Intelligenza Artificiale per Docenti
2025-04-14
Capitolo 1 Introduzione
L’Intelligenza Artificiale Generativa (IAG) sta rivoluzionando numerosi settori, e il campo dell’istruzione (a tutti i livelli) non fa eccezione. La rapida evoluzione di strumenti basati su modelli di linguaggio avanzati, come quelli forniti da OpenAI, Google, Microsoft e Amazon, offre opportunità straordinarie per gli insegnanti. Tuttavia, per sfruttare appieno queste potenzialità, è fondamentale che i docenti acquisiscano una preparazione adeguata.
Possiamo individuare di seguito i motivi principali per cui non solo e’ auspicabile, ma necessaria una preparazione adeguata all’uso della IAG.
Miglioramento dell’insegnamento e personalizzazione dell’apprendimento
Gli LLM (Large Language Models) possono supportare gli insegnanti nella creazione di materiali didattici su misura, adattati alle problematiche comuni e specifiche degli studenti, in particolare di quelli stranieri che hanno anche a che fare con difficoltà linguistiche. Con la IAG è possibile per esempio semplificare testi, creare spiegazioni personalizzate e generare esercizi con un fine specifico. La IAG permette anche di facilitare l’inclusione scolastica, offrendo traduzioni automatiche, sintesi di contenuti e supporti per studenti con bisogni educativi speciali. Questo rende l’insegnamento piu’ equo e accessibile per tutti.Ottimizzazione del tempo e supporto amministrativo
Le tecnologie basate sulla IAG permettono di automatizzare alcune operazioni ripetitive, come la correzione di compiti, la preparazione di quiz o la sintesi di testi complessi. Tutto cio’ permette di risparmiare del tempo prezioso, consentendo ai docenti di concentrarsi maggiormente sull’insegnamento e l’interazione con gli studenti.Sviluppo del pensiero critico negli studenti
Integrare la IAG nell’educazione non significa solo utilizzarla come strumento passivo, ma anche insegnare agli studenti come comprenderne il funzionamento, valutarne criticamente i risultati e riconoscerne i limiti. Questo aspetto e’ cruciale per preparare i giovani a vivere in un futuro in cui la IAG sara’ sempre piu’ presente. Ormai le scuole devono includere tra le mete educative anche la preparazione all’uso della IAG.Adattamento alla societa’ e al mercato del lavoro
La societa’ e il mercato del lavoro stanno cambiando rapidamente, e la scuola ha il compito di preparare gli studenti alle nuove realta’. Comprendere e saper utilizzare l’intelligenza artificiale generativa permette di rimanere al passo con i tempi, offrendo agli studenti competenze fondamentali per il futuro.
1.1 Obiettivi del corso
Questo corso si propone di fornire ai docenti una conoscenza pratica dell’intelligenza artificiale generativa, attraverso un approccio pratico (hands-on) con almeno due degli strumenti gratuiti disponibili, e cioe’ con le versioni di LLM note come Open AI ChatGPT and Google Gemini.
Al termine della formazione, gli insegnanti saranno in grado di:
Utilizzare la IAG per creare e migliorare materiali didattici.
Sfruttare gli strumenti di IAG per supportare l’apprendimento personalizzato.
Valutare criticamente le risposte generate dagli LLM.
Integrare la IAG in modo etico e responsabile nelle loro lezioni.
Insegnare l’uso etico della IAG ai propri studenti, anche in previsione del loro accesso futuro nel mercato del lavoro.
E’ importante capire che, nonostante le apprensioni e il clima allarmistico corrente, l’intelligenza artificiale e’ stata creata dagli esseri umani e non puo’ sostituire gli esseri umani. Quindi la IAG non sostituisce gli insegnanti, ma rappresenta un alleato potente per migliorare l’istruzione. Questo corso vuole fornire le basi per affrontare questa trasformazione con consapevolezza e competenza.
1.2 Materiale per il corso
Il materiale per questo corso e’ essenzialmente costituito dagli appunti che stai leggendo. Alcune parti del corso richiamano anche all’utilizzo di certi files che possono essere scaricati usando i link nel Capitolo 7.
