto
Psicologico
L'eccessiva dipendenza dagli
strumenti di IA nel contesto educativo può avere implicazioni psicologiche
importanti per gli studenti. Il rischio è che gli studenti utilizzino l'IA
come scorciatoia, evitando di impegnarsi nella ricerca, nel pensiero critico
e nella scrittura che sono gli obiettivi primari di un compito. Sebbene
l'IA possa fornire feedback personalizzato e
automatizzare attività di routine, il feedback regolare e dettagliato
fornito dai sistemi di IA potrebbe portare a una diminuzione del senso di
responsabilità e della motivazione tra gli studenti. Inoltre, i sistemi
GenAI che simulano interazioni umane potrebbero avere effetti psicologici
sconosciuti sugli studenti, sollevando preoccupazioni riguardo al loro
sviluppo cognitivo, al benessere emotivo e al rischio di manipolazione. È
cruciale bilanciare l'uso dell'IA con lo sviluppo dell'autonomia e
dell'iniziativa personale.
Disuguaglianze nell'Accesso
e Pregiudizi Algoritmici
L'uso dei sistemi di IA
generativa nell'istruzione potrebbe accentuare le disuguaglianze già
esistenti nell'accesso alla tecnologia e alle risorse educative, aggravando
ulteriormente le disparità. Non tutti gli studenti hanno lo stesso accesso
a dispositivi, connettività internet o strumenti di IA avanzati. Inoltre, i
sistemi di IA possono perpetuare o amplificare i pregiudizi esistenti se
non sono progettati con un'esplicita considerazione di equità e inclusione.
I pregiudizi nascosti negli algoritmi possono portare a discriminazioni,
influenzando le esperienze di apprendimento e i risultati degli studenti in
modo iniquo. È fondamentale garantire un accesso equo e sviluppare sistemi
che siano consapevoli e mitighino attivamente i bias.
Questioni Etiche: Privacy
dei Dati, Trasparenza dell'IA
L'aumento della prevalenza
degli strumenti di IA negli ambienti educativi ha sollevato crescenti
preoccupazioni etiche. La natura sensibile dei dati educativi, che possono
includere informazioni personali sui minori, richiede robuste protezioni
della privacy. Gli istituti educativi devono affrontare questioni urgenti
relative alla privacy dei dati, all'equità algoritmica, alla trasparenza e
al ruolo appropriato dell'automazione negli ambienti di apprendimento. È
fondamentale considerare che ogni interazione con questi strumenti insegna
loro e li migliora nel mimare ciò che scriviamo; non sono servizi
altruistici, ma strumenti forniti per generare profitto. Gli educatori
devono riflettere seriamente sul ruolo che desiderano giocare nel
promuovere o scoraggiare il loro utilizzo, assicurandosi che gli studenti
comprendano le politiche sulla privacy e i termini di servizio.
Formazione dei Docenti e
Adattamento Curricolare
L'adozione di un modello
basato sulla formulazione di domande da parte degli studenti richiede una
significativa formazione dei docenti. Molti insegnanti potrebbero non
essere "ben attrezzati" per aiutare gli studenti con l'IA,
nonostante la loro "AI literacy" sia aumentata. È necessario
supportare il personale docente per migliorare la propria alfabetizzazione
sull'IA e per sviluppare nuove strategie pedagogiche e di valutazione.
L'adattamento curricolare è altrettanto cruciale: i programmi di studio
devono essere rivisti per integrare l'IA in modo significativo, spostando
l'enfasi dalla memorizzazione alla capacità di indagine, al pensiero
critico e alla risoluzione di problemi complessi che l'IA non può replicare
autonomamente.
Validità della Valutazione e
"Standards Inflation"
La validità della
valutazione, ovvero la misura in cui un test misura accuratamente ciò che
intende misurare, è una preoccupazione centrale con l'IA. Sebbene il
modello proposto miri a superare le vulnerabilità delle valutazioni
tradizionali, è necessario assicurarsi che la valutazione della qualità
delle domande misuri effettivamente le competenze cognitive superiori e non
solo la capacità di "promptare" l'IA. Phillip Dawson suggerisce
che, con lo sviluppo dell'IA, si potrebbe assistere a una "standards
inflation", dove gli standard devono essere continuamente alzati
perché le capacità combinate di "IA più studente" migliorano
costantemente. Questo implica che la valutazione deve evolvere
continuamente per rimanere significativa e rigorosa.
Raccomandazioni per
l'Implementazione Efficace
Per implementare con
successo il modello di valutazione basato sulla qualità dei quesiti
generati dagli studenti, è essenziale adottare un approccio strategico e
olistico che affronti le sfide identificate e massimizzi i benefici.
