Qualche anno fa, qualcosa è cambiato nelle aule di statistica, e non è stato annunciato ufficialmente. Gli studenti hanno iniziato a presentarsi con interpretazioni generate dall'intelligenza artificiale dei loro elaborati con JMP, interpretazioni fluide, sicure e a volte completamente errate. L'analisi c'era. Spesso, però, mancava la comprensione.
Quel divario tra una generazione forte e un pensiero fragile è ora la sfida centrale nell'insegnamento dell'analisi dei dati, ma vietare l'IA non è la soluzione. La vera domanda è se stiamo progettando compiti che richiedano effettivamente di pensare.
Nel primo episodio di questa serie di blog, ho illustrato come potrebbe essere un buon insegnamento della statistica prima dell'avvento dell'intelligenza artificiale. Questo episodio si concentra sui cambiamenti introdotti dall'IA e su come i docenti possono sfruttare questi cambiamenti anziché limitarsi a gestirli.
La realtà trasformata della classe
Ethan Mollick, il cui libro “Co-Intelligence” [5] è diventato una lettura obbligatoria per chiunque rifletta seriamente sull’IA nell’istruzione, lo dice chiaramente: i compiti a casa come li conosciamo sono finiti. Penso che sia più o meno corretto, ma piuttosto che una crisi, è una sfida di progettazione.
Gli studenti di oggi sono straordinariamente bravi a produrre risposte. Ciò in cui sono meno sicuri è la capacità di valutarle . Possono incollare l'output di JMP in uno strumento di intelligenza artificiale generico e ottenere in cambio un paragrafo di interpretazione ben rifinito. Ciò che non sempre riescono a fare è stabilire se quell'interpretazione sia corretta, se sia stato scelto il modello giusto, se le ipotesi siano state verificate o se la conclusione derivi effettivamente dai dati.
È qui che il ruolo del docente può cambiare, passando da semplice trasmettitore di informazioni a vero e proprio mentore del ragionamento. Man mano che l'attenzione si sposta dalla spiegazione, ad esempio di cosa sia un p-value, ai docenti dovrebbe concentrarsi sulla progettazione di esperienze di apprendimento in cui gli studenti siano chiamati a riflettere sul perché una particolare analisi sia appropriata e sul significato effettivo del risultato nel contesto.
Potenziamento, non automazione
La questione progettuale centrale per qualsiasi strumento di intelligenza artificiale in ambito educativo è se venga utilizzato per l'automazione o per il potenziamento . L'automazione sostituisce una decisione umana. Il potenziamento la supporta e la migliora. Queste due funzioni non sono la stessa cosa, e confonderle è la fonte di gran parte delle preoccupazioni relative all'IA in classe.
L'obiettivo nell'insegnamento della statistica dovrebbe essere sempre l'aumento: un'intelligenza artificiale che aiuti gli studenti a pensare in modo più chiaro, non un'intelligenza artificiale che pensi al posto loro. Questa distinzione influenza ogni aspetto, dalla scelta degli strumenti da utilizzare e dal modo in cui utilizzarli, fino alla valutazione di quali compiti siano ancora affidabili per verificare l'effettivo apprendimento.
Cosa offre realmente l'intelligenza artificiale
Prima di parlare dei rischi, che sono reali e vengono esaminati a fondo nell'episodio 4, vale la pena elencare i vantaggi concreti dell'intelligenza artificiale per un corso di statistica:
- Sempre disponibile. Gli studenti possono fare domande a qualsiasi ora, senza dover aspettare l'orario di ricevimento o sentirsi in imbarazzo per non aver seguito la lezione.
- Infinitamente paziente. L'IA spiegherà lo stesso concetto tutte le volte necessarie, in tutti i modi diversi richiesti.
- Si libera tempo in classe. Quando le questioni procedurali di routine vengono affrontate al di fuori dell'aula, il tempo rimanente può essere dedicato alla discussione, all'interpretazione e a quel tipo di ambiguità che l'intelligenza artificiale non è in grado di risolvere.
Un tipo diverso di intelligenza artificiale: LearnBot in JMP
LearnBot [3] è un componente aggiuntivo gratuito, disponibile per il download dal JMP Marketplace e accessibile dal menu Guida all'interno di JMP Student Edition. È addestrato sulla documentazione e sulle risorse di apprendimento di JMP, il che lo rende un tutor mirato e sensibile al contesto piuttosto che un chatbot generico.
LearnBot è un'intelligenza artificiale conversazionale basata su testo, che funge da tutor per JMP e statistica. Non ha accesso ai dati o ai risultati dello studente. Gli studenti descrivono invece ciò che vedono con parole proprie e LearnBot risponde a tale descrizione.
Questa prossimità è fondamentale. Invece di passare a una nuova scheda del browser, lo studente rimane all'interno dell'ambiente analitico con un solo clic, proprio dove si svolge il lavoro.