1.3 Elementi principali della IAG
L’Intelligenza Artificiale Generativa (IAG) comprende una serie di tecnologie che permettono la creazione automatica di testi, immagini, video, musica e altro contenuto digitale. Tra gli elementi principali della IAG troviamo:
Modelli linguistici di grandi dimensioni (LLM - Large Language Models) Gli LLM, come quelli sviluppati da OpenAI (GPT), Google (Gemini), Microsoft (Phi) e Amazon (Titan), sono modelli di intelligenza artificiale addestrati su enormi quantità di dati testuali. Per fare qualche esempio, questi modelli possono generare testi coerenti e contestualmente rilevanti, possono rispondere a domande e assistere in compiti di scrittura, possono tradurre lingue e riassumere documenti.
Modelli generativi di immagini Strumenti come DALL E, Stable Diffusion e Midjourney permettono di creare immagini a partire da descrizioni testuali. Questi modelli sfruttano reti neurali profonde (deep neural networks) per generare contenuti visivi di alta qualita’, con applicazioni in arte, design e marketing.
Modelli generativi per audio e musica Esistono algoritmi in grado di generare musica, effetti sonori e voci sintetiche. Alcuni esempi includono Jukebox (OpenAI - generazione di musica con testi), VALL-E (Microsoft - sintesi vocale avanzata), Google MusicLM (Google - creazione di musica a partire da descrizioni testuali).
Modelli generativi per Video Tecnologie emergenti come Runway ML e Sora (OpenAI) permettono di generare video realistici e animazioni sulla base di input testuali o immagini di riferimento.
Modelli generativi per la creazione di software Strumenti come GitHub Copilot (basato su Codex) e CodeWhisperer (Amazon) assistono i programmatori nella scrittura di programmi per computer in vari linguaggi, suggerendo soluzioni e completando automaticamente parti di programmi.
Modelli multimodali Alcuni modelli avanzati, come Gemini di Google e GPT-4 Turbo di OpenAI, combinano diverse modalita’ di input (testo, immagini, audio) per offrire risposte piu’ ricche e versatili.
La IAG e’ un campo in rapida evoluzione, e i principali fornitori continuano a espandere le capacita’ dei loro modelli, aggiungendo nuove funzionalita’ e miglioramenti. Ogni anno emergono strumenti piu’ avanzati, con capacita’ sempre più sofisticate di comprensione del linguaggio, generazione di contenuti e interazione multimodale. Per questo motivo, e’ fondamentale rimanere aggiornati sulle ultime innovazioni, poiche’ l’adozione di nuove tecnologie puo’ offrire vantaggi significativi in ambito educativo, creativo e professionale. Vedi Esempi 1.3.1 e 1.3.2 per maggiori dettagli.
1.3.1 Esempio guidato su ChatGPT
Cerca il sito web Open AI sul tuo browser preferito (per intenderci, il browser e’ un’applicazione che permette di navigare in Internet. Probabilmente conoscerai Microsoft Edge oppure Google Chrome, due dei browser piu’ famosi. Ma in realta’ esistono tanti browser differenti e vanno tutti bene per quello che dobbiamo fare in questo corso). Se clicchi su questo link, https://openai.com, il browser ti portera’ su una pagina che assomiglia a quella della Figura 1.1.
Figura1.1: Sito web Open AI.
Prova a scrivere una frase nella zona centrale (prompt) e osserva la risposta. L’LLM usato da Open AI si chiama GPT.
Tieni presente che le risposte generate dalla tua interazione con le chat sono in generale differenti da quelle mostrate in questi appunti.
La piegazione risiede nel fatto che l’interazione con gli LLM ha sempre origine da un processo probabilistico che, come tale, riproduce uno stesso risultato solo in casi molto rari. Quindi non preoccuparti se quello che leggi sul tuo browser e’ differente da quello mostrato in questo materiale. Ecco, per esempio, cosa succede nel mio caso in questa prima interazione con ChatGPT.
