“Il successo nella creazione dell’intelligenza artificiale potrebbe essere il più grande evento nella storia umana. Purtroppo potrebbe anche essere l’ultimo, a meno che non impariamo a evitarne i rischi.”
— Stephen Hawking
L’intelligenza artificiale è già entrata nel mondo dell’istruzione. Piattaforme capaci di personalizzare gli esercizi, sistemi che correggono automaticamente le prove, chatbot che rispondono alle domande degli studenti e algoritmi che individuano precocemente le difficoltà di apprendimento non appartengono più soltanto alla sperimentazione tecnologica. Sono strumenti utilizzati, con modalità e livelli di maturità differenti, nelle scuole, nelle università e nei corsi di formazione.
Ma che cosa sappiamo davvero sull’efficacia di queste applicazioni? Quali ambiti educativi stanno ricevendo maggiore attenzione? E quali problemi accompagnano l’ingresso degli algoritmi nelle attività di insegnamento e valutazione?
A queste domande cerca di rispondere la revisione sistematica Artificial intelligence in education: A systematic literature review, realizzata da Shan Wang e colleghi e pubblicata nel 2024 sulla rivista Expert Systems with Applications. Gli autori hanno analizzato bibliometricamente 2.223 pubblicazioni apparse tra il 1984 e il giugno 2022 e hanno poi esaminato nel dettaglio 125 studi empirici. L’indagine restituisce l’immagine di un settore in rapida crescita, ricco di opportunità ma ancora segnato da squilibri metodologici, interrogativi etici e numerosi ambiti poco esplorati.
Wang, S., Wang, F., Zhu, Z., Wang, J., Tran, T., & Du, Z. (2024). Artificial intelligence in education: A systematic literature review. Expert Systems with Applications, 252. https://doi.org/https://doi.org/10.1016/j.eswa.2024.124167
Dalla lezione uguale per tutti all’apprendimento personalizzato
Il settore più studiato è quello dell’apprendimento adattivo e del tutoraggio personalizzato, presente nel 40% dei 125 articoli esaminati in profondità. L’idea di fondo è semplice: invece di proporre a tutti gli studenti gli stessi materiali, con il medesimo ritmo e la stessa sequenza, un sistema intelligente può modificare il percorso in base alle conoscenze, alle preferenze, agli interessi o alle difficoltà del singolo. Gli “intelligent tutoring systems” cercano così di riprodurre alcune funzioni di un tutor umano: osservano le risposte dello studente, ne stimano il livello di padronanza, propongono esercizi appropriati e restituiscono un feedback immediato. In matematica, per esempio, un programma può selezionare problemi più semplici quando rileva una lacuna oppure aumentare gradualmente la complessità quando lo studente dimostra di avere acquisito una competenza. In altri contesti, può suggerire letture, materiali di recupero o contenuti coerenti con il percorso già svolto. Questi strumenti non si limitano quindi a “dare la risposta”, ma possono sostenere un processo graduale di apprendimento, riducendo il rischio che lo studente proceda senza avere compreso i concetti fondamentali. La personalizzazione, tuttavia, non dovrebbe essere confusa con una classificazione rigida delle persone: un algoritmo produce una stima sulla base dei dati disponibili, non una descrizione definitiva delle capacità individuali. La mediazione dell’insegnante resta essenziale per interpretare correttamente le indicazioni del sistema e per considerare aspetti — motivazione, contesto familiare, creatività, relazioni — che difficilmente possono essere rappresentati da un insieme di variabili.
