di Mario Catalano*
Abstract: è fondamentale che gli studenti di oggi, sin dagli anni della scuola di base, comprendano la logica e il ruolo sociale dei modelli di intelligenza artificiale, che stanno rapidamente trasformando il mondo in cui viviamo e prefigurando grandi opportunità per il futuro, esigendo, tuttavia, una grande attenzione alle possibili ricadute negative in ambito etico. Questo articolo intende dare un contributo in tale direzione, illustrando le linee essenziali di una recente ricerca pubblicata dalla rivista scientifica “International Journal of Child-Computer Interaction” e realizzata da un team multidisciplinare di studiosi dell’Università della Finlandia Orientale. Questi ricercatori hanno voluto esplorare, tramite analisi qualitative, le potenzialità di contesti di apprendimento in cui studenti di 12 e 13 anni siano chiamati ad immaginare problemi della vita quotidiana da risolvere con applicazioni di intelligenza artificiale, nonché progettare e realizzare i relativi modelli di machine learning con la guida dei docenti e di esperti di computer science.
* Ricercatore, Docente, Editore Scientifico.
Questo articolo illustra le linee essenziali di una recente ricerca (Fig. 1) pubblicata dalla rivista scientifica “International Journal of Child-Computer Interaction” (Vartiainen et al., 2021) e realizzata da un team multidisciplinare di studiosi dell’Università della Finlandia Orientale (School of Applied Educational Science and Teacher Education; School of Computing) . Essi hanno esplorato l’apprendimento del machine learning attraverso esperienze laboratoriali nella scuola media. In particolare, i ricercatori hanno voluto comprendere, tramite analisi qualitative, le potenzialità di contesti di apprendimento in cui studenti di 12 e 13 anni siano chiamati ad immaginare problemi della vita quotidiana da risolvere con applicazioni di intelligenza artificiale, nonché progettare e realizzare i relativi modelli di machine learning con la guida dei docenti e di esperti di computer science.
Nella visione di questi ricercatori, tutto ciò risponderebbe alla crescente esigenza di capire come le istituzioni educative possano preparare le giovani generazioni al ruolo di cittadini attivi, professionisti ed innovatori della società digitale (Hints et al., 2019; Shapiro et al., 2018). Inoltre, convinti dell’efficacia di quelle esperienze di formazione in cui gli allievi si servano creativamente delle tecnologie per affrontare problemi significativi (Brennan and Resnick, 2012; Papert, 1980; Papert and Harel, 1991; Resnick, 2017), hanno concentrato l’attenzione su due fondamentali domande di ricerca:
1) gli studenti della scuola media sarebbero capaci di immaginare e progettare modelli ed applicazioni di machine learning per il soddisfacimento di bisogni della vita quotidiana, da loro stessi considerati rilevanti?
2) In che modo la progettazione e realizzazione di tali modelli ed applicazioni, con la guida di esperti di computer science, può influire sulla comprensione della logica, delle potenzialità e dei rischi del machine learning?
In particolare, il progetto di ricerca ha coinvolto 34 alunni di 12-13 anni di una scuola di base finlandese, proponendo loro tre workshop di 2-3 ore ciascuno e delle interviste strutturate, e ha previsto, altresì, osservazioni sistematiche condotte dai ricercatori lungo tutto il percorso.
All’inizio, gli studenti sono stati invitati ad esprimere con linguaggio verbale ed iconico le loro conoscenze sul modo di operare degli algoritmi di machine learning (ad esempio, con tale tipologia di quesiti: come sarebbe possibile insegnare ad una macchina a distinguere l’immagine di un fiore da quella di un gatto?). Anche alla fine dell’esperienza, gli allievi si sono misurati con un simile compito, in modo da poter valutare qualitativamente i loro progressi nella conoscenza della logica e del potenziale ruolo sociale dell’intelligenza artificiale.
Fig. 1: Immagine tratta dalla pubblicazione descritta in questo articolo.
Il primo workshop ha introdotto i ragazzi nel mondo dell’apprendimento delle macchine attraverso la spiegazione da parte di insegnanti esperti dei concetti di base e l’esame di casi reali. Inoltre, gli studenti hanno potuto familiarizzare con la piattaforma Google Teachable Machine, che è una delle più popolari applicazioni web per lo sviluppo di modelli di intelligenza artificiale indirizzata a chi non abbia conoscenze e competenze avanzate nel campo della matematica e della programmazione. Permette, pertanto, anche ai più giovani ed inesperti, di addestrare e valutare modelli di machine learning per la classificazione di immagini, gesti, suoni. Così, gli alunni hanno potuto esplorare la fase di addestramento, in cui si scelgono gli esempi da cui la macchina deve imparare a classificare un oggetto reale (Fig. 2), e quella di valutazione dell’accuratezza, in cui la macchina addestrata è chiamata a classificare un nuovo caso (mai incontrato!) esplicitando, attraverso un valore di probabilità, il suo livello di “fiducia” (confidence) nella previsione generata (Fig. 3). Alla fine di questo primo workshop, agli allievi è stato chiesto di individuare alcuni bisogni della vita quotidiana che potrebbero essere soddisfatti con applicazioni web basate su algoritmi di intelligenza artificiale.