Cosa pensi di questa risposta? Si direbbe che a fornirla sia stata una persona reale, non un computer, non e’ vero? Ma pensi che la risposta sia in linea con quello che pensano la maggior parte di Italiani?
1.3.2 Esempio guidato su Gemini
Usa il dialogo appena avuto con ChatGPT per cercare di ottenere un approfondimento con un altro LLM, Gemini, fornito al pubblico da Google. Il link e’ https://gemini.google.com. Si accede al servizio tramite il proprio account Google. L’accesso gratuito permette l’uso di modelli di linguaggio meno avanzati. Per esempio, l’interfaccia del modello 2.0 Flash, che richiede la modalita’ a pagamento, e’ quella mostrata in Figura 1.2.
Figura1.2: Sito web Google Gemini.
Per portare avanti il compito prefissatoci, copiamo e incolliamo la domanda e la risposta dell’esercizio precedente.
La risposta del tuo amico coglie alcuni aspetti fondamentali del sistema scolastico italiano, ma per fornire un quadro più completo, si potrebbero aggiungere ulteriori elementi:
Punti di forza: 1) Il sistema scolastico italiano ha una lunga tradizione e un forte impianto teorico, soprattutto nelle materie umanistiche. 2) L’istruzione pubblica garantisce l’accesso all’educazione a tutti i cittadini, almeno a livello teorico. 3) Esistono eccellenze in diversi settori, sia a livello di istituti che di singoli docenti.
Punti di debolezza: 1) La burocrazia eccessiva rallenta l’innovazione e la gestione delle scuole. 2) Le disuguaglianze territoriali si traducono in differenze nella qualità dell’istruzione, con il Sud spesso svantaggiato. 3) L’edilizia scolastica è in molti casi obsoleta e inadeguata. 4) Esiste una difficoltà nel formare i ragazzi e renderli pronti al mondo del lavoro. 5) Gli insegnanti spesso mancano di una formazione adeguata dal punto di vista pedagogico.
Una possibile riformulazione, mantenendo la brevità, potrebbe essere: ‘La scuola italiana, pilastro dell’istruzione pubblica con radici teoriche profonde, si confronta con sfide quali burocrazia, disparità territoriali e la necessità di un’adeguata preparazione al mondo del lavoro’.
In sintesi, mentre il tuo amico ha evidenziato aspetti cruciali, una visione più completa richiederebbe di considerare sia i punti di forza che le debolezze del sistema.La risposta e’ sicuramente piu’ approfondita di quella precedente. Questo ce lo aspettavamo perche’ la domanda e’ piu’ articolata e non abbiamo imposto la limitazione di avere una risposta che consista solo in una frase. Ma forse la cosa a cui piu’ dovremmo pensare e’ che quello a cui abbiamo appena assistito e’ un dialogo dalle caratteristiche umane tra due modelli matematici; un tempo avremmo detto Roba dell’altro mondo!
1.4 Il meccanismo LLM
Una piccola introduzione sulla natura algoritmica della IAG puo’ essere di grande aiuto per la comprensione dei suoi limiti. La IAG non e’, come gia’ detto prima, una persona estremamente intelligente ed erudita (anche se puo’ sembrare tale), e’ semplicemente, almeno in prima approssimazione, un algoritmo statistico perfezionato sulla base di una quantita’ enorme di dati. In questo capitoletto studieremo un esempio abbastanza semplice di modello statistico elementare per generare frasi partendo da probabilita’ di associazione tra parole.