Linee Guida per
l'Integrazione dell'IA nel Curriculum
·
Definire politiche chiare e trasparenti: Le politiche sull'uso
dell'IA nel syllabus devono essere chiaramente dichiarate, specifiche, e
spiegare il contesto o le condizioni di utilizzo consentito, nonché i
processi e le conseguenze della non conformità. Tali politiche dovrebbero
essere supportate da una motivazione pedagogica ponderata a favore
dell'apprendimento degli studenti e collegarsi a risorse di supporto.
·
Diversificare le modalità di valutazione: Utilizzare più modalità di
espressione per gli studenti, come presentazioni orali, rappresentazioni
grafiche, o progetti multimediali, oltre al testo scritto. Questo non solo
si allinea con i principi dell'Universal Design for Learning, ma rende
anche più difficile per l'IA generare l'intero prodotto autonomamente.
·
Incentivare l'uso dell'IA come strumento di supporto, non di
sostituzione: Insegnare agli studenti a utilizzare l'IA per il brainstorming, la
strutturazione, la revisione e la raffinazione delle idee, piuttosto che
per la generazione completa di contenuti. Questo trasforma l'IA in un
"partner di apprendimento" che supporta la creatività e la
proprietà del lavoro.
·
Richiedere una citazione robusta: Se l'IA viene utilizzata, gli studenti devono
imparare e praticare le stesse abilità accademiche di presa di appunti e
chiara attribuzione che sono salvaguardie contro il plagio. Devono citare
lo strumento di IA ogni volta che parafrasano, citano o incorporano
contenuti generati dall'IA, riconoscendo come hanno utilizzato lo strumento
(per il brainstorming, l'editing, ecc.) e verificando le fonti secondarie
generate dall'IA.
Strategie per lo Sviluppo
delle Competenze di "Prompt Engineering" negli Studenti
·
Insegnare la formulazione di prompt efficaci: Gli studenti devono
imparare a formulare prompt chiari, specifici e strutturati. Utilizzare
modelli come il "TIC" (Task, Instructions, Context) per garantire
che ogni prompt specifichi cosa si vuole che l'IA faccia, come lo si vuole
fare e il contesto rilevante.
·
Incoraggiare l'iterazione e la raffinazione: Insegnare agli studenti che
l'interazione con l'IA è un processo iterativo. Devono essere pronti a
modificare i prompt, a fornire informazioni aggiuntive o istruzioni per
migliorare l'output, e a chiedere all'IA quali informazioni necessita.
·
Promuovere la valutazione critica dell'output dell'IA: Gli studenti devono essere
formati per valutare criticamente gli output dell'IA in termini di
disinformazione, fabbricazione e bias. Devono essere in grado di verificare
le informazioni generate dall'IA con fonti affidabili e di identificare
eventuali inesattezze o limitazioni.
·
Sviluppare domande di ordine superiore: Guidare gli studenti a
formulare domande che richiedano analisi, sintesi e valutazione, andando
oltre la semplice riproduzione di fatti. Incoraggiare l'uso di parole
chiave come "perché", "come", "spiega",
"compara" e "valuta".
Creazione di un Ambiente di
Apprendimento che Valorizzi l'Indagine e la Riflessione
·
Stabilire aspettative chiare e promuovere un clima di fiducia: Fin dall'inizio del corso,
stabilire aspettative chiare sull'uso dell'IA e incoraggiare un ambiente di
apprendimento attivo dove gli studenti si sentano a loro agio nel porre
domande e interagire. Costruire relazioni solide tra docente e studenti per
creare un ambiente in cui gli studenti si sentano valorizzati e rispettati.
·
Integrare la riflessione metacognitiva: Chiedere agli studenti di
riflettere sulle loro esperienze con l'IA, su cosa hanno imparato, cosa li
ha frustrati e come hanno affrontato i problemi. Questo modella
l'importanza della riflessione e della metacognizione nel processo di
apprendimento.
·
Utilizzare strategie di interrogazione efficaci: Adottare tattiche come il
"no hands up" per incoraggiare la partecipazione di tutti, il
"think-pair-share" per permettere la condivisione di idee, o la
"question box" per raccogliere domande anonime.
·
Enfatizzare il processo di apprendimento sulla valutazione dei voti: Spostare l'attenzione dai
voti al raggiungimento della padronanza dei contenuti, utilizzando
valutazioni formative che forniscano feedback
tempestivo e incoraggino la crescita. Questo riduce la pressione e la
propensione al cheating.
Approcci per Mitigare le
Sfide Identificate
·
Affrontare le disuguaglianze: Garantire l'accesso equo agli strumenti di IA
e alle risorse digitali per tutti gli studenti. Sviluppare politiche che
promuovano l'inclusione e mitighino i pregiudizi algoritmici, assicurando
che i sistemi di IA siano progettati con equità.
