Abbiamo fatto molta strada in quattro episodi. Siamo partiti da ciò che rende JMP Student Edition realmente utile in un contesto didattico, prima ancora che l'intelligenza artificiale entrasse in gioco. Abbiamo analizzato come l'IA può cambiare il ruolo del docente, esplorato cosa fanno concretamente JMP Assistant e LearnBot e poi dedicato del tempo ad esaminare i rischi, in particolare dove l'IA può essere d'intralcio e come integrare delle misure di sicurezza nella progettazione dei corsi.
Ora vorrei fare un passo indietro e pormi la domanda più importante: dove ci porterà tutto questo?
Non ho la sfera di cristallo. Nessuno ce l'ha. Ma ho più di 15 anni di esperienza nel lavorare con docenti universitari in tutta Europa, osservando come si adattano – lentamente all'inizio, poi improvvisamente – a nuovi strumenti e nuove pressioni. E quello che sto vedendo ora mi sembra diverso dalle transizioni precedenti. Non perché l'IA sia magica, ma perché sta imponendo un dibattito che gli insegnanti di statistica stanno finalmente affrontando seriamente: cosa stiamo cercando di insegnare realmente?
La questione del curriculumQuelloL'IA ci costringe a rispondere
Per decenni, i corsi introduttivi di statistica sono stati organizzati attorno alle procedure. Insegnare il test t. Insegnare l'ANOVA. Insegnare la regressione. Aveva senso. Gli studenti devono capire cosa fanno questi metodi, quando si applicano e su quali presupposti si basano. Ciò che è attualmente sotto pressione non è la conoscenza in sé, ma l'idea che trattare le procedure sia sufficiente. L'intelligenza artificiale può orientarsi nel panorama procedurale; ciò che non può fare è ragionare sulla correttezza della procedura scelta o sul significato effettivo del risultato nel contesto.
Ora l'IA è in grado di muoversi anche nel panorama procedurale. Non in modo perfetto, non affidabile, ma abbastanza bene da far sentire allo studente che la sua domanda ha ricevuto risposta. L'IA ci sta costringendo a rispondere a una domanda che abbiamo rimandato per anni: cosa vogliamo davvero che gli studenti imparino?
Penso che la risposta sia: tutto ciò che conta di più. Il pensiero statistico. La capacità di tradurre una domanda del mondo reale in un problema di dati. La capacità di valutare se un risultato è affidabile. La disciplina di chiedersi "aspetta, ha davvero senso?" e di crederci davvero.
C'è un importante parallelismo. I problemi in cui il giudizio statistico umano tende ad essere più importante – dati nuovi, situazioni rare, quesiti analitici realmente complessi senza modelli preesistenti – sono spesso quelli in cui gli strumenti di intelligenza artificiale sono meno affidabili. I modelli lineari basati sull'apprendimento (LLM) sono addestrati per gestire l'abbondanza, ma possono avere difficoltà con la rarità e la novità. Le dimensioni esplorative, creative e innovative dell'analisi dei dati rimangono fondamentalmente territorio umano. Questo non è un premio di consolazione. È la prova del perché il pensiero statistico debba ancora essere insegnato, e insegnato bene.
La professione sta rispondendo,lentamente ma seriamente
La comunità dell'insegnamento della statistica non ha ignorato questo aspetto. Il GAISE College Report [13], il quadro di riferimento più citato per l'insegnamento introduttivo della statistica, è attualmente in fase di revisione [14], esplicitamente guidata dall'avvento dell'IA, il che è significativo. Significa che il settore lo sta trattando come una vera e propria sfida curricolare, non solo come un problema di gestione della classe.
La bozza in anteprima merita di essere letta, non perché contenga tutte le risposte, ma perché le domande che affronta sono esattamente quelle giuste. Cosa dovrebbero essere in grado di fare gli studenti con i dati che l'intelligenza artificiale non può fare per loro? Cosa significa comprendere un risultato statistico nel 2026?
Ho seguito questa revisione con sincero interesse. Se il risultato sarà un quadro di riferimento che pone al centro il ragionamento statistico, il giudizio e la capacità interpretativa, anziché la mera copertura procedurale, fornirà ai docenti il supporto professionale necessario per riprogettare i propri corsi in modi che l'intelligenza artificiale non potrà facilmente minare.
Ciò che resta irrisolto
Voglio essere sincero riguardo alle questioni per le quali non abbiamo ancora risposte soddisfacenti. Tre domande meritano una riflessione:
Valutazione. Se l'intelligenza artificiale può completare la maggior parte dei compiti di statistica tradizionali, che aspetto ha una valutazione significativa? Un esame orale? Una valutazione basata su un portfolio? Problemi con dati reali senza preparazione preliminare? Non sono idee nuove, ma implementarle su larga scala in corsi universitari con un elevato numero di studenti è davvero difficile. Nessuno ha una risposta definitiva.
