Nel mondo della tecnologia educativa, “personalizzazione” è una parola d’ordine spesso usata per descrivere un software che regola la difficoltà in base al fatto che uno studente ottenga una risposta giusta o sbagliata. Tuttavia, secondo il Dr. Nicola Hodkowski, uno dei principali ricercatori in didattica della matematica, questo approccio è fondamentalmente difettoso. Per migliorare veramente il ragionamento matematico, l’intelligenza artificiale deve andare oltre la semplice correzione degli errori e iniziare a capire come pensano gli studenti.
La lezione appresa in classe: andare oltre il “mostra e racconta”
La necessità di questo cambiamento è radicata nell’esperienza pratica in classe. Durante i suoi otto anni come insegnante di matematica elementare, la dottoressa Hodkowski si rese conto che i metodi tradizionali, come la pratica extra o l’uso di manipolazioni fisiche, erano spesso solo “soluzioni superficiali”. Trattavano i sintomi della lotta piuttosto che la causa principale.
La svolta arrivò quando smise di cercare di “trasferire” le sue conoscenze matematiche ai suoi studenti e iniziò invece a costruire un modello di secondo ordine (SOM) del loro ragionamento.
Il potere di inferire i processi mentali
Piuttosto che limitarsi a vedere una risposta sbagliata, il dottor Hodkowski ha iniziato a cercare la logica dietro l’errore. Ha imparato a distinguere tra diversi stadi cognitivi, come:
– Conteggio per singole unità: Uno studente che conta ogni individuo “1” per risolvere un problema.
– Conteggio per unità composite: Uno studente che comprende i gruppi (ad esempio, contare per 2, 5 o 10).
Identificando quali “unità” uno studente utilizzava per operare, poteva progettare attività specifiche per colmare il divario tra la sua comprensione attuale e il successivo livello di complessità.
Il risultato: questo cambiamento pedagogico ha portato a un notevole balzo in avanti nel rendimento degli studenti. Nella sua classe, la percentuale di studenti che hanno ottenuto punteggi di livello “Proficient” o “Avanzato” è balzata dal 58% all’85% in un solo anno, superando di gran lunga la crescita osservata nella sua scuola e nel suo distretto.
Il divario nell’attuale tecnologia dell’intelligenza artificiale
Nonostante il successo di questo approccio incentrato sull’uomo, gli attuali strumenti educativi basati sull’intelligenza artificiale non sono all’altezza. La maggior parte delle piattaforme esistenti opera secondo un modello di “primo ordine”: identificano un errore e quindi forniscono una soluzione “mostra e racconta”, essenzialmente guidando lo studente attraverso i passaggi corretti.
Ciò fallisce perché la matematica non è una questione di semplice trasmissione. L’apprendimento di un nuovo concetto richiede una trasformazione concettuale, in cui uno studente deve collegare nuove idee alle strutture mentali esistenti. Se un’intelligenza artificiale non riesce a dedurre il perché uno studente è bloccato, non può facilitare quella trasformazione.
Una tabella di marcia per il futuro dell’EdTech
Per passare dalla semplice valutazione a un vero e proprio insegnamento matematico, il dottor Hodkowski sostiene che gli sviluppatori di intelligenza artificiale devono dare priorità alla pedagogia adattiva per gli studenti. Delinea tre pilastri fondamentali per la prossima generazione di strumenti di intelligenza artificiale:
- Dedurre il ragionamento sottostante: gli algoritmi non dovrebbero semplicemente segnalare una risposta errata; devono distinguere tra diverse operazioni mentali (ad esempio, identificare se uno studente ha difficoltà con il valore della posizione rispetto all’addizione di base).
- Guida alla trasformazione concettuale: invece di fornire suggerimenti che portino a una risposta rapida, l’intelligenza artificiale dovrebbe generare compiti che mettono intenzionalmente in discussione il modo di pensare attuale di uno studente, spingendolo verso un ragionamento di ordine superiore.
- Supportare la comprensione degli insegnanti: l’intelligenza artificiale dovrebbe fungere da “partner riflessivo” per gli educatori, fornendo loro dati utilizzabili sullo stato cognitivo di uno studente per una migliore pianificazione delle lezioni.
Conclusione
Il futuro dell’insegnamento della matematica sta nel superare la personalizzazione a livello superficiale. Affinché l’intelligenza artificiale possa essere una forza trasformativa, deve smettere di agire come una chiave di risposta digitale e iniziare ad agire come un insegnante in grado di comprendere le sfumature del ragionamento umano.
