Permettetemi di iniziare con una storia breve ma significativa.
Una volta uno studente mi mostrò un'analisi di regressione formattata in modo impeccabile: output pulito, valori p corretti, tutto sembrava perfetto. C'era solo un problema: aveva interpretato il risultato in modo completamente errato. Quando gli chiesi come fosse giunto a quella conclusione, la risposta fu semplice: "L'ha detto l'IA".
Quel momento mi è rimasto impresso. Non perché l'IA avesse torto (non aveva torto), ma perché il processo di pensiero si era interrotto prima ancora di iniziare. Il ragionamento era stato delegato a qualcun altro prima ancora che lo studente avesse formulato una singola ipotesi.
E questo, in sintesi, è il vero rischio dell'intelligenza artificiale nella formazione all'analisi dei dati.
Il problema non è lo strumento,è il flusso di lavoro
Quando si parla di rischi dell'IA in ambito educativo, la discussione si concentra spesso sull'integrità accademica, ad esempio sul plagio e sui compiti automatizzati. Si tratta di preoccupazioni legittime. Ma per i docenti di statistica, il problema più profondo è di natura cognitiva: cosa succede al ragionamento di uno studente quando uno strumento è in grado di generare l'analisi, descrivere i risultati e suggerire le conclusioni, il tutto prima ancora che lo studente abbia formulato una domanda?
Nel suo TED Talk del 2025 sull'IA e il pensiero critico, Advait Sarkar [3] definisce questo processo come il diventare "gestori intermedi dei nostri stessi pensieri", approvando gli output dell'IA anziché generare idee. Questa inquadratura risuona ogni volta che vedo uno studente presentare una relazione in una prosa fluida che non riesce a parafrasare con parole proprie. Le parole ci sono. La comprensione non c'è.
Questo è ciò che chiamo l' illusione della competenza : l'intelligenza artificiale permette agli studenti di produrre analisi e narrazioni convincenti senza la comprensione di fondo che consentirebbe loro di individuare gli errori. Il risultato sembra corretto. Il ragionamento che lo sottende potrebbe non esistere affatto.
Tre schemi che continuo a notare
- Fiducia senza verifiche.
Gli strumenti di intelligenza artificiale tendono a rispondere con autorevolezza, anche in caso di incertezza. Uno studente chiede chiarimenti sulle ipotesi dell'ANOVA e riceve una risposta apparentemente plausibile. Nessuno controlla i grafici dei residui. In un laboratorio tradizionale, un docente avrebbe detto: "Bene, ma mostrami i dati diagnostici". Quell'attrito era pedagogicamente prezioso. Non dovremmo eliminarlo con la programmazione.
Il grafico sottostante illustra esattamente questo concetto. Una semplice regressione lineare sul set di dati dei pinguini (che però ignora la specie) potrebbe sembrare accettabile a prima vista. Ma il grafico dei residui racconta una storia diversa.
Residual by Predicted Plot from a linear regression on the penguin data set, but the pattern signals that the model is missing something. Species, in this case.Grafico dei residui rispetto ai valori previsti da una regressione lineare sul set di dati dei pinguini, ma il modello segnala che manca qualcosa. In questo caso, la specie.
Ciò che si perde senza un controllo: un sano scetticismo .
- Rapporti fluidi, comprensione fragile.
Le spiegazioni generate dall'IA possono sembrare raffinate e professionali. Ma se si chiede a uno studente di spiegare i propri risultati con parole proprie, le lacune emergono. Ho iniziato a chiedere agli studenti di spiegarmi verbalmente i testi generati dall'IA. La differenza tra ciò che hanno consegnato e ciò che riescono a esprimere a parole è a volte sorprendente.
Ciò che si perde: la vera comprensione .
- Saltando la parte centrale più caotica.
Perché complicarsi la vita con la configurazione del modello se l'IA può passare direttamente all'interpretazione? Ma è proprio in questa fase di elaborazione che si celano le informazioni chiave: individuare gli squilibri nei dati, notare una definizione errata di una variabile, intercettare una violazione delle ipotesi prima che si propaghi nell'analisi.
Ciò che si perde: l'apprendimento attraverso la pratica .
| "Se un compito può essere completato senza comprenderlo, significa che non ha mai realmente messo alla prova la comprensione." |
Un approccio migliore: progetta, non limitare
Evitare l'IA non è la soluzione. Un'integrazione ponderata lo è. Ecco quattro strategie che funzionano davvero nella pratica:
- Introduci l'intelligenza artificiale al momento giusto.