Il punto di partenza (il prompt) di questo modello semplificato e’ uno dei due articoli determinativi
il, i,seguito da una delle sequenti parole:
gatto, gatti, cane, cani, cavallo, cavalli.Un algoritmo che chiameremo sLLM (codificato in un codice minimale1 scritto nel linguaggio di programmazione R2) associa probabilita’ finite alla parola che viene associata all’ultima parola della frase in costruzione. Per fare un esempio, tutte le probabilita’ associate alle parole che seguono i due articoli sono incluse nella tabella seguente: \[ \begin{array}{|c|c|c|} \hline \mathrm{articolo} & \mathrm{prima\ parola} & \mathrm{probabilita'} \\ \hline \mathrm{il} & \mathrm{gatto} & 0.33 \\ \mathrm{il} & \mathrm{gatti} & 0.00 \\ \mathrm{il} & \mathrm{cane} & 0.33 \\ \mathrm{il} & \mathrm{cani} & 0.00 \\ \mathrm{il} & \mathrm{cavallo} & 0.33 \\ \mathrm{il} & \mathrm{cavalli} & 0.00 \\ \mathrm{i} & \mathrm{gatto} & 0.00 \\ \mathrm{i} & \mathrm{gatti} & 0.33 \\ \mathrm{i} & \mathrm{cane} & 0.00 \\ \mathrm{i} & \mathrm{cani} & 0.33 \\ \mathrm{i} & \mathrm{cavallo} & 0.00 \\ \mathrm{i} & \mathrm{cavalli} & 0.33 \\ \hline \end{array} \] Questa tabella e’ di facile interpretazione. Per esempio ci dice che se partiamo con l’articolo “il”, la parola che segue non potra’ mai essere “gatti”, “cani” o “cavalli” perche’ la probabilita’ di associazione e’ zero. Pero’ c’e’ una stessa probabilita’ (33%) di avere una delle seguenti parole, “gatto”, “cane” o “cavallo”. Un esempio con diversi prompt e risposte e’ mostrato di seguito. Per ogni parola iniziale “il”, la funzione *genera_frase” produce una frase intera di senso compiuto.
## Frase generata: il cane corre nel parco## Frase generata: il gatto salta tra le sedie## Frase generata: il cavallo nitrisce al tramonto## Frase generata: il cane scodinzola allegramente## Frase generata: il cavallo nitrisce fortementeCome si vede, partendo da cinque prompt uguali, l’articolo “il”, si ottengono cinque frasi differenti, ma in nessuna di esse la parola che segue “il” e’ plurale e questo segue dal fatto che associare un plurale all’articolo “il” non e’ possibile (probabilita’ zero). Inoltre, tutte e tre le parole “gatto”, “cane” e “cavallo” sono risultate associate a “il”, come poteva prevedersi perche’ esiste una stessa probabilita’ di associazione per le tre parole. Per quel che riguarda il verbo che segue, anche qui esiste una probabilita’ di associazione tra alcuni verbi e le tre parole “gatto”, “cane” e “cavallo”. Tali probabilita’ sono mostrate in questa tabella: \[ \begin{array}{|c|c|c|c|} \hline \mathrm{articolo} & \mathrm{prima\ parola} & \mathrm{verbo} & \mathrm{probabilita'} \\ \hline \mathrm{il} & \mathrm{gatto} & \mathrm{dorme} & 0.35 \\ \mathrm{il} & \mathrm{gatto} & \mathrm{miagola} & 0.25 \\ \mathrm{il} & \mathrm{gatto} & \mathrm{gioca} & 0.15 \\ \mathrm{il} & \mathrm{gatto} & \mathrm{salta} & 0.15 \\ \mathrm{il} & \mathrm{gatto} & \mathrm{osserva} & 0.10 \\ \hline \mathrm{il} & \mathrm{cane} & \mathrm{abbaia} & 0.30 \\ \mathrm{il} & \mathrm{cane} & \mathrm{corre} & 0.25 \\ \mathrm{il} & \mathrm{cane} & \mathrm{gioca} & 0.20 \\ \mathrm{il} & \mathrm{cane} & \mathrm{mangia} & 0.15 \\ \mathrm{il} & \mathrm{cane} & \mathrm{scodinzola} & 0.10 \\ \hline \mathrm{il} & \mathrm{cavallo} & \mathrm{galoppa} & 0.35 \\ \mathrm{il} & \mathrm{cavallo} & \mathrm{corre} & 0.25 \\ \mathrm{il} & \mathrm{cavallo} & \mathrm{nitrisce} & 0.15 \\ \mathrm{il} & \mathrm{cavallo} & \mathrm{mangia} & 0.15 \\ \mathrm{il} & \mathrm{cavallo} & \mathrm{beve} & 0.10 \\ \hline \end{array} \] Proviamo allora a generare frasi che iniziano con “il cavallo” e vediamo come vengono completate. Secondo le probabilita’ illustrate nella tabella, dovremmo avere piu’ frasi con “galoppa” e “corre”, e meno frasi con “beve”.
