Didattica e Tecnologie

Lo studio del Machine Learning nella Scuola di base in un’ottica interdisciplinare: un esempio di unità di apprendimento.

Lo studio del Machine Learning nella Scuola di base in un’ottica interdisciplinare: un esempio di unità di apprendimento.

di Mario Catalano

Ricercatore, Docente, Editore Scientifico.

Abstract: è fondamentale che gli studenti di oggi, sin dagli anni della scuola primaria, comprendano come la tecnologia digitale sia uno strumento potente per l’espressione di sé e della propria creatività (fonte di nuovi “alfabeti”), ma anche per comprendere e migliorare la complessa realtà in cui viviamo. Inoltre, è ormai ineludibile farli ragionare, specialmente attraverso esperienze laboratoriali, sulla logica e sul ruolo sociale dei modelli d’intelligenza artificiale. Questo articolo intende dare un contributo in tale direzione, illustrando un esempio di unità di apprendimento per la scuola di base, in cui in cui gli allievi sono guidati dal docente nello sviluppo di un modello di machine learning per la classificazione di testi scritti, nell’ambito di un percorso di riflessione più ampio sul bullismo e sul cyber-bullismo.

“È notte, al solito. Provi la gioia che adesso andrai a letto, sparirai e in un attimo sarà domani, sarà mattino e ricomincerà l'inaudita scoperta, l'apertura alle cose.”

[Il mestiere di vivere, Cesare Pavese].

Far conoscere attraverso lo stupore e il gioco dovrebbero essere la vocazione di ogni educatore e della scuola. Questi, infatti, postulano un ruolo attivo dell’allievo nella formazione e un’intensa motivazione… tratti essenziali dell’apprendimento significativo. Inoltre, l’abitudine alla stupore e al gioco possono favorire la maturazione di quello sguardo incantato di fronte al mondo, alla sua bellezza, ai suoi misteri, ai suoi problemi, che è tipico delle persone creative… di tutti coloro che, affascinati da ciò che li circonda, desiderano contribuire al suo perfezionamento … realizzando, così, pienamente sé stessi. Tutto ciò vale particolarmente quando si pensi allo studio della Tecnologia che – oggi ancor più che un tempo –è uno strumento potente per conoscere e plasmare il mondo… per “umanizzarlo”, ossia renderlo il luogo della massima espressione dell’ “umano”. Pertanto, nell’insegnarla a scuola, credo sia fondamentale che i ragazzi scoprano e prendano consapevolezza di queste potenzialità. Una possibile via consiste nel coinvolgerli in esperienze di apprendimento in cui possano “manipolare” la tecnologia per risolvere problemi per loro divertenti e significativi, nonché servirsi di conoscenze ed abilità acquisite per immaginare soluzioni nuove a semplici problemi reali, maturando così anche una prospettiva etica.

Sin dall’inizio della mia esperienza didattica nella scuola primaria, essendo anche un ricercatore appassionato di scienza e tecnologia, mi sono impegnato a progettare e realizzare percorsi di apprendimento in cui gli allievi, dagli otto ai dieci anni, potessero sviluppare la dimensione computazionale del loro pensiero, riscoprire le discipline di studio come strumenti culturali per rispondere ad interrogativi stimolanti e, infine, imparare a servirsi delle tecnologie digitali e della programmazione in modo creativo, per esprimere le proprie idee e cambiare la realtà in meglio, lavorando con e per gli altri.

Negli ultimi anni, particolare attenzione ho dedicato al tema dell’intelligenza artificiale e degli algoritmi di machine learning. Questi, infatti, sempre più dimostrano di poter migliorare la qualità di beni e servizi laddove, oltre all’accuratezza delle valutazione, siano in gioco anche l’efficienza e la produttività. Tutto ciò ha di fronte un temibile contraltare e una grande sfida: ossia il rischio che gli algoritmi – se la loro azione non sarà orientata verso l’inclusione sociale e il bene collettivo – possano compiere gravi ingiustizie su grande scala, nonché il bisogno di realizzare una sintonia, un’armonia tra l’uomo – il suo sentire, la sua complessità culturale e valoriale – e la macchina, con i suoi approcci quantitativi, tale da rendere l’alleanza durevole e feconda.