Neil Selwyn [10][11] solleva una versione più acuta di questo problema: mentre riprogettiamo la valutazione per adattarla all'IA, rischiamo di rendere l'istruzione leggibile dalle macchine , ottimizzata per ciò che l'IA può valutare piuttosto che per ciò che gli esseri umani hanno effettivamente bisogno di imparare? Questa preoccupazione merita più attenzione di quanta ne riceva attualmente.
Equità. L'accesso agli strumenti di intelligenza artificiale è disomogeneo. Gli studenti di istituti ben attrezzati con una buona infrastruttura digitale e un solido supporto da parte dei docenti avranno esperienze molto diverse da coloro che non ne beneficiano. Se la padronanza dell'IA diventerà una competenza fondamentale per i laureati, dobbiamo essere onesti su chi viene preparato e chi no.
Ecco come si presenta un buon risultato. Siamo ancora in una fase iniziale di questa transizione, quindi esistono pochissimi esempi ben documentati di integrazione dell'IA nell'insegnamento della statistica che abbiano funzionato in modo inequivocabile, in cui gli studenti abbiano imparato di più, ragionato meglio e sviluppato un giudizio analitico più solido rispetto a quanto avrebbero fatto senza l'IA. Credo che questi esempi esistano. Mi piacerebbe vederne di più documentati e condivisi.
| "I migliori analisti, ingegneri e scienziati saranno sempre un passo avanti rispetto agli strumenti che utilizzano." |
Dove si colloca JMP in questo quadro?
In questa serie di articoli ho volutamente evitato di trasformarla in una presentazione di un prodotto. JMP Student Edition è uno strumento, a mio avviso un ottimo strumento didattico, ma pur sempre uno strumento. Le argomentazioni pedagogiche presentate in questa serie si reggono o crollano in base ai loro meriti intrinseci, non perché siano state formulate da JMP.
Detto questo, credo che la filosofia progettuale alla base dell'approccio di JMP all'IA – strumenti che potenziano il ragionamento analitico anziché sostituirlo, che mantengono al centro il flusso di lavoro visivo ed esplorativo, che rendono visibile il processo di pensiero anziché nasconderlo – sia la direzione giusta. Resta da vedere se altri strumenti convergeranno su principi simili o se il mercato spingerà verso una maggiore automazione e una minore trasparenza.
Di una cosa sono certo: gli insegnanti che comprendono cosa vogliono che gli studenti imparino e che progettano i loro corsi in base a tale comprensione, sapranno gestire bene questa transizione, a prescindere dagli strumenti che utilizzeranno. La pedagogia viene prima di tutto. Gli strumenti vengono dopo.
Un finale aperto
Ho iniziato questa serie tornando ai primi anni '90, a un'epoca in cui l'intelligenza artificiale era un argomento di ricerca, non una semplice scheda del browser, e in cui il ragionamento statistico doveva essere sviluppato attraverso una vera e propria lotta con dati e metodi. Non provo nostalgia per quel periodo. Gli strumenti che abbiamo oggi sono decisamente migliori e gli studenti di oggi hanno accesso a capacità analitiche che avrebbero stupito il mio relatore di dottorato.
Ma l'avvertimento di Advait Sarkar [7] mi rimane impresso: il rischio non è che l'IA sia troppo potente, ma che smettiamo di pensare prima di aver avuto la possibilità di sviluppare il giudizio necessario per valutare ciò che l'IA produce. Ethan Mollick [9] ha ragione quando afferma che l'IA sarà un co-insegnante, un allenatore, un collaboratore. E le preoccupazioni strutturali sollevate da Selwyn [10][11] su chi beneficia dell'IA nell'istruzione sono questioni su cui ogni docente dovrebbe riflettere.
In futuro, le persone che si distingueranno non saranno quelle in grado di eseguire un'analisi, ma quelle che sapranno esaminare i risultati e dire: "Non sono convinto, ed ecco perché". Questa è l'abilità che vale la pena insegnare. Ed è esattamente l'abilità che l'insegnamento della statistica, se ben strutturato, ha sempre cercato di sviluppare.
Se avete utilizzato JMP Student Edition, LearnBot o Assistant nella vostra didattica, cosa ha funzionato? Cosa vi ha sorpreso? Su quale domanda state ancora riflettendo? Mi piacerebbe molto ricevere un vostro riscontro direttamente all'indirizzo volker.kraft@jmp.com .