## Frase generata: il cavallo galoppa velocemente## Frase generata: il cavallo nitrisce al tramonto## Frase generata: il cavallo mangia la pappa## Frase generata: il cavallo beve con calma## Frase generata: il cavallo galoppa libero## Frase generata: il cavallo mangia la pappa## Frase generata: il cavallo corre nel parco## Frase generata: il cavallo corre dietro la palla## Frase generata: il cavallo corre velocemente## Frase generata: il cavallo corre nel parcoSi osserva che, in effetti, la parola “corre” appare quattro volte su dieci, mentre le parole “galoppa” e “mangia” appaiono due volte su dieci, e “nitrisce” e “beve” appaiono solo una volta su dieci. Queste frazioni diventano sempre piu’ uguali alle probabilita’ quando il numero di volte che la frase viene generata diventa alto.
Dopo i verbi, il modello semplice che abbiamo illustrato prevede altre parole che vengono anch’esse associate con probabilita’ particolari. I modelli di linguaggio di grandi dimensioni (LLM) funzionano press’a poco come il modello semplice appena illustrato, con la differenza che tali modelli sono formati da centinaia di migliaia di associazioni (nodi), mentre il nostro modello ha qualche decina di associazioni. Inoltre, le probabilita’ di associazione non vengono imposte all’LLM, ma vengono imparate dall’LLM con il cosiddetto addestramento (training). In gergo l’LLM viene chiamato una rete neurale (o neuronale) perche’ e’ una imitazione dei neuroni del cervello e delle loro inter-connessioni (sinapsi). L’addestramento della rete neurale consiste nell’inserire milioni di frasi nel prompt della rete e di controllare quali frasi si ottengono in uscita. Uno o piu’ esseri umani reali danno un voto all’uscita e questo voto viene trasmesso alla rete stessa che corregge le probabilita’ di associazione (meccanismo di feedback). Per dare un’idea dei numeri messi in gioco, per esempio, nel modello 3.5 di ChatGPT, la rete neurale e’ stata addestrata su centinaia di milardi di parole e controllata da piu’ di 50 esperti di varie materie e centinaia di cosiddetti annotatori per correggere l’accuratezza delle risposte. E’ quindi abbastanza chiaro che dialogare con ChatGPT da’ l’impressione di parlare con una persona intelligente. Ma il meccanismo e’ essenzialmente un meccanismo statistico di associazione e, come tale, soggetto ad errore perche’ combinazioni con basse probabilita’, anche se piu’ rare, sono sempre possibili. Ci si puo’ quindi aspettare che di tanto in tanto gli LLM diano risposte sbagliate o addirittura senza senso (allucinazioni), ed e’ importante essere consapevoli che questo e’ possibile.
1.5 Perche’ la IAG funziona?
Una domanda centrale quando si affronta il tema dell’intelligenza artificiale generativa e’:
Perché i modelli linguistici di grandi dimensioni sembrano produrre frasi e ragionamenti molto umani, pur basandosi solo sul completamento probabile delle frasi?
Molti hanno cercato e cercano tutt’ora di rispondere alla domanda, anche se la risposta non e’ ne facile ne completa. Alcuni punti che sembrano far parte della risposta emergono dalla ricerca.
Il completamento probabilistico e’ più potente di quanto sembri. Un LLM non “capisce” nel senso umano del termine, ma e’ stato addestrato su una quantità enorme di testi scritti da esseri umani. In questo modo ha interiorizzato una vasta gamma di strutture linguistiche, forme di argomentazione e modi di pensare. Quindi, nel generare una frase, l’LLM sta “imitando” con estrema precisione il linguaggio e il pensiero espresso dagli esseri umani nei testi che ha visto durante l’addestramento.
