L’intelligenza artificiale sta rapidamente trasformando la misurazione educativa, ma il suo potenziale dipende dalla costruzione di sistemi che siano non solo efficienti ma anche credibili, equi e veramente utili per studenti e insegnanti. Un recente gruppo di esperti ha evidenziato la necessità di “cinture di sicurezza” – infrastrutture scientifiche rigorose – per garantire che le valutazioni basate sull’intelligenza artificiale migliorino l’apprendimento anziché semplicemente accelerare i problemi esistenti.
I pilastri dell’intelligenza artificiale responsabile nell’istruzione
Kadriye Ercikan di ETS sostiene che tre principi devono essere non negoziabili: efficacia (raggiunge i suoi obiettivi?), validità (le prove sono solide?) e equità (i risultati sono coerenti tra tutti i gruppi di studenti?). Ciò significa progettare l’equità nel sistema fin dall’inizio, piuttosto che cercare di correggere i pregiudizi in un secondo momento. L’obiettivo è passare dalle valutazioni che si limitano a descrivere lo status dello studente (come un termometro) a quelle che guidano il miglioramento (come un termostato).
Riduzione del carico di test e aumento dell’utilità
Angela Bahng della Gates Foundation sottolinea che gli studenti già dedicano fino a 100 ore all’anno ai test, gravando in modo sproporzionato gli studenti di colore e coloro che sono indietro rispetto al livello scolastico. Il suo lavoro si concentra su un “quadro di qualità del prodotto” che aiuta le scuole a scegliere gli strumenti in base alla loro effettiva utilità: sono facili da usare, affidabili e direttamente utili per l’istruzione? Le applicazioni emergenti dell’intelligenza artificiale – come il riconoscimento vocale per il feedback in tempo reale e gli allenatori di lettura basati sull’intelligenza artificiale – si dimostrano promettenti, con prove rigorose attese entro i prossimi due o tre anni.
Oltre la misurazione: rispettare la competenza dell’educatore
Michelle Odemwingie, CEO di Achievement Network, sostiene che la validità dipende dal fatto che gli approfondimenti sulla valutazione influenzino effettivamente l’azione dell’insegnante. L’attuale sovraccarico di strumenti EdTech (oltre 2.700 in uso) crea “obesità informativa”, ostacolando la capacità degli educatori di dare un senso a dati frammentati. Odemwingie mette in guardia contro i sistemi di intelligenza artificiale che forniscono con sicurezza informazioni inaccurate (“ragionevoli sciocchezze”), sottolineando che i sistemi di valutazione devono rispettare il giudizio e l’esperienza degli insegnanti per produrre un valore duraturo. Il problema principale non è tecnico; è relazionale.
Dare priorità alla prosperità umana rispetto all’ottimizzazione
Gabriela López sfida il campo per andare oltre la velocità e la previsione, progettando sistemi di intelligenza artificiale che danno priorità alla crescita, all’azione e alle opportunità degli studenti. Insiste sul fatto che “la variabilità umana è un segnale, non un rumore”: l’ottimizzazione per definizioni ristrette di tipico riduce l’accuratezza e la fiducia. La vera trasparenza non consiste nell’esporre il codice, ma nell’aiutare le persone a capire cosa significano i risultati, come usarli e cosa non significano.
In definitiva, l’intelligenza artificiale nell’istruzione deve guadagnarsi la fiducia dimostrando apertura, rigore scientifico e un rispetto fondamentale per le persone dietro i dati. Il futuro della valutazione non risiede solo nella sofisticazione tecnica, ma nella costruzione di sistemi che supportino la crescita umana e responsabilizzino sia gli studenti che gli educatori.
