LLM e didattica: few-shot prompting

a cura di Valentina Peter, docente di italiano L2 presso l’Università di Torino

ed Enrico Zimuel, docente di informatica presso l’Università di Torino

L’intelligenza artificiale sta iniziando a rivoluzionare il panorama educativo, offrendo strumenti innovativi per l'insegnamento e l'apprendimento. Tra questi, i modelli di linguaggio di grandi dimensioni (Large Language Model, LLM) come GPT-4o di OpenAI possono rappresentare una risorsa preziosa. Questo articolo esplora l'applicazione della tecnica del few-shot prompting, mostrando come l'integrazione di esempi specifici nei prompt possa orientare il modello verso risposte più pertinenti. Verranno forniti alcuni esempi nella preparazione di lezioni per una docenza di italiano come lingua straniera (L2).

Prompt e few-shot prompting

Il prompt è il testo (o la domanda) che viene inviato a un LLM per ottenere una risposta. I Large Language Model sono dei modelli linguistici che lavorano completando una frase, parola per parola. Quando viene fornito un prompt in input, un LLM divide la frase in parti (detti token) e prova a completare la frase un token alla volta. I token sono i componenti di base di una frase per un LLM. Per semplificare, in questo articolo consideriamo un token equivalente a una parola.

In Figura 1 è riportato un esempio di completamento con il primo verso della Divina Commedia di Dante Alighieri “Nel mezzo del cammin di nostra vita…”. Se utilizziamo il prompt “Nel mezzo del” un LLM proverà a completare la frase generando il token successivo, il quale, molto probabilmente questo sarà “cammin”. Successivamente la frase da completare risulterà “Nel mezzo del cammin” e un LLM probabilmente risponderà con “di” e così via.

Un LLM è in grado di completare una frase della Divina Commedia, come se fosse Dante Alighieri a scrivere, perché il testo è stato probabilmente utilizzato durante la fase di addestramento (training) del modello. Il training di un LLM è una delle fasi più importanti perché è in questa che vengono forniti gli esempi con i quali il modello può “imparare” a generare le frasi.

Il modello si è “allenato” su questo testo e cercherà di imitare lo stile linguistico di Alighieri. E’ importante evidenziare il fatto che questi modelli non ricordano “a memoria” ma cercano di trovare delle strutture comuni (pattern) all’interno delle frasi, utilizzando un approccio di tipo probabilistico.

Figura 1. Processo iterativo di completamento di una frase in un LLM

I token vengono selezionati attraverso una rete neurale profonda (deep neural network) che fornisce un elenco dei token più probabili (rif. [1] in bibliografia). Tra questi ne viene scelto uno tramite una funzione casuale ed è questo il motivo per il quale le risposte di un LLM possono variare anche ripetendo la stessa domanda.

Considerando che l’output può variare a parità di input, questi modelli sono detti generativi, riescono a generare delle risposte sempre diverse (a volte simili) con una parvenza di creatività.

Il few-shot prompting è una tecnica che consiste nel fornire al LLM alcuni esempi all'interno del prompt, permettendogli di apprendere il contesto e generare risposte coerenti. Questo approccio sfrutta l'in-context learning, dove il modello apprende dai dati forniti nel prompt senza bisogno di ulteriori addestramenti (rif. [2] in bibliografia).

Il motivo per il quale è preferibile utilizzare prompt con più contesto e più specifici possibili è proprio legato al meccanismo di funzionamento dei LLM. Abbiamo visto che un LLM completa le frasi utilizzando un approccio probabilistico; se la frase da completare è ricca di contesto ed è specifica, le probabilità di allontanarsi dalla traccia data saranno minore.

Questo è il motivo per il quale il few-shot prompting risulta essere una tecnica efficace ed è indispensabile utilizzarla per aumentare la probabilità di ottenere dei risultati efficaci.