Nel secondo workshop, dopo aver selezionato nove idee progettuali, i ricercatori hanno suddiviso i partecipanti in altrettanti team di lavoro, stimolandoli a descrivere più in dettaglio le applicazioni proposte: funzioni essenziali, tipologia e fonti dei dati richiesti per l’addestramento del modello di classificazione (immagini, suoni, etc.), categorie che il modello dovrebbe riconoscere, ... Inoltre, in questa fase, gli studenti hanno immaginato e rappresentato graficamente l’interfaccia dell’applicazione prescelta e, con il supporto degli esperti coach, hanno addestrato, valutato e iterativamente affinato i relativi modelli servendosi della Google Teachable Machine.
Infine, nel terzo workshop, gli allievi hanno avuto la possibilità di confrontarsi con gli esperti sull’intero processo, nonché collegarsi alle applicazioni web sviluppate dai soli ricercatori (sulla base dei loro progetti e dei modelli di classificazione creati insieme), sperimentarne le funzioni, l’accuratezza e i limiti, in modo da poterle illustrare ai loro pari e ai docenti.
Fig. 2: Esempio di addestramento di un modello di machine learning per la classificazione delle immagini.
Fig. 3: Esempio di test di un modello di machine learning per la classificazione di immagini.
L’analisi delle osservazioni effettuate lungo tutto il percorso e del feedback degli studenti intervistati ha rivelato che gli allievi, non avendo inizialmente (per lo più) alcuna idea chiara dei principi sottesi ai processi di machine learning, sono riusciti a maturare la capacità empatica di riconoscere ed analizzare bisogni collettivi rilevanti legati alla vita quotidiana e a quella scolastica, nonché una comprensione soddisfacente della logica induttiva che caratterizza il modo in cui le macchine “imparano”, dagli esempi, a svolgere compiti di classificazione troppo complessi per essere codificati con la tradizionale programmazione digitale (approccio rule-based).
Più in particolare, è stata molto preziosa l’esperienza con i dati, che ha fatto capire ai giovani partecipanti come eventuali asimmetrie (pochi esempi o esempi poco diversificati per una certa categoria) possano influire molto negativamente sulla precisione delle classificazioni.
Sorprendente, poi, la creatività mostrata dai ragazzi nel concepire applicazioni di intelligenza artificiale che risolvessero problemi concreti: riconoscimento di gesti per attivare l’apertura e la chiusura di porte automatiche, riconoscimento di suoni ed immagini per il funzionamento di distributori automatici di cibo per gatti, correttori digitali di compiti scolastici tramite la decodificazione di testi scritti a mano, classificatori della tossicità potenziale di funghi e bacche attraverso abilità di computer vision, detector in grado rilevare gli studenti che disturbano durante l’assenza temporanea di un insegnante dall’aula, riconoscimento facciale per l’identificazione dei criminali a supporto delle operazioni di polizia, etc.
In alcuni casi, è emersa anche la consapevolezza da parte degli alunni del possibile impatto dell’automazione dei servizi sul mercato del lavoro: ad esempio, una studentessa, interessata a sistemi automatici di pagamento negli esercizi commerciali, si è espressa circa la scomparsa della figura tradizionale del cassiere.
Gli autori dello studio hanno, tuttavia, manifestato delle perplessità sulla presentazione dei modelli di machine learning come delle black-box: infatti, strumenti come la Teachable Machine dissimulano la struttura fondamentale dei suddetti modelli su cui, probabilmente anche nella scuola di base, con un linguaggio semplice e con metodo analogico (magari avvalendosi del potere evocativo delle metafore), si potrebbe approfondire un po’ di più; la comprensione delle reti neuronali artificiali, ad esempio, potrebbe giovarsi particolarmente di tali approcci. Inoltre, hanno ravvisato una seria lacuna nell’assenza di una dimensione etica del confronto tra gli studenti e gli esperti sul ruolo sociale dell’intelligenza artificiale.
Il superamento di questi limiti e l’ampliamento del campione per diversificare il contesto e le caratteristiche socio-economiche dei partecipanti rappresentano le future direzioni di sviluppo di quest’affascinante ricerca.
BIBLIOGRAFIA:
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.
Hintz, A., Dencik, L., and Wahl-Jorgensen, K. (2019). Digital citizenship in a datafied society. Cambridge, UK: Polity Press.
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
Papert, S., and Harel, I. (1991). Situating constructionism. In Constructionism.
http://www.papert.org/articles/SituatingConstructionism.html.
Resnick, M. (2017). Lifelong kindergarten: Cultivate creativity through projects, passion, peers, and play. Cambridge, MA: MIT Press.
Shapiro, B., Fiebrink, R., and Norvig, P. (2018). How machine learning impacts the undergraduate computing curriculum. Communications of the ACM, 61(11), pp. 27–29.
Vartiainen, H., Toivonen, T., Jormanainen, I., Kahila, J., Tedre, M., and Valtonen, T. (2021). Machine learning for middle schoolers: Learning through data-driven design. International Journal of Child-Computer Interaction, Volume 29.