Valutare, organizzare e alleggerire il lavoro degli insegnanti
Il secondo grande ambito riguarda la valutazione intelligente e la gestione delle attività educative, che rappresentano il 24,8% delle applicazioni considerate. L’intelligenza artificiale può essere impiegata per correggere test, analizzare elaborati, formulare feedback, organizzare contenuti e automatizzare alcune operazioni amministrative. Il vantaggio più evidente è il risparmio di tempo: se una parte delle attività ripetitive viene affidata alla tecnologia, l’insegnante può concentrarsi maggiormente sulla progettazione didattica, sul dialogo con gli studenti e sul sostegno a chi incontra difficoltà. La valutazione automatizzata può inoltre offrire riscontri rapidi, permettendo allo studente di correggere subito un errore anziché attendere giorni. Tuttavia, non tutte le competenze sono facilmente misurabili. Una risposta chiusa o un esercizio procedurale possono essere valutati con criteri relativamente chiari; un saggio argomentativo, un progetto creativo o una riflessione personale richiedono invece un’interpretazione più complessa. Anche un sistema molto sofisticato può privilegiare gli aspetti più facili da quantificare, trascurando originalità, profondità critica o capacità di collegare prospettive differenti. Per questo motivo, l’automazione dovrebbe sostenere la valutazione umana, non sostituirla completamente. L’insegnante deve poter comprendere i criteri applicati, verificare gli esiti e correggere eventuali errori. Una scuola che accettasse passivamente il punteggio prodotto da un algoritmo rischierebbe di trasformare uno strumento di supporto in un’autorità difficilmente contestabile.
Prevedere le difficoltà prima che diventino insuccessi
Una terza categoria, pari al 20% delle applicazioni analizzate, comprende i sistemi di profilazione e previsione. Attraverso i dati raccolti dalle piattaforme digitali — risultati delle prove, frequenza di accesso, esercizi completati, tempi di risposta o partecipazione alle attività — gli algoritmi possono individuare schemi ricorrenti e stimare, per esempio, il rischio di abbandono, di insuccesso in un corso o di mancato raggiungimento degli obiettivi. In teoria, questa capacità consente di intervenire prima che la difficoltà diventi irreversibile: un docente può contattare lo studente, proporre un recupero mirato o modificare il percorso. È una delle promesse più rilevanti della cosiddetta “precision education”, che cerca di adattare il sostegno educativo alle esigenze effettive di ciascuno. Tuttavia, una previsione non è una certezza. Se uno studente viene etichettato come “a rischio”, tale classificazione può influenzare le aspettative degli insegnanti, le opportunità che gli vengono offerte e perfino la percezione che egli ha delle proprie capacità. Si può così generare una profezia che tende ad autoavverarsi: il sistema prevede un risultato negativo e l’ambiente, comportandosi sulla base di quella previsione, contribuisce involontariamente a produrlo. Occorre inoltre verificare che i dati siano completi e rappresentativi. Un accesso sporadico alla piattaforma potrebbe indicare disinteresse, ma anche una connessione internet instabile, la condivisione di un dispositivo con altri familiari o una diversa modalità di studio. La previsione algoritmica è utile quando apre la strada a un’osservazione più attenta; diventa problematica quando sostituisce il confronto diretto con la persona.
Che cosa cambia davvero nell’apprendimento?
La letteratura esaminata riporta numerosi effetti positivi: miglioramento delle prestazioni, correzione più rapida degli errori, maggiore interesse, aumento della concentrazione e atteggiamenti generalmente favorevoli verso l’impiego dell’IA. Questi risultati suggeriscono che la tecnologia possa rendere l’apprendimento più interattivo, tempestivo e coinvolgente. Realtà virtuale, robot educativi, chatbot e ambienti simulati consentono inoltre di sperimentare situazioni difficili da riprodurre in una lezione tradizionale: uno studente di medicina può esercitarsi in uno scenario clinico simulato, chi studia una lingua può dialogare con un agente virtuale, mentre un laboratorio digitale può rendere visibili fenomeni scientifici astratti. Non bisogna però attribuire l’efficacia alla sola presenza dell’IA. Il risultato dipende dalla qualità del progetto didattico, dai contenuti, dalla formazione degli insegnanti, dalle infrastrutture e dal modo in cui lo strumento viene integrato nelle attività. Una tecnologia innovativa inserita in un percorso poco coerente può produrre risultati modesti; un’applicazione relativamente semplice, usata con obiettivi chiari, può invece essere molto utile. La revisione evidenzia anche che gran parte degli studi si concentra sulla progettazione e sulla sperimentazione dei sistemi, mentre sono meno numerose le ricerche sull’adozione, sull’accettazione e sulle difficoltà concrete incontrate dagli utenti. Solo il 5,6% degli studi analizzati riguarda l’adozione dell’IA e appena il 2,4% affronta direttamente le sue criticità. Per capire se una tecnologia migliora davvero l’educazione, quindi, non basta misurare l’accuratezza di un algoritmo: bisogna osservare come viene utilizzata nel tempo, quali relazioni modifica e se produce benefici accessibili a tutti.