Per dare un’idea di come questi temi possano entrare a far parte del curricolo della scuola primaria, illustrerò un esempio di unità di apprendimento (da me ideata e rivolta alle classi quinte, ma spendibile con qualche modifica anche nella scuola media) in cui gli studenti sono guidati dal docente nello sviluppo di un modello di machine learning per distinguere un testo offensivo (in particolare, le molestie e le frasi denigratorie tipiche di un bullo) da un apprezzamento. L’obiettivo finale è incorporare questo modello in un gioco, ideato con un linguaggio di programmazione visuale[1], in cui si faccia reagire un emoticon al testo digitato da un utente con intenti di scherno, umiliazione o, per contro, di ammirazione.

La proposta educativo-didattica può essere realizzata avvalendosi di un’applicazione Web-based gratuita, “Machine Learning for Kids[2], che permette a giovani e non esperti di “addestrare” modelli di machine learning (per il riconoscimento di testi, suoni, immagini ed input numerici) ed integrarli in progetti realizzati con Scratch, noto linguaggio di programmazione visuale gratuito per ragazzi[3] oppure con Python, un linguaggio di programmazione testuale semplice e molto utilizzato per il machine learning. L’applicazione è stata concepita per un suo utilizzo da parte di gruppi di studenti (anche numerosi) attraverso la creazione di classi virtuali e account di amministrazione destinati a docenti e formatori.

In una prima fase del percorso, gli allievi ricercano in varie fonti (internet, articoli, brani, libri di testo, racconti orali, etc.) esempi di frasi che possano far parte di due categorie testuali, “offesa” e “complimento”, e servire per l’addestramento del modello di intelligenza artificiale; eseguono, infine, le operazioni di upload di tutti i dati (Fig. 1). In questo stadio iniziale, i ragazzi hanno l’opportunità di acquisire conoscenze e consapevolezze sul fenomeno del cyberbullismo e le sue principali manifestazioni (flaming, harassment, stalking, exclusion, denigration, etc.). Inoltre, comprendono che la classificazione dei testi è uno dei campi di ricerca più promettenti degli studi sull’intelligenza artificiale, con applicazioni utili in molti contesti: sentiment analysis (ad esempio, nell’analisi della reputazione di un blog, bene, servizio, etc.), spam detection, customer service (ad esempio, nell’individuazione automatica del tipo di richiesta di un cliente e nell’assegnazione della stessa – ticket routing – al team aziendale in grado di rispondere), etc.

FIG. 1

Fig. 1: Upload dei dati per l’addestramento del modello di classificazione testuale.

 

Successivamente (Fig. 2), con l’aiuto del docente, gli studenti utilizzano il software disponibile per avviare l’apprendimento supervisionato del modello e verificare, al termine, l’accuratezza delle classificazioni con delle frasi-test (non inserite nel campione dei dati di input) in relazione sia alla correttezza della previsione (offesa/complimento) sia al livello di confidenza (0-100%) ad essa assegnato (confidence score), che dovrebbe essere il più elevato possibile. In questa seconda fase, gli alunni imparano che un modello di machine learning è costituito da tre elementi essenziali: l’insieme dei dati, l’algoritmo di apprendimento, la previsione/classificazione finale. Ancora, sono sollecitati a scoprire, per esplorazione, il peggioramento delle previsioni/classificazioni in presenza di asimmetrie nei dati di input, che generino una rappresentazione distorta del fenomeno, come, ad esempio, quando si escluda dalla classe delle offese una determinata categoria d’insulti. Infine, per padroneggiare la logica dell’algoritmo, i ragazzi possono analizzare ed ideare semplici metodi di rappresentazione quantitativa di un testo destinato ad essere input di un modello per la classificazione del linguaggio scritto: ad esempio, contare il numero delle lettere/dei segni d’interpunzione/... oppure contare il numero di volte in cui ogni parola di una lista compare nel testo, etc. Ciò può favorire, in un’ottica di interdisciplinarità, riflessioni collettive sulle regole della grammatica e la struttura della lingua (l’algoritmo considerato è in grado di cogliere le differenze dovute all’ordine di presentazione delle parole?).

