Quando ho iniziato il mio dottorato in tecnologia vocale alla Ruhr-Universität Bochum all'inizio degli anni '90, l'intelligenza artificiale non era un termine che si usava con leggerezza. Avevamo modelli di Markov nascosti, reti neurali con pochi strati e un'enorme quantità di lavoro manuale di ingegneria delle caratteristiche. Bisognava capire tutto. Non c'erano scorciatoie per la statistica: i dati, i modelli o le decisioni. Bisognava sapere cosa si stava facendo e perché.
Facciamo un salto avanti di trent'anni. Ora lavoro con docenti universitari in tutta Europa che cercano di insegnare la stessa disciplina – il ragionamento statistico e il giudizio analitico – a studenti che hanno in tasca una potenza di calcolo superiore a quella di cui disponeva il nostro istituto nel 1994. E molti di questi studenti arrivano aspettandosi uno strumento che pensi al posto loro.
Questa tensione è il fulcro di questa serie. Non si tratta di stabilire se l'intelligenza artificiale debba essere presente nei corsi di statistica – in qualche forma sì – ma di come possiamo assicurarci che affini, anziché sostituire, il ragionamento che cerchiamo di insegnare.
Prima di parlare di intelligenza artificiale, però, vorrei soffermarmi su un aspetto più fondamentale: come dovrebbe essere uno strumento didattico davvero valido, prima ancora che l'IA entri in gioco.
Il problema con la maggior parte degli strumenti didattici
La statistica è difficile da insegnare. Non tanto perché la matematica sia inaccessibile, dato che la maggior parte dei contenuti introduttivi non è al di là delle capacità di uno studente universitario motivato. La vera difficoltà sta nel collegare il metodo allo scopo. Gli studenti imparano il test t. Imparano il test del chi-quadrato. Imparano la regressione. Ciò che spesso non imparano è quando usare l'uno o l'altro, e perché quella scelta sia importante.
Gli strumenti che richiedono la programmazione, come R o Python, spostano il carico cognitivo sulla sintassi. Gli studenti trascorrono la lezione a correggere un ciclo invece di concentrarsi sui dati. Non si tratta di una critica a questi strumenti; sono indubbiamente potenti e importanti. Tuttavia, per i corsi introduttivi di statistica, spesso risultano d'intralcio.
All'estremo opposto, gli strumenti completamente automatizzati rispondono alla domanda prima ancora che lo studente abbia avuto la possibilità di porla.
Ciò che la maggior parte dei docenti cerca, ma raramente trova, è qualcosa di intermedio: uno strumento sufficientemente potente per un'analisi approfondita, ma al contempo strutturato in modo da favorire l'apprendimento. Deve essere uno strumento utilizzato in un contesto professionale, non un semplice strumento didattico semplificato.
Cosa offre effettivamente JMP Student Edition
JMP Student Edition [2] è la versione di JMP progettata specificamente per l'uso accademico. Non è un prodotto ridotto. Copre la gamma analitica di cui i corsi di statistica introduttivi e intermedi hanno effettivamente bisogno, ed è lo stesso ambiente che molti studenti incontreranno se passeranno a ruoli nell'industria o nella ricerca dopo la laurea.
Ciò che lo rende particolarmente adatto all'insegnamento è una combinazione di fattori che è facile sottovalutare:
- Prima l'aspetto visivo, poi quello numerico. JMP pone i grafici al centro dell'analisi. Gli studenti vedono i dati prima ancora di vedere le statistiche. Non si tratta di una preferenza di design, bensì di una scelta pedagogica in linea con il modo in cui si sviluppa realmente l'intuizione statistica.
- Modalità interattiva predefinita. I grafici sono dinamici. È possibile selezionare un punto, una regione o una barra, e il resto del risultato si adatta di conseguenza. Gli studenti esplorano anziché eseguire calcoli.
- È necessaria l'interpretazione . JMP non spiega agli studenti il significato dei loro risultati. Produce un output, che si tratti di distribuzioni, grafici dei residui o statistiche di test, e poi si aspetta che l'analista lo interpreti. L'apprendimento avviene nello spazio tra l'output e l'interpretazione.
- Ampiezza senza inutili complessità. La piattaforma copre il framework del GAISE College Report [5], le linee guida ampiamente utilizzate per l'insegnamento della statistica introduttiva, senza sovraccaricare i principianti. Il menu completo è disponibile in modo che il corso possa essere strutturato in modo appropriato.
Quest'ultimo punto è più importante di quanto possa sembrare. Il Prof. Koo Rijpkema ed io abbiamo esplorato direttamente questa funzionalità in una recente presentazione e webinar del JMP Discovery Summit Europe [4]: JMP è uno strumento di livello professionale e la sua vastità può risultare eccessiva per i nuovi utenti. Strutturare l'ambiente di apprendimento decidendo quali menu, quali flussi di lavoro e quale livello di output utilizzare è di per sé una parte importante della progettazione del corso. JMP Student Edition offre ai docenti sufficiente spazio per fare queste scelte in modo consapevole.
Un flusso di apprendimento naturale
Molti docenti scelgono JMP Student Edition perché preferiscono il flusso di lavoro dell'analisi statistica di JMP: si parte dai dati, si esplora visivamente e poi si passa all'inferenza. Questa sequenza non è casuale. Rispecchia il modo in cui lavorano effettivamente gli analisti esperti e contribuisce a sviluppare abitudini che si rivelano utili anche al di fuori del corso.
