Intelligenza artificiale nella didattica: tempi di apprendimento più rapido, più problem solving e elevata motivazione. Le sperimentazioni in Europa

L’intelligenza artificiale entra nelle scuole non soltanto come strumento per scrivere testi o svolgere esercizi. Una delle applicazioni che sta attirando maggiore attenzione a livello internazionale riguarda la personalizzazione dell’apprendimento: sistemi capaci di adattare contenuti, ritmo e modalità didattiche alle caratteristiche dei singoli studenti.

Il tema occupa una parte centrale del report “Generazione AI: la nuova sfida della scuola”, realizzato dal think tank Tortuga con Yellow Tech, che raccoglie studi Ocse, sperimentazioni universitarie e dati sull’uso della GenAI nel sistema scolastico.

Secondo gli autori, la diffusione di strumenti AI potrebbe permettere alla scuola di superare almeno in parte il modello del “teaching to the middle”, cioè una didattica costruita sullo studente “medio”, spesso poco efficace per chi presenta difficoltà specifiche o, al contrario, competenze avanzate.

La promessa della personalizzazione

L’idea alla base dei sistemi adattivi utilizza gli algoritmi per analizzare progressi, errori, tempi di risposta e modalità di apprendimento degli studenti, proponendo attività calibrate sul livello individuale.

Nel report Tortuga viene richiamato il concetto pedagogico di learner variability, cioè la variabilità degli studenti rispetto a capacità cognitive, bisogni educativi, ritmi di apprendimento e competenze socio-emotive.

La scuola tradizionale tende spesso a rivolgersi al centro della distribuzione, lasciando più esposti gli studenti che si trovano nelle cosiddette “code lunghe”:

• chi ha difficoltà di apprendimento;
• studenti con BES o disabilità;
• alunni con problemi linguistici;
• studenti plusdotati;
• chi necessita di tempi e modalità differenti.

Secondo il report, la GenAI potrebbe offrire strumenti di supporto a basso costo per adattare materiali, esercizi e spiegazioni alle esigenze individuali.

Paesi Bassi: esercizi adattivi e feedback immediato

Tra gli esempi internazionali citati compaiono le esperienze sviluppate nei Paesi Bassi con piattaforme come Snappet e Rekentuin.

Si tratta di sistemi di tutoring intelligente che modificano automaticamente il livello degli esercizi sulla base delle prestazioni dello studente. Se l’alunno commette errori ripetuti, il sistema propone attività di recupero; se invece supera rapidamente i compiti assegnati, vengono introdotte prove più avanzate.

Uno degli elementi considerati più rilevanti è il feedback immediato: lo studente riceve correzioni e indicazioni in tempo reale, senza attendere necessariamente la revisione dell’insegnante.

Per gli autori del report, queste tecnologie non sostituiscono il docente ma possono alleggerire parte del lavoro ripetitivo e facilitare percorsi differenziati.

Stanford e il progetto Tutor CoPilot

Tra le sperimentazioni più citate compare anche Tutor CoPilot, sviluppato da ricercatori dell’Università di Stanford.

Il sistema utilizza l’intelligenza artificiale per assistere i tutor umani durante le sessioni di supporto agli studenti, suggerendo spiegazioni, strategie didattiche e modalità di interazione basate sulle pratiche degli insegnanti più esperti.

Secondo lo studio richiamato nel report, il progetto ha coinvolto oltre 1.800 studenti e ha prodotto miglioramenti significativi soprattutto tra gli alunni che partivano da livelli più bassi in matematica.

L’aspetto interessante è che l’AI non agisce da insegnante autonomo, ma da supporto alla mediazione educativa.

Tutor AI e apprendimento accelerato

Il report cita anche ricerche universitarie che hanno confrontato tutor basati su AI con corsi tradizionali in presenza.

In alcuni casi gli studenti supportati da sistemi intelligenti hanno mostrato:

• tempi di apprendimento più rapidi;
• maggiore continuità nello studio;
• livelli elevati di motivazione;
• miglioramento nelle attività di problem solving.

Gli autori precisano però che i risultati migliori emergono quando il tutor AI non fornisce direttamente la soluzione, ma accompagna lo studente nel ragionamento attraverso suggerimenti progressivi, domande e feedback guidati.

AI e bisogni educativi speciali

Una parte significativa delle esperienze internazionali riguarda l’inclusione scolastica.

Nel report vengono richiamati strumenti sviluppati per studenti con difficoltà specifiche:

• Dynamico, applicazione nata da ricerche del Politecnico di Losanna per l’individuazione precoce della disgrafia;
• DysEggxia, gioco educativo progettato per ridurre gli errori di scrittura nei bambini dislessici;
• piattaforme basate su algoritmi di raccomandazione che suggeriscono strategie personalizzate per studenti con disturbi dell’apprendimento.

L’Ocse, citata nel documento, sottolinea come i sistemi adattivi possano contribuire a ridurre frustrazione, isolamento e divari educativi, offrendo percorsi più flessibili.

L’interesse dei docenti italiani

Anche nell’indagine Tortuga-Yellow Tech emerge una forte attenzione verso la personalizzazione.

Tra i temi più richiesti dagli insegnanti coinvolti nei corsi di formazione sull’AI compaiono:

• applicazioni pratiche per la didattica;
• strumenti per studenti con BES;
• adattamento dei materiali a livelli differenti;
• creazione di percorsi personalizzati.

Secondo il report, molti docenti mostrano interesse per un utilizzo dell’AI che migliori inclusione e differenziazione didattica, pur mantenendo prudenza rispetto ai rischi di dipendenza tecnologica.

I limiti della personalizzazione automatica

Il documento insiste però anche sui rischi.

La personalizzazione algoritmica può infatti produrre:

• eccessiva dipendenza dai suggerimenti automatici;
• riduzione dell’autonomia dello studente;
• semplificazione eccessiva dei percorsi;
• opacità nei criteri utilizzati dagli algoritmi;
• problemi di privacy e gestione dei dati.

Per questo il report sottolinea che l’AI non dovrebbe sostituire la relazione educativa né il ruolo del docente come interprete dei bisogni degli studenti.