FIG. 2

 Fig. 2: Addestramento e validazione del modello di machine learning per la classificazione testuale.

 

Nella parte finale del percorso, i ragazzi trasferiscono il modello di intelligenza artificiale realizzato nell’ambiente di programmazione del software Scratch 3.0 e sviluppano un semplice script per far in modo che un emoticon reagisca con espressioni di tristezza quando riceve messaggi scritti offensivi (Fig. 3). Questo consente loro di esercitare e perfezionare le abilità di programmazione, in particolare relativamente agli aspetti fondamentali: azioni e sequenze di azioni, ripetizioni finite e infinite di azioni, eventi, parallelismi, condizioni, ripetizioni condizionate, variabili, operatori logici/matematici/testuali, subroutine.

FIG. 3

Fig. 3: Utilizzo del modello di classificazione testuale all’interno dell’ambiente di programmazione Scratch 3.0.

 

L’unità di apprendimento si conclude con una serie di attività volte a far emergere la dimensione etica e il ruolo sociale dell’intelligenza artificiale. In particolare, gli allievi affrontano, con l’aiuto del docente che si fa animatore e coach, la sida di immaginare e progettare la struttura generale di un algoritmo per l’identificazione, il filtraggio e la segnalazione delle molestie indirizzate attraverso il cyberspazio ai loro coetanei. Elaborano matrici etiche per l’individuazione degli interessi in gioco, diagrammi di flusso per l’intero algoritmo, codici di programmazione per il riconoscimento dei messaggi da filtrare e segnalare, raccolgono i dati rilevanti e con gli stessi addestrano un modello di machine learning per l’automazione del suddetto compito di riconoscimento.

 

BIBLIOGRAFIA:

Benanti, P. (2018). Le Macchine sapienti - Intelligenze artificiali e decisioni umane, Casa Editrice Marietti.

Blakeley H. Payne (2019). An Ethics of Artificial Intelligence Curriculum for Middle School Students (with support from the MIT Media Lab Personal Robots Group, directed by Cynthia Breazeal). Disponibile all’indirizzo: https://www.media.mit.edu/projects/ai-ethics-for-middle-school/overview/

Brennan, K. and Resnick, M. (2012). Using artifact-based interviews to study the development of computational thinking in interactive media design. Paper presented at annual American Educational Research Association meeting, Vancouver, BC, Canada.

Lane, D. (2021).Machine Learning for Kids: A Project-Based Introduction to Artificial Intelligence. No Starch Press, San Francisco.

Papert, S. (1980). Mindstorms: Children, Computers, and Powerful Ideas. Basic Books, Inc., New York, NY, USA. Disponibile all’indirizzo: http://dspace.mit.edu/handle/1721.1/5837

Wing, J. M. (2006). Computational Thinking. Communications of the ACM, Vol. 49, No. 3, pp. 33-35.

 

[1] Ossia un linguaggio accessibile, in quanto le istruzioni non sono codificate da testi e relativa sintassi, bensì da elementi grafici e simboli, diversi per forma e colore ed associati a brevi ed intuitivi comandi scritti.

[2] Sviluppata da Dale Lane usando le API fornite da IBM Watson Developer Cloud.

[3] Creato dai ricercatori del Lifelong Kindergarten Group presso il MIT Media Lab.

 

RIFERIMENTI

logo icted

ICTEDMAGAZINE

Information Communicatio
Technologies Education Magazine

Registrazione al n.157 del Registro Stam­pa presso il Tribunale di Catanzaro del 27/09/2004

Rivista trimestrale  

Direttore responsabile/Editore-responsabile intellettuale

Luigi A. Macrì