Privacy, pregiudizi e autonomia: le domande che non possiamo evitare
L’impiego dell’intelligenza artificiale nell’istruzione solleva questioni etiche particolarmente delicate, perché coinvolge spesso minori, dati personali e decisioni capaci di influenzare il futuro degli studenti. I sistemi di apprendimento digitale possono raccogliere una quantità molto ampia di informazioni: risultati, comportamenti, preferenze, interazioni, tempi di attenzione e talvolta persino dati biometrici o emotivi. È necessario stabilire quali informazioni siano davvero indispensabili, per quanto tempo possano essere conservate, chi possa consultarle e per quali finalità. Un secondo problema riguarda i pregiudizi algoritmici. Se un modello viene addestrato su dati che riflettono disuguaglianze sociali, culturali o di genere, può riprodurle nelle raccomandazioni e nelle valutazioni. La revisione ricorda, per esempio, che alcuni strumenti di traduzione automatica possono introdurre stereotipi di genere anche quando la lingua di partenza utilizza espressioni neutre. Esiste infine il rischio di ridurre l’autonomia di studenti e docenti. Un insegnante potrebbe affidarsi eccessivamente alle analisi automatiche, mentre lo studente potrebbe abituarsi a seguire suggerimenti senza sviluppare capacità di scelta e pensiero critico. Per valutare un sistema educativo basato sull’IA non bastano quindi precisione tecnica ed efficacia didattica: occorre considerare anche equità, trasparenza, affidabilità e possibilità di contestare le decisioni. Gli autori sottolineano che la progettazione dovrebbe porre gli esseri umani al centro e coinvolgere educatori, ricercatori, sviluppatori e altri portatori di interesse.
In conclusione…
L’intelligenza artificiale non rappresenta una soluzione automatica ai problemi dell’istruzione, ma un insieme di strumenti che può ampliare le possibilità di insegnamento e apprendimento. Può personalizzare i percorsi, offrire feedback tempestivi, individuare precocemente alcune difficoltà e alleggerire il carico delle attività ripetitive. Allo stesso tempo, può introdurre nuove forme di sorveglianza, consolidare pregiudizi, produrre classificazioni riduttive e rendere meno trasparenti decisioni educative importanti.
La revisione mostra inoltre che la ricerca si è sviluppata rapidamente ma non in modo uniforme. Gli esperimenti costituiscono il metodo più utilizzato, mentre gli studi qualitativi e quelli basati su metodologie miste sono ancora relativamente poco frequenti. Più della metà degli studi empirici non adotta inoltre un quadro teorico esplicito, un limite che rende più difficile comprendere perché un sistema funzioni e in quali condizioni possa essere trasferito altrove.
Le prospettive future richiedono quindi una collaborazione più stretta tra informatici, insegnanti, psicologi, esperti di educazione e studiosi dei sistemi informativi. Servono anche maggiori ricerche sull’età prescolare, sulle emozioni nell’apprendimento, sull’intelligenza artificiale generativa e sugli effetti di lungo periodo.
La questione centrale non è stabilire se l’intelligenza artificiale entrerà nell’educazione: questo processo è già in corso. La vera sfida consiste nel decidere quale ruolo attribuirle. Il suo contributo sarà positivo nella misura in cui resterà uno strumento comprensibile e controllabile, orientato a rafforzare le capacità delle persone anziché a sostituirne il giudizio. In una scuola realmente innovativa, l’algoritmo può suggerire, analizzare e assistere; la responsabilità educativa, però, deve rimanere umana.
