Molto si sta facendo e scrivendo su come integrare l’IA nella didattica, ma non altrettanta attenzione è rivolta al come i docenti dovrebbero gestire la valutazione di elaborati scritti, specialmente in ambito accademico e universitario dove il ciclo di studi si conclude con una tesi.
Se siamo d’accordo – lo siamo? – sulla conclusione del percorso formativo con la produzione di una ricerca scritta e la sua discussione, la questione del cosa valutare diventa dirimente.
Le linee guida del MIM per l’introduzione dell’Intelligenza Artificiale nelle Istituzioni scolastiche (2025) accompagnano indicazioni e regolamenti redatti dai singoli atenei e dalle accademie, incoraggiando l’integrazione dell’IA nell’istruzione e nella formazione. Non è chiaro però come, e soprattutto cosa, valutare con il sistema vigente.
La docenza in aula in questi ultimi anni di IA mi ha portato ad alcune riflessioni ed aggiustamenti nel lavoro con gli studenti, al momento degli esami e della stesura di una tesi di fine corso. Condivido qui esperienze e considerazioni personali.
In primis, ho smesso di chiedere approfondimenti scritti. Davanti alla valanga di lavori standard nel linguaggio, nei contenuti dotti e puntuali che però non emergono in sede di colloquio, ho scelto un’altra strada. (Per correttezza va detto che uniformità e ridondanza di contenuti non assimilati sono criticità che esistono da quando esiste il web. Ma mentre prima era possibile cercare una fonte – in caso di una frase sospetta per esempio – oggi la fonte è diventata irreperibile.)
Un’alternativa è stata l’elaborazione di mappe concettuali, diagrammi, podcast, video autoprodotti, ovvero artefatti originali che fossero alternativi al blocco di testo su un A4 o una slide di presentazione. Ha funzionato per quel breve intervallo di tempo che è servito a rendere le IA in grado di produrre questi materiali.
Credendo però nel valore dell’approfondimento personale, soprattutto in vista dell’elaborazione di una tesi, per non rinunciarvi del tutto, ho cominciato a chiedere che il focus scelto dagli studenti venga esposto oralmente: aver sviluppato un pensiero, un’idea, una connessione durante il periodo di studio, argomentarlo al docente, discuterne quando possibile in maniera critica, mi sembrano oggi competenze propedeutiche necessarie, nonchè più genuinamente verificabili.
Quando gli studenti mi sottopongono un lavoro scritto, tendo a non leggerlo prima di aver avuto un incontro di persona con l’autore/l’autrice. Se chi ho davanti è in grado di spiegarmi a voce il progetto – la struttura, come è iniziata la ricerca e come è stata fin qui condotta, cosa è stato scritto – considero questo livello di consapevolezza un sufficiente grado di assimilazione di un contenuto, a prescindere dal fatto che sia stato generato da un’IA.
Come ha riportato l’esperto di AI Andrej Karpathy in un incontro pubblico, qualcuno ha scritto
you can outsource your thinking but you can’t outsource your understanding
(che più o meno significa “puoi delegare il tuo modo di pensare ma non la tua comprensione”).
Il problema, infatti, non è tanto se quello che i docenti leggono è uscito da un chatbot, questione ormai superata, ma se quel contenuto è stato poi compreso e reso personale.
Quello che sto leggendo, poi, è organico con il grado di avanzamento nel corso di studi dello studente, con il lessico a sua disposizione, con l’approccio alla disciplina, la motivazione, la capacità di ricerca? In parole semplici, quello che ha scritto gli somiglia?
È un punto critico, che si basa sulla sensibilità dei singoli docenti e di difficile misurazione (come è la docimologia in ambito umanistico del resto). Emerge però con evidenza nei casi in cui, per fare un esempio, si apre uno scarto significativo tra ciò che è scritto nell’elaborato e quello che emerge nella discussione. Se lo iato è ampio, se le domande non riescono a colmare questa distanza, significa che il sistema valutativo così com’è oggi non funziona più.
(Anche in questo caso si tratta di un problema antico, ma è nuova la frequenza con cui avviene).
Discutendone con colleghi di accademia e università, chiedo loro quale kit di sopravvivenza mettono in atto. Qualcuno chiede di vedere la progressione della conversazione con il chatbot dell’IA; valutare il processo – come si dice – dallo sketch iniziale alla proposta finale. Una possibilità, specialmente se il chatbot è un programma ‘chiuso’, con le fonti selezionate dall’utente, come Gemini Notebook.
Le fonti, l’altra chiave emersa dalle conversazioni con i colleghi. Prima di portare pagine e pagine di elaborato, intendiamoci sulle fonti. Le hai consultate? Le hai confrontate? Sono ancora valide oggi? Questo è il secondo punto che mi pare possa guidare alla ricerca di una nuova realtà valutativa, l’importanza di conoscere le fonti e gestirle. Un’attività che riporta in primo piano biblioteche e archivi, testi storici, materiali di prima mano.
Terzo punto: emerge in aula l’importanza di formare sull’uso mirato delle IA per la ricerca. Gemini Notebook per l’approccio didattico su materiali scelti dall’utente, Perplexity per l’integrazione dei contenuti sul web, Arena per mettere a confronto più tipologie di risultati, Claude per la qualità accademica dei testi, Deepl per le traduzioni, ecc.
Su questo aspetto siamo più avanti. Le istituzioni tengono corsi su come scrivere una tesi con l’aiuto consapevole delle IA; Francesco d’Isa – filosofo, artista e esperto di IA – ha stilato una guida per studenti, utile anche ai docenti, ideale aggiornamento del celebre volume di Umberto Eco Come si fa una tesi di laurea.
In un futuro prossimo le istituzioni avranno un loro modello di IA, istruito dai docenti stessi, con un training set che si basa sui testi in possesso della biblioteca, le ricerche di dottorato in essere, i progetti extra istituzionali sviluppati, le pubblicazioni scientifiche dei professori ecc.
Orchestrare i modelli, gestire le fonti, approcciare criticamente i risultati: sono già le voci di una rubrica valutativa della formazione con le IA.
Come ha scritto recentemente Carmelina Maurizio su Agenda digitale in un articolo sulle certificazioni di competenze a scuola
Molto più interessante sarà progettare prove nelle quali l’intelligenza artificiale diventi parte integrante del processo valutativo, senza però sostituire il giudizio umano. L’obiettivo non sarà verificare se uno studente sa usare un algoritmo, ma comprendere se è in grado di governarlo senza diventarne dipendente.
Per concludere, credo che la valutazione degli elaborati scritti in ambito accademico debba anzitutto considerare l’apprendimento come un processo già pienamente ibrido umano-artificiale. E iniziare dalla realtà didattica dell’aula: solo mostrando buone pratiche di uso integrato dell’IA nello studio e nella ricerca possiamo sperare di raggiungere con gli studenti la consapevolezza sugli strumenti e l’approccio critico ai risultati che speriamo di trovare negli elaborati finali.
Immagine di copertina: foto di Joshua Hoehne su Unsplash
