Il modello SAMR – Sostituzione, Aumento, Modifica, Ridefinizione – è stato a lungo una pietra miliare delle discussioni sulla tecnologia nell’istruzione. Introdotto all’inizio degli anni 2000, offriva un modo semplice per classificare l’impatto della tecnologia sull’apprendimento. Tuttavia, l’ascesa dell’intelligenza artificiale (AI) rivela un difetto critico: SAMR considera il cambiamento come intrinsecamente migliore quando non lo è. L’intelligenza artificiale può amplificare risultati sia positivi che negativi a qualsiasi livello di integrazione. Il modello necessita di una seconda dimensione per tenere conto del fatto che la tecnologia rafforzi o indebolisca l’insegnamento e l’apprendimento.
Limitazioni del modello originale
Originariamente concepito come strumento descrittivo, il SAMR è diventato rapidamente prescrittivo. Gli educatori iniziarono a considerare la Sostituzione come “fondamentale” e la Ridefinizione come l’ideale, trasformandola in una scala piuttosto che in uno spettro. In un mondo guidato dall’intelligenza artificiale, questo pensiero lineare crolla: L’intelligenza artificiale può rendere le attività semplici incredibilmente potenti e le attività avanzate ingannevolmente vuote. L’approccio monoasse di SAMR non è più sufficiente.
Il ritratto di un progetto docente e una questione cruciale
Una recente ricerca dell’iniziativa “Portrait of a Teacher in the Age of AI” condotta da Ed3 ha rivelato questo problema in prima persona. Gli educatori che utilizzano l’intelligenza artificiale nello spettro SAMR hanno costantemente riportato effetti sia positivi che negativi a ogni livello. La domanda è diventata chiara: SAMR ha bisogno di un secondo asse per valutare se i cambiamenti sono costruttivi o distruttivi?
Presentazione della dimensione positivo-negativo
L’intuizione chiave è che SAMR non descrive solo quale tipo di cambiamento introduce la tecnologia, ma se quel cambiamento migliora o peggiora l’apprendimento. Ogni livello può essere benefico o dannoso.
- Sostituzione: la sostituzione dei quiz cartacei con quelli digitali può liberare tempo da dedicare agli insegnanti per interazioni significative oppure può automatizzare la valutazione senza revisione umana.
- Ridefinizione: l’intelligenza artificiale può consentire la narrazione multilingue e l’espressione creativa, ma può anche consentire agli studenti di produrre lavori raffinati senza uno sforzo o una comprensione genuini.
Questa dualità richiede una ristrutturazione: SAMR non è più una scalata da “meno innovativo” a “più innovativo”. È un sistema a due assi:
- Modalità di integrazione: (Sostituzione, Ampliamento, Modifica, Ridefinizione)
- Direzione dell’impatto: (Negativo ↔ Positivo)
Quattro sfumature chiave del nuovo modello
Questa visualizzazione ampliata rivela approfondimenti critici:
- Il livello non predice la qualità: La sostituzione può essere efficace quanto la ridefinizione se implementata in modo ponderato.
- L’efficienza può mascherare l’erosione: Il tempo risparmiato grazie all’automazione può migliorare le connessioni insegnante-studente o sostituirle completamente.
- La ridefinizione può essere vuota: l’intelligenza artificiale può creare guadagni di apprendimento superficiali senza una reale profondità.
- Il fattore decisivo è relazionale: gli usi positivi rafforzano le relazioni, il feedback e l’accesso; quelli negativi li indeboliscono.
Oltre il pensiero sequenziale
Un altro malinteso è che la SAMR sia una progressione sequenziale. Gli insegnanti non passano necessariamente dalla sostituzione alla ridefinizione. L’intelligenza artificiale rende tutto questo ancora meno prevedibile; un insegnante potrebbe iniziare con la ridefinizione utilizzando simulazioni, quindi tornare alla sostituzione per la generazione del materiale per liberare tempo per il supporto individuale degli studenti. SAMR è meglio inteso come un insieme di modalità utili in diverse condizioni.
Riformulare le domande
Il nuovo modello sposta il focus dall’innovazione percepita all’impatto tangibile:
- Questa intelligenza artificiale approfondisce la connessione umana o la indebolisce?
- Espande la capacità degli insegnanti o la limita?
- Offre opportunità agli studenti o le restringe?
Queste domande danno priorità alla direzione dell’impatto, non al livello di sofisticazione. Ogni livello di SAMR può essere eccellente o dannoso, a seconda della pratica.
Collegamento alla curva di adozione
Infine, SAMR interagisce con il ciclo di adozione della tecnologia. I primi adottanti gravitano verso la ridefinizione, mentre gli adottanti successivi iniziano con la sostituzione per sicurezza e facilità. Questa riformulazione suggerisce che gli insegnanti non sono bloccati a determinati livelli per mancanza di creatività, ma perché si trovano a fasi diverse di adozione. Comprendere questa dinamica aiuta i leader a stabilire aspettative realistiche e a fornire un supporto adeguato.
In conclusione, un modello SAMR a due assi riconosce la complessità della pratica degli insegnanti, rispetta i diversi contesti e centra il giudizio umano come variabile determinante. Man mano che l’intelligenza artificiale diventa più pervasiva, la domanda rilevante non è “Quanto è alto il SAMR?” ma: “Questo uso dell’intelligenza artificiale sta accelerando o rallentando i risultati dell’apprendimento?”