LM in ambito didattico

Un LLM può risultare uno strumento molto utile in ambito didattico soprattutto per un docente nel momento della preparazione di un’attività (rif. 3, 4, 5 e 6 in bibliografia). L’approccio corretto dovrebbe essere quello di considerare un LLM come un tuttologo che ci da dei consigli ma del quale non possiamo fidarci al 100%. È noto che i LLM possono occasionalmente commettere errori o, in alcuni casi, inventare informazioni. Questo fenomeno è chiamato “allucinazioni” (rif. 7 e 8 in bibliografia). Poiché i LLM sono modelli probabilistici, esiste sempre una probabilità, anche se minima, che ciò accada. Per questo motivo, è sempre consigliabile verificare le risposte fornite da un LLM.

Più che nel cercare di rispondere a delle domande specifiche un LLM in ambito didattico può risultare molto utile in numerosi contesti, ad esempio:

• generare degli esempi relativamente a un tema specifico;

• aiutare nell’ideazione di un’attività didattica;

• generare degli esercizi a partire da un tema specifico;

• ideare dei giochi per delle attività didattiche;

• organizzare delle visite museali;

• suggerire uno storytelling per un’attività didattica;

• riassumere concetti complessi;

• riformulare frasi specificando funzionalità della lingua e registro (es. formale, informale, ironico, accademico, giuridico) o adattandole a un pubblico specifico (es. alunni della scuola primaria, bambini tra gli 8 e i 10 anni);

• abbozzare le slide di presentazione di una lezione.

• trovare delle fonti per alcuni riferimenti (es. libri, siti internet, articoli).

• aiutare nella correzione di testi, evidenziando gli errori con una spiegazione dettagliata;

• tradurre un testo in un’altra lingua (es. inglese, spagnolo, francese, tedesco, etc).

Un altro aspetto molto interessante degli LLM è l’aiuto che può fornirci nel superare la sindrome da pagina bianca. Un LLM può offrire lo spunto iniziale che stimola l'ispirazione.

Seguono alcuni esempi specifici nell’ambito della preparazione di una lezione di italiano per stranieri (L2).

Applicazioni in una lezione di Italiano L2

CREARE ESEMPI E MODELLI

Supponiamo di voler preparare una lezione incentrata su alcune funzioni del congiuntivo presente, proposto in una classe di studenti non italofoni. Fornendo al LLM esempi di frasi che utilizzano questo tempo verbale, possiamo chiedergli di generare ulteriori esempi o esercizi.

Esempio di prompt:

Sto preparando una lezione sul congiuntivo presente. Ecco alcuni esempi:

1. 1. 1. 1. È importante che tu studi ogni giorno.

         2. Desidero che lui venga alla festa.

Nell'esempio 1 il congiuntivo è studi, voce del verbo studiare, nell'esempio 2 il congiuntivo è venga, voce del verbo venire.

Puoi fornirmi altri esempi simili fornendo spiegazioni come quelle che ho indicato?

In questo prompt sono stati forniti due esempi descrivendo la modalità con la quale vogliamo ottenere i risultati. In questo caso abbiamo chiesto di descrivere qual è il verbo e la sua coniugazione. Un possibile risultato potrebbe essere quello riportato in Figura 2.

Figura 2. Esempio di few-shot prompting con GPT-4o

CREARE ESERCIZI CON LESSICO SPECIFICO

Nella situazione in cui ho la necessità di proporre in classe un esercizio che contenga determinati elementi lessicali o morfosintattici, posso formulare un… dove si specifica quale tipo di esercizio deve proporre, il contesto e gli elementi specifici.

Esempio di prompt:

Crea un esercizio cloze sul congiuntivo, le frasi devono esprimere opinione. Il cloze è destinato a una lezione di italiano L2. Inserisci nelle frasi il tema e il lessico di Torino. Crea 10 frasi che siano di livello di competenza B1. Come ad esempio le seguenti:

1. È importante che tu __________ (visitare) la Mole Antonelliana, simbolo di Torino.

2. Mi sembra che il Parco del Valentino __________ (essere) il luogo ideale per fare una passeggiata rilassante.

Un possibile risultato è quello riportato in Figura 3.