Il GAISE College Report [5], il quadro di riferimento più ampiamente citato per l'insegnamento introduttivo della statistica, raccomanda proprio questo approccio:
- Insegnate il pensiero statistico, non solo le procedure statistiche.
- Utilizzare dati reali.
- Privilegiare la comprensione concettuale rispetto al calcolo meccanico.
- Promuovere l'apprendimento attivo.
JMP Student Edition, se usato con criterio, supporta tutti e quattro gli obiettivi.
Un ponte pratico:Rguida basata sulle regole con DAD
Uno dei miei strumenti preferiti per la didattica è un'estensione di JMP chiamata Data Analysis Director (DAD) [3]. Non essendo un'IA generativa, non chatta, non genera testo né produce spiegazioni tramite modelli linguistici. Ciò che fa è seguire una logica analitica strutturata per guidare gli utenti verso un metodo di analisi appropriato.
Quando uno studente si trova di fronte a un compito di analisi specifico, DAD pone alcune domande mirate: Qual è la variabile di risposta? I dati sono continui, nominali o ordinali? Quali sono i predittori? In base a queste risposte, suggerisce un'analisi appropriata e spiega il ragionamento alla base del suggerimento.
Può sembrare semplice, ma è uno strumento didattico incredibilmente efficace.
In classe, spesso fornisco agli studenti un set di dati, ad esempio dati sulla soddisfazione del cliente con variabili di diverso tipo, e chiedo loro di utilizzare il DAD per scegliere un'analisi. Poi pongo una domanda inaspettata: siete d'accordo con la scelta?
- Quali presupposti fa lo strumento?
- Avresti scelto diversamente?
- Cosa potrebbe mancare?
Use case for Data Analysis Director 19Caso d'uso per Data Analysis Director 19
Il vero apprendimento avviene quando si trovano risposte a queste domande. Il DAD (Data-Assisted Design) rende visibile la logica decisionale che un analista esperto applica automaticamente, ma di cui i principianti spesso ignorano persino l'esistenza. Rende il ragionamento tangibile, permettendo agli studenti di esaminarlo, metterlo in discussione e imparare da esso.
Ed è proprio questa la differenza fondamentale: DAD non è un oracolo. È uno strumento di analisi basato su regole , trasparente, verificabile e deterministico. Agli studenti non viene fornita una risposta. Viene mostrato loro un punto di partenza ragionato e viene chiesto loro di interagire con esso.
"L'intelligenza artificiale dovrebbe affinare, non sostituire, il nostro ragionamento." |
Prima che l'intelligenza artificiale entri in scena
In questo episodio ci siamo volutamente tenuti alla larga dall'intelligenza artificiale generativa: i grandi modelli linguistici, i chatbot e gli strumenti in grado di scrivere codice, redigere interpretazioni e rispondere a quasi tutte le domande che uno studente potrebbe porre. Questi argomenti arriveranno, a partire dall'episodio 2.
Ho volutamente iniziato questa serie con questo post, che spiega come JMP Student Edition supporti già un solido ragionamento statistico senza bisogno di attivare alcuna funzionalità di intelligenza artificiale. Non sto criticando l'IA, ma semplicemente ponendo le basi prima di valutarla. Se non si sa come si presenta un buon ragionamento analitico prima dell'intervento dell'IA, è molto difficile giudicare cosa l'IA effettivamente aggiunga, così come cosa, silenziosamente, tolga.
Il prossimo episodio si concentra proprio su questo: cosa succede quando i modelli linguistici complessi entrano a far parte dei corsi di statistica, cosa offrono concretamente ai docenti e dove iniziano a manifestarsi le prime complicazioni.
Prova questo
Installa Data Analysis Director [3] dal JMP Marketplace e aprilo dal menu Componenti aggiuntivi. Quindi rispondi a tutte le domande in base ai dati a tua disposizione. Lascia che ti suggerisca un'analisi e poi chiedi ai tuoi studenti se sono d'accordo e perché. La discussione che ne segue è spesso più istruttiva dell'analisi stessa.
Riferimenti
[1] Programma accademico JMP , jmp.com/academic
[2] Edizione per studenti di JMP , jmp.com/student
[3] Direttore dell'analisi dei dati (JMP Marketplace) , marketplace.jmp.com
[4] Persi nel JMP? Snellire per una vestibilità migliore , Kraft & Rijpkema, JMP Discovery Summit EMEA 2026
[5]Rapporto del GAISE College (2016)
[6]Revisione del rapporto del GAISE College (in corso, 2025)
Informazioni sull'autore
Volker Kraft è Principal Academic Ambassador (EMEA) presso JMP Statistical Discovery (una società SAS), e fa parte del JMP Global Academic Team. Dal 2011, supporta le università di tutta Europa nell'integrazione di JMP nella didattica e nella ricerca. Il suo background è nella ricerca sulle tecnologie vocali, un campo in cui il rigore statistico e il pragmatismo ingegneristico dovevano coesistere ben prima che l'intelligenza artificiale diventasse un termine di uso comune. È possibile contattarlo tramite la Comunità JMP o su LinkedIn .
Episodio 1 di 5 • Prossimamente: L'intelligenza artificiale entra in classe: opportunità per gli insegnanti