Prima di utilizzare strumenti di intelligenza artificiale, è importante che gli studenti esplorino i dati, costruiscano modelli e formulino ipotesi. In questo modo, l'IA diventa un valido supporto per il loro pensiero, non un sostituto. La sequenza è fondamentale: prima si formula un'opinione, poi la si verifica confrontandola con i risultati dello strumento.
- Poni domande a cui l'intelligenza artificiale non può rispondere.
Invece di “interpreta questo modello”, chiedi:
- Cosa ti ha sorpreso nei dati?
- Cosa faresti di diverso la prossima volta?
- Perché questo è importante per la decisione in questione?
Queste domande richiedono un ragionamento personale, non un testo generato automaticamente.
- Trasforma gli errori dell'IA in momenti di apprendimento.
L'IA può sbagliare, quindi sfruttiamo questa sua caratteristica. Mostriamo agli studenti un suggerimento errato generato dall'IA e chiediamo: "Vi fidereste? Come lo verifichereste?". Quando gli studenti imparano a individuare gli errori dell'IA, sviluppano proprio quelle capacità di valutazione critica che si applicano a qualsiasi altro contesto analitico. L'IA diventa un motore di pensiero critico , non una scorciatoia.
- Siate trasparenti riguardo alle aspettative.
Gli studenti generalmente accettano linee guida chiare. Usare l'IA per imparare va bene. Usare l'IA per sostituire il pensiero non va bene. La distinzione è importante e funziona quando viene esplicitata, fin da subito e in modo coerente. Neil Selwyn [4] ci ricorda che l'IA nell'istruzione è una scelta, non un'inevitabilità. L'insegnante continua a progettare l'ambiente di apprendimento.
Cosa fanno gli strumenti JMP
Gli strumenti di intelligenza artificiale di JMP Student Edition includono delle protezioni integrate. Ogni sessione di LearnBot e Assistant contiene un promemoria esplicito: "Contenuto generato dall'IA: valutarne l'accuratezza e l'idoneità prima dell'uso". Utilizzato come spunto didattico, questo promemoria modella esattamente l'approccio critico che vogliamo che gli studenti sviluppino.
Come ha affermato Russ Wolfinger del JMP [6]: l'IA potenzia, non sostituisce. Gli strumenti sono progettati tenendo presente questo principio. Se vengano utilizzati in questo modo in classe dipende dall'insegnante.
Il quadro generale
Neil Selwyn [4][5], il cui lavoro sui limiti strutturali dell'IA nell'istruzione merita più attenzione di quanta ne riceva di solito, sostiene che l'IA in classe è una scelta, non un'inevitabilità. La questione non è se usarla, ma chi trae beneficio da ogni singolo utilizzo e se le competenze fondamentali del ragionamento statistico vengono sviluppate o silenziosamente sostituite.
Una buona analisi dei dati non consiste nell'ottenere risposte rapidamente. Consiste nel gestire l'incertezza, mettere in discussione i risultati, difendere le decisioni e, a volte, dire: "Non ho ancora compreso appieno la questione". Sono proprio queste le competenze più a rischio quando l'intelligenza artificiale gestisce tutto prima che lo studente abbia avuto la possibilità di riflettere.
Il quinto episodio guarda al futuro: come si prospetta l'educazione all'alfabetizzazione dei dati e quale ruolo giocano strumenti come JMP in questo contesto?
Prova questo
Prendete un compito che i vostri studenti svolgono attualmente con l'aiuto dell'intelligenza artificiale. Aggiungete una domanda a cui l'IA non può rispondere: Quale presupposto di questa analisi vi preoccupa maggiormente e perché? Poi portate queste risposte in classe. Le perplessità che gli studenti esprimono – e quelle che non colgono – vi diranno 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] Advait Sarkar: “Come impedire all’IA di uccidere il tuo pensiero critico” , TED Talk, 2025
[4] Neil Selwyn: I robot dovrebbero sostituire gli insegnanti? , Polity Press, 2019
[5] Neil Selwyn: Sui limiti dell'intelligenza artificiale nell'istruzione , 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)
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 4 di 5 • Prossimamente: Cosa ci aspetta? Il futuro dell'alfabetizzazione digitale.