Figura 3. Esempio di esercizio con lessico specifico con GPT-4o

ADATTARE IL CONTENUTO DI UN TESTO A UN DETERMINATO LIVELLO DI COMPETENZA LINGUISTICO

Un LLM può essere utile anche nel caso in cui si deve adattare un testo a un livello di competenza linguistica. Inoltre, una delle funzionalità interessanti del modello GPT-4o è la possibilità di specificare indirizzi internet da dove prelevare il testo. Ad esempio, nel prompt seguente chiediamo di prelevare il testo da un articolo online della rivista Internazionale.

Esempio di prompt:

Riscrivi il testo dell’articolo riportato all’indirizzo internet https://www.internazionale.it/notizie/2024/10/22/l-irlanda-ha-un-grande-problema-con-gli-uccelli-selvatici, adattandolo a un livello di competenza linguistica A2. Ad esempio la frase “Uno dei casi più longevi di mancato rispetto del diritto europeo riguarda l’Irlanda” per un livello A2 può essere riscritta in “Uno dei casi più vecchi sul rispetto delle regole europee riguarda l'Irlanda”. In un livello A2 il lessico è limitato e non vengono utilizzati verbi al trapassato remoto. I verbi da utilizzare sono:
- indicativo presente

- indicativo passato prossimo

- indicativo imperfetto di essere e avere nella descrizione di fatti e persone

- indicativo futuro semplice con valore temporale, es. Domani pioverà.

- imperativo seconda persona singolare e prima e seconda plurale con (costruzione affermativa e negativa) per:

a) dare istruzioni, es. prendi, leggi qui

b) invitare, es. Vieni con me; prendiamo due pizze.

Una possibile risposta è riportata in Figura 4.

Figura 4. Esempio di adattamento del testo con GPT-4o

Se nella risposta del LLM vengono constatati alcuni elementi non adatti al livello di competenza A2 è possibile modificare il prompt specificando di eliminare l’elemento non adatto e rieseguire la domanda.

Si noti come nell’esempio di Figura 4, la risposta contiene un errore di adattamento nella frase “Anche oggi, l’Irlanda” la locuzione corretta doveva essere “Ad oggi, l’Irlanda”. Questo errore dimostra come sia importante controllare sempre la risposta data da un LLM che, essendo un modello probabilistico, ha sempre un margine di errore.

Conclusioni

I Large Language Model (LLM) nella didattica linguistica possono essere dei validi strumenti di supporto per i docenti. Questi modelli possono essere utili nella preparazione di esempi, esercizi, riassunti, nella generazione di idee per le lezioni e nella creazione di uno storytelling. L'uso della tecnica del few-shot prompting presentata in questo articolo può aiutare il docente a guidare e migliorare la risposta fornita da un LLM. Inoltre la possibilità di utilizzare il modello GPT-4o di OpenAI che consente di prelevare informazioni direttamente dal web, specificando l’indirizzo di uno o più siti, rende ancora più interessante e stimolante la ricerca di nuovi modi di fare didattica con l’uso di tali strumenti di intelligenza artificiale.

Bibliografia

1. Marco Gori, Introduzione alle reti neurali artificiali, Mondo Digitale n. 4, 2003

2. S. Sentinelli, A. Placa, Fare la domanda giusta. L'arte di lavorare con ChatGPT e le AI, Apogeo, pp. 208, 2024

3. Gianni Ferrarese, 101 idee per usare l'intelligenza artificiale in classe, Erickson, pp. 376, 2024

4. S. Cuomo, M. Ranieri, G. Blagini, Scuola e Intelligenza Artificiale. Percorsi di alfabetizzazione critica, Carocci, pp. 148, 2024

5. Giulia Lorenzoni, L'intelligenza artificiale a scuola. Guida per una pratica didattica consapevole, Lattes, pp. 148, 2024

6. Bonaventura Di Bello, Intelligenza artificiale per la scuola. Un approccio umanistico all'uso didattico dell'IA generativa, Hoepli, pp. 256, 2023

7. Anil Ananthaswamy, Perchè le macchine imparano, Apogeo, pp. 384, 2024

8. Nello Cristianini, Machina sapiens. L'algoritmo che ci ha rubato il segreto della conoscenza, Il Mulino, pp.160, 2024