La probabilita’ di un testo include anche coerenza e logica. Per essere piu’ accurati, il modello non sceglie la parola piu’ frequente in assoluto, ma quella più probabile dato il contesto. Questo include mantenere la coerenza grammaticale e semantica, completare un ragionamento iniziato, e adattarsi al tono e allo stile del discorso. Per esemplificare questo concetto, consideriamo il prompt: se tutti i cani abbaiano e Fido e’ un cane, allora …. Il modello completera’ molto probabilmente con: Fido abbaia, visto che questo e’ cio’ che nella lingua e nel pensiero umano risulta coerente, oltre che probabile.
Il linguaggio e’ anche una finestra sul pensiero. Molti processi cognitivi (deduzioni, spiegazioni, risoluzioni di problemi) si esprimono attraverso il linguaggio. Un sistema che sa riprodurre fedelmente il linguaggio usato dagli esseri umani per pensare e comunicare, dara’ a sua volta l’impressione di “pensare”, anche se non ha coscienza.
Le risposte dei LLM sembrano intelligenti perché riproducono fedelmente esempi di ragionamento umano. Questo e’ il frutto dell’addestramento su milioni di esempi reali: il modello ha imparato a replicare percorsi di ragionamento anche in contesti nuovi. Come uno studente che, dopo molti esercizi, sa risolvere un problema non visto prima.
Quando si usano i LLM in una classe scolastica e’ utile ricordare (sempre!) che il modello non ha comprensione o intenzione, ma sa imitare molto bene il modo in cui gli esseri umani scrivono, spiegano, ragionano. Se si tiene sempre presente la natura dei modelli linguistici di grandi dimensioni, allora si avra’ ben chiaro che essi sono uno strumento tecnologico molto potente con effetti nella nostra societa’ simili all’effetto che ebbe l’introduzione dei computers 70-80 anni fa.
1.6 ChatGPT e Gemini (con NotebookLM)
Gli strumenti che useremo in questo corso sono essenzialmente ChatGPT (di OpenAI) e Gemini (di Google), con qualche cenno a NotebookLM, una piattaforma educativa sempre di Google pensata per supportare l’apprendimento e l’organizzazione dei contenuti.
Come gia’ visto e accenato prima, entrambi gli strumenti sono capaci di rispondere a domande, sintetizzare informazioni complesse, generare testi multilingue, creare quiz o attivita’ educative, e supportare la personalizzazione della didattica.
Gemini (talvolta in combinazione con NotebookLM) sara’ il fulcro principale del nostro percorso pratico. Esso consente ai docenti di caricare materiali didattici (come PDF, testi, articoli o presentazioni), su cui l’intelligenza artificiale puo’ generare riassunti, rispondere a domande specifiche, proporre domande di comprensione, e aiutare a strutturare percorsi di apprendimento personalizzati. E’ uno strumento particolarmente utile per insegnare a studenti stranieri, grazie alla capacità di adattare il linguaggio, semplificare i testi e suggerire attivita’ linguistiche mirate.
Ci soffermeremo in particolare su Gemini perche’ i docenti che partecipano a questo corso fanno parte della Rete DigitalMente NOI, una rete di scuole della provincia di Brescia che ha gia’ avviato un discorso importante per l’adozione dell’intelligenza artificiale generativa nella didattica. L’uso di questi strumenti si inserisce quindi in un contesto condiviso a livello territoriale.
ChatGPT sara’ utilizzato come strumento complementare per esplorare altri modi (indipendenti da Gemini) di generare contenuti educativi, ideare attivita’, e creare materiali multilingue in tempo reale.
Il corso si propone di far usare ai partecipanti questi strumenti in contesti pratici e realistici, con esempi applicati alla didattica quotidiana e magari focalizzati sul supporto linguistico agli studenti stranieri.
Il codice, chiamato simpleLLM.R, e’ disponibile come materiale di supporto per questo corso.↩︎
R e’ un linguaggio di programmazione statistico molto popolare a livello internazionale. Molte organizzazioni importanti come Microsoft o Google usano R per l’analisis dei dati e per la loro visualizzazione. R si puo’ trovare su internet al seguente indirizzo: https://www.r-project.org↩︎