E l'atto stesso di descrivere l'output a LearnBot è un momento di apprendimento. Prima di poter porre una buona domanda, bisogna trovare le parole per descrivere ciò che si sta vedendo. È in questa articolazione che la comprensione si rivela o si interrompe.
Consideriamo un esempio concreto. Uno studente esegue una regressione e osserva un R² di 0,71 insieme a un grafico dei residui con uno schema chiaro. Scrive in LearnBot: "Il mio modello di regressione multipla mostra un R² di 0,71, ma il grafico dei residui ha una struttura o uno schema ben definito. Cosa significa?"
Using LearnBot in JMP Student Edition, a student describes their regression output and receives statistical and JMP guidance.Using LearnBot in JMP Student Edition, a student describes their regression output and receives statistical and JMP guidance.Using LearnBot in JMP Student Edition, a student describes their regression output and receives statistical and JMP guidance.Utilizzando LearnBot in JMP Student Edition, uno studente descrive i risultati della propria regressione e riceve assistenza statistica e indicazioni su JMP.
LearnBot spiega cosa indica un grafico dei residui con un andamento particolare e poi chiede: "Desideri una guida su come aggiungere un termine quadratico o eseguire una trasformazione in JMP?". Questa domanda di approfondimento è fondamentale. L'obiettivo non è fornire la risposta, ma stimolare il ragionamento dello studente e guidarlo verso il passo successivo.
Advait Sarkar [4] mette in guardia dal rischio di diventare “gestori intermedi dei nostri stessi pensieri”, esternalizzando il ragionamento all’IA invece di svilupparlo noi stessi. LearnBot è progettato per contrastare proprio questa tendenza.
"C'è una differenza tra uno strumento che risponde alla tua domanda e uno che ti aiuta a formulare una domanda migliore." |
Il vero cambiamento:Aprogettazione del compito
Il cambiamento più significativo per i docenti non consiste nello scegliere quali strumenti di intelligenza artificiale consentire, ma nel riprogettare i compiti assegnati. La qualità di ciò che uno studente ottiene da qualsiasi strumento di intelligenza artificiale dipende in larga misura dalla qualità di ciò che vi mette. Confrontate queste due istruzioni:
- ✘ Eseguire una regressione e riportare il valore di R².
- ✔ Confronta due modelli, giustifica la tua scelta e identifica un'ipotesi che non puoi verificare.
Il secondo compito non può essere esternalizzato senza comprensione. Il flusso di lavoro visivo ed esplorativo di JMP invita naturalmente proprio a questo tipo di interpretazione, che è uno dei motivi per cui funziona bene come ambiente didattico anche quando l'intelligenza artificiale è parte integrante del contesto.
Un'aula più intelligente
In contesti di apprendimento capovolto o ibrido, il suo potenziale aumenta ulteriormente. Gli studenti esplorano i dati e utilizzano il supporto dell'IA per superare gli ostacoli prima della lezione. Il tempo in classe si concentra quindi sulla discussione, sul giudizio e su quel tipo di ambiguità del mondo reale che nessuna IA attualmente è in grado di risolvere efficacemente.
Come afferma Russ Wolfinger di JMP [6]: l'IA potenzia, non sostituisce. Il compito dell'istruttore è progettare l'ambiente di apprendimento in modo che il potenziamento sia ciò che gli studenti effettivamente sperimentano, non una scorciatoia per evitare il pensiero che devono mettere in atto.
Il terzo episodio approfondisce JMP Assistant: i suoi flussi di lavoro analitici concreti, le sue funzionalità e limitazioni, e come utilizzarlo in modo che gli studenti mantengano il controllo del processo di apprendimento.
Prova questo
Installa LearnBot [3] dal JMP Marketplace e aprilo dal menu Aiuto all'interno di JMP Student Edition. Fornisci agli studenti un set di dati e chiedi loro di eseguire un'analisi a loro scelta. Poi chiedi loro di descrivere con parole proprie un risultato su cui hanno dei dubbi a LearnBot e di portare lo scambio alla lezione successiva. Ciò che scrivono a LearnBot spesso rivela di più sulla loro comprensione rispetto all'analisi stessa.
Riferimenti
[1] Programma accademico JMP , jmp.com/academic
[2] Edizione per studenti di JMP , jmp.com/student
[3]LearnBot (JMP Marketplace) , marketplace.jmp.com
[4] Advait Sarkar, “Come impedire all’IA di uccidere il tuo pensiero critico”, TED Talk, 2025
[5] Ethan Mollick, “Co-intelligenza: vivere e lavorare con l’IA”, Portfolio/Penguin, 2024
[6] Russ Wolfinger, “I sette modi principali in cui scienziati e ingegneri dovrebbero prepararsi all’era guidata dall’IA”, white paper JMP
[7]Revisione del rapporto del GAISE College (in corso, 2025)
Riguardo alaautore
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 2 di 5 • Prossimamente: JMP Assistant in pratica: INche può fare per te