·
Prevenire la dipendenza dall'IA: Progettare compiti che richiedano esperienze
personali, scenari del mondo reale o analisi contestuali dettagliate, che
l'IA fatica a replicare. Incoraggiare il lavoro di gruppo e le attività in
classe che richiedono interazione umana e pensiero originale.
·
Formazione continua dei docenti: Investire in programmi di sviluppo
professionale che forniscano agli insegnanti le competenze necessarie per
integrare l'IA in modo pedagogicamente efficace, per valutare le competenze
complesse e per affrontare le questioni etiche.
·
Promuovere l'autonomia dello studente: Offrire agli studenti
scelte su come dimostrare il loro apprendimento e coinvolgerli nel processo
di valutazione. Questo aumenta il loro investimento e il senso di
proprietà.
Conclusioni: Verso una
Pedagogia Trasformativa con l'IA
L'avvento dell'Intelligenza
Artificiale ha posto il sistema educativo di fronte a una sfida senza
precedenti, rendendo obsolete le metodologie di valutazione tradizionali
basate sulla mera riproduzione di conoscenze. Tuttavia, questa sfida si
presenta anche come una straordinaria opportunità per una profonda
trasformazione pedagogica. La proposta di invertire il ruolo del quesito,
chiedendo agli studenti di formulare domande all'IA e valutandoli sulla
base della qualità di tali interrogativi – in termini di intelligenza,
articolazione, curiosità e argomentazione – rappresenta una risposta
strategica e lungimirante a questa evoluzione.
Questo modello si fonda su
principi pedagogici consolidati, come il metodo socratico e l'apprendimento
basato sull'indagine, che da sempre valorizzano il ruolo attivo dello
studente nella costruzione della conoscenza. L'IA, in questo contesto, non
è più un semplice fornitore di risposte, ma un "partner di
apprendimento" e un "copilota" intellettuale, che estende le
capacità cognitive degli studenti e li spinge a sviluppare competenze
cruciali come il "prompt engineering".
I benefici attesi da questa
transizione sono molteplici e significativi: un notevole sviluppo del
pensiero critico e della metacognizione, una stimolazione della curiosità e
dell'autonomia intellettuale, un miglioramento tangibile delle capacità di
argomentazione e articolazione, e una personalizzazione dell'apprendimento
che aumenta l'engagement e l'equità. Crucialmente, questo approccio
promuove un'integrità accademica intrinseca, rendendo le forme di disonestà
basate sull'IA meno rilevanti, poiché la valutazione si sposta dall'output
(la risposta) al processo di indagine e al pensiero sottostante (la
domanda).
L'implementazione di un tale
modello richiede, tuttavia, un'attenta navigazione attraverso sfide quali
la potenziale dipendenza dall'IA, le disuguaglianze nell'accesso, i
pregiudizi algoritmici e le complesse questioni etiche legate alla privacy
dei dati. È indispensabile un massiccio investimento nella formazione dei
docenti e un adattamento continuo del curriculum per mantenere la validità
della valutazione in un contesto di "standards inflation".
Le raccomandazioni per
un'implementazione efficace includono la definizione di politiche chiare
sull'uso dell'IA, la diversificazione delle modalità di valutazione,
l'incentivo all'uso dell'IA come strumento di supporto critico, e lo
sviluppo sistematico delle competenze di "prompt engineering"
negli studenti. È fondamentale creare un ambiente di apprendimento che
valorizzi l'indagine, la riflessione e la collaborazione, spostando
l'enfasi dai voti alla padronanza dei contenuti.
In definitiva, la proposta
di trasformare gli studenti in interroganti dell'IA non è solo una risposta
alle sfide tecnologiche, ma un passo audace verso una pedagogia
trasformativa. Essa prepara gli studenti non solo a navigare, ma a plasmare
attivamente un futuro in cui la capacità di porre le domande giuste, di
analizzare criticamente le informazioni e di pensare in modo autonomo e
creativo sarà la vera misura dell'intelligenza e della competenza.
Fonti usate nel report
mondodigitale.aicanet.it
L'intelligenza artificiale
applicata al settore educativo: quali prospettive per il futuro
Si apre in una nuova
finestra
journals.francoangeli.it
journals.francoangeli.it
Si apre in una nuova
finestra
tilt.colostate.edu
The Socratic Method: Fostering Critical Thinking |
The Institute for Learning and Teaching
Si apre in una nuova finestra
etown.edu
The Socratic Method |
Elizabethtown College
Si apre in una nuova
finestra
my.chartered.college
Skilful questioning: The
beating heart of good pedagogy - My College
Si apre in una nuova
finestra
uwaterloo.ca
Question Strategies | Centre
for Teaching Excellence - University of Waterloo
Si apre in una nuova
finestra
rivistabricks.it
www.rivistabricks.it
Si apre in una nuova
finestra
eschoolnews.com
Understanding why students
cheat and use AI: Insights for ...