| Versioni del software utilizzate in questa serie JMP Student Edition 19.1.3 • Data Analysis Director 4.0 • LearnBot 1.1.1 • JMP Assistant 2.3 |
Riferimenti
[1] Programma accademico JMP , jmp.com/academic
[2] Edizione per studenti di JMP , jmp.com/student
[3]Comunità JMP
[4] Direttore dell'analisi dei dati (JMP Marketplace) , marketplace.jmp.com
[5]LearnBot (JMP Marketplace) , marketplace.jmp.com
[6] Assistente JMP (Mercato JMP) , marketplace.jmp.com
[7] Advait Sarkar: “Come impedire all’IA di uccidere il tuo pensiero critico” , TED Talk, 2025
[8] Amy Bruckman: “Reinventare l’insegnamento dopo l’introduzione dell’IA” , TEDx Talk, 2026
[9] Ethan Mollick: Co-intelligenza: vivere e lavorare con l'IA , Portfolio/Penguin, 2024
[10] Neil Selwyn: I robot dovrebbero sostituire gli insegnanti? , Polity Press, 2019
[11] Neil Selwyn: Sui limiti dell'intelligenza artificiale nell'istruzione , 2024
[12] Russ Wolfinger: I sette modi principali in cui scienziati e ingegneri dovrebbero prepararsi all'era guidata dall'IA , white paper JMP
[13]Rapporto del GAISE College (2016)
[14]Revisione del rapporto del GAISE College (in corso, 2025)
[15] Persi nel JMP? Dimagrire per una vestibilità migliore , Kraft e Rijpkema, JMP Discovery Summit Europe 2026
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 5 di 5 • Fine della serie
Apprezzo anche la seria attenzione che si sta dedicando a come l'IA stia cambiando la formazione statistica e credo che quasi tutti concordino sul fatto che l'enfasi debba spostarsi dalle procedure e dai metodi alla definizione del problema, alla comunicazione e all'utilizzo dei risultati. Questa tendenza era già in atto ben prima dell'IA, a meno che non si vogliano considerare JMP e altri software simili come una forma di IA (cosa che io faccio). Dalla mia esperienza - e mi rendo conto che si tratta di una semplificazione eccessiva - l'abilità chiave che gli esseri umani devono conservare è la pulizia dei dati (ed è qui che JMP eccelle). La pulizia dei dati richiede conoscenza della materia, comprensione della variabilità e molte capacità di pensiero critico. L'IA può aiutare nella pulizia dei dati, ma quasi tutti i tentativi che ho visto di automatizzare questo processo si sono rivelati inadeguati. Anzi, sono fuorvianti.
Credo che gli esseri umani debbano comprendere i dati con cui lavorano e ripulirli di conseguenza. I valori anomali ne sono solo un esempio: a volte sono errori, ma spesso rivelano qualcosa di importante. Lo stesso vale per i dati mancanti. Qualsiasi tentativo di automatizzare la gestione di questi dati è destinato a fallire, perché in alcuni contesti un valore anomalo indica un errore, mentre in altri rappresenta una reale variabilità. Il contesto è ciò che conta ed è proprio con il contesto che l'IA ha più difficoltà. JMP è semplicemente un ottimo strumento per esplorare i dati e capire quali operazioni di pulizia, trasformazione, filtraggio, ecc. siano appropriate. E questo fornisce le basi per utilizzare l'IA per fare cose che l'essere umano e/o il software che utilizza non possono fare.
Ecco la parte che credo i fornitori di software (incluso JMP) non vogliano sentire. Questi pacchetti completi sono utili, ma in un certo senso superflui. Ho scoperto che, una volta preparati i dati e una volta che ho un'idea di come dovrebbe essere un'analisi appropriata, l'intelligenza artificiale è molto più capace di eseguirla rispetto a quanto io possa fare con JMP. Un esempio: dati di indagine ponderati. JMP non è in grado di eseguire inferenze corrette per ponderazioni stratificate complesse, mentre l'intelligenza artificiale sì. SAS, R o Python possono farlo. Gli studenti devono imparare questi programmi? Alcuni sì, a seconda del loro percorso professionale, ma molti (la maggior parte?) no. Non so come eseguire correttamente questo tipo di analisi, ma ho lavorato con l'intelligenza artificiale per farlo e ho imparato da essa come la ponderazione influisce sull'inferenza, a livello concettuale. Sono disposto a lasciare che l'intelligenza artificiale si occupi dell'analisi dettagliata (tediosa, per me).
Credo che questo abbia delle implicazioni finanziarie per i fornitori di software. L'intelligenza artificiale riduce i ricavi che possono aspettarsi dagli abbonamenti individuali o di gruppo. Ma potenzialmente amplia il mercato. Con l'IA disponibile quasi a tutti, saranno tentati di affidarsi esclusivamente ad essa per ottenere risposte, ma questo è un errore. Se desiderano un'analisi corretta e appropriata, dovranno interagire seriamente con i dati stessi, cosa per cui JMP è eccellente. Tuttavia, non hanno bisogno di tutti quegli strumenti sofisticati e probabilmente non saranno disposti a pagare cifre elevate per questi. Penso che apprezzeranno la capacità di JMP di eseguire modelli ad albero potenziati, ma il modello "migliore" in assoluto in questo senso proverrà più probabilmente dall'IA che da JMP.
Mi piacerebbe sapere cosa ne pensano gli altri. Sta cambiando rapidamente il mio modo di pensare e di insegnare, forse troppo rapidamente, ma non abbiamo scelta.