Si apre in una nuova
finestra
journals.francoangeli.it
Il dibattito scientifico
sull'Intelligenza Artificiale in ambito edu- cativo: una scoping review
sugli approcci
Si apre in una nuova
finestra
insidehighered.com
AI: Cheating matters but
redrawing assessment "matters most"
Si apre in una nuova
finestra
teaching.resources.osu.edu
AI Teaching Strategies:
Having Conversations with Students
Si apre in una nuova
finestra
teachingcommons.stanford.edu
Integrating AI into
assignments - Stanford Teaching Commons
Si apre in una nuova
finestra
orizzontescuola.it
Metodologie didattiche
innovative: dal Debate al Metodo Jigsaw. Una Mini-Guida per docenti e
scuole
Si apre in una nuova
finestra
direfareinsegnare.education
Sviluppare creatività e
pensiero critico con Harvard Project Zero - Dire, fare, insegnare
Si apre in una nuova
finestra
inapp.gov.it
Ricognizione sintetica di
quadri concettuali, framework teorici e modelli di standard delle
competenze: il Modello LifeComp - Inapp
Si apre in una nuova
finestra
liceoeinsteintorino.it
Verifica, valutazione e
certificazione - delle competenze - Liceo Einstein
Si apre in una nuova
finestra
numberanalytics.com
10 Impactful Examples of AI Ethics Shaping Schools Today - Number Analytics
Si apre in una nuova
finestra
teaching.unl.edu
Questions Around the Ethical
Use of AI in the Classroom | Center for Transformative Teaching | Nebraska
Si apre in una nuova
finestra
uno.edu
Critical Thinking Rubric |
The University of New Orleans
Si apre in una nuova
finestra
uhd.edu
CRITICAL THINKING VALUE
RUBRIC Inquiry & Analysis Framing Language
Si apre in una nuova
finestra
teaching.unsw.edu.au
Solving AI challenges in
teaching - UNSW Teaching Gateway. - UNSW Sydney
Si apre in una nuova
finestra
cte.alliant.edu
Concerns about Generative
Artificial Intelligence | Alliant International University Center for
Teaching Excellence
Si apre in una nuova
finestra
youtube.com
AI & Rubriche di Valutazione - YouTube
Si apre in una nuova finestra
remc.org
AI Assessment - Test &
Quiz Generation - AI in Education - REMC Association of Michigan
Si apre in una nuova
finestra
hbsp.harvard.edu
Simple AI Tips for Creating
Assessments: Part 4 | Harvard Business Publishing Education
Si apre in una nuova
finestra
peardeck.com
Harness the Power of AI with
Pear Assessment's Question Generator and Assisted Rubric
Si apre in una nuova
finestra
blog.definedlearning.com
From Cheating Tool to
Learning Partner: A Blueprint for PBL-AI Solutions
Si apre in una nuova
finestra
teaching.cornell.edu
Using Effective Questions to
Engage Students | Center for Teaching Innovation
Si apre in una nuova
finestra
microcredentials.digitalpromise.org
Developing Questions and
Using Questioning in Guided Inquiry - Digital Promise
Si apre in una nuova
finestra
panoramaed.com
30+ AI Prompts for K-12
Education
Si apre in una nuova
finestra
umalibguides.uma.edu
AI Prompt Examples for
Faculty - Generative AI - Resource Guides at University of Maine Augusta
Si apre in una nuova
finestra
iislucreziadellavalle.edu.it
Punteggio totale Nel caso in
cui l'alunno/alunna si rifiuti di sostenere la prova, si farà ricorso ad un
giudizio scritto e - I.I.S. Lucrezia della Valle
Si apre in una nuova
finestra
scuolaparadisi.edu.it
7.2. La valutazione:
criteri, modalità e strumenti - Istituto Istruzione Superiore A. Paradisi
Si apre in una nuova
finestra
ctl.ox.ac.uk
An introduction to the use of generative AI tools
in teaching
Si apre in una nuova finestra
anthropic.com
Anthropic Education Report:
How University Students Use Claude
Si apre in una nuova
finestra
learning.northeastern.edu
Prompting AI to Help Align
Assignments with Learning Outcomes
Si apre in una nuova
finestra
hepi.ac.uk
Student Generative AI Survey
2025 - HEPI
Si apre in una nuova
finestra
evolllution.com
If ChatGPT Needs Better
Prompts, What Do Students Need? - The EvoLLLution
Si apre in una nuova
finestra
facultyfocus.com
The Use of Artificial
Intelligence (AI) to Generate Case Studies for the Classroom
Si apre in una nuova
finestra
smartdev.com
Unlock AI Use Cases in Education: The Ultimate
Guide - SmartDev
Si apre in una nuova finestra
Fonti lette ma non usate nel
report
|
