La mia parte preferita dell’insegnamento alle scuole medie non era la valutazione. Era il caos della sperimentazione.
Ho cancellato il resoconto del libro. Morto all’arrivo. Invece, gli studenti hanno utilizzato organizzatori grafici, limitati a 100 parole, per risposte multimodali. I resoconti orali avevano un limite massimo di due minuti. Se ti sorprendessi a leggere durante la SSR? Punti bonus. Semplice.
Test? Porta i tuoi appunti. Le mie diapositive. Il libro di testo. Nulla.
Non mi importava se ricordavi le date. Volevo vedere se potevi sintetizzare, valutare e analizzare.
In dodici anni di insegnamento, non ho mai costretto uno studente a scrivere un tema di cinque paragrafi.
Perché?
Sono uno scrittore professionista da prima che nascessero la maggior parte di questi modelli di intelligenza artificiale. Detesto il formato. La struttura conta. Ma una struttura che esiste solo all’interno di un’aula? È una perdita di tempo.
Recentemente, alcuni scrittori di Substack sull’intelligenza artificiale nell’istruzione hanno riacceso il mio interesse per il design.
Ho eseguito un test.
Ho chiesto una cosa ai grandi LLM: Cosa ti rende facile un incarico?
Conoscevo la risposta prima di chiederla. Riconoscimento di modelli.
Diamo la colpa alla tecnologia. È pigro.
Il problema non è che l’intelligenza artificiale sia troppo potente.
Il problema è che abbiamo progettato i nostri incarichi in modo che fossero prevedibili, procedurali e noiosamente automatizzabili.
L’industria lo sa: se puoi automatizzarlo, diventa automatizzato. L’istruzione è appena arrivata in ritardo alla festa.
La formula che l’IA ama
Non ci siamo imbattuti in attività compatibili con l’intelligenza artificiale. Li abbiamo costruiti.
Gli LLM prosperano sulla struttura. Non intuizione. Non esperienza di vita. Struttura.
Ecco cosa uccide la creatività degli studenti e alimenta l’intelligenza artificiale:
1. Modelli rigidi
Il saggio di cinque paragrafi è il re. Introduzione. Tre paragrafi del corpo. Conclusione. Scambia l’argomento. La forma resta.
L’intelligenza artificiale non ha bisogno di pensare. Riempie semplicemente gli spazi vuoti.
2. Suggerimenti ovvi
“Spiegare il ciclo dell’acqua.”
“Elenco delle cause della rivoluzione”.
Queste non sono domande. Sono comandi di ricerca.
Il modello mappa lo spunto sulla risposta memorizzata. È completamento, non creazione.
3. Pensiero superficiale
Riepilogare. Definire. Lista.
Gli scienziati cognitivi chiamano questo livello “superficiale”. È dove la densità del modello è più alta. L’intelligenza artificiale domina la superficie. Cerca a malapena la profondità.
4. Rubriche della lista di controllo
Includi tre esempi.
Utilizza cinque parole del vocabolario.
Utile? SÌ.
Compatibile con gli algoritmi? Terribilmente così.
Gli LLM eseguono il reverse engineering della tua rubrica. Ottimizzano per punti, non per significato.
5. Nessun contesto
Quando un compito ignora chi sia effettivamente lo studente, diventa conoscenza decontestualizzata.
Ho fatto in modo che i bambini collegassero i libri ai programmi TV. Ai videogiochi. Alle loro vite.
L’intelligenza artificiale non ha vita. Quando l’attività è priva di contesto, l’intelligenza artificiale non ha alcuno svantaggio nei tuoi confronti.
La trappola del design arretrato
Ironia? I nostri migliori framework hanno contribuito a far sì che ciò accadesse.
La progettazione all’indietro inizia con i risultati. Quindi costruisci il test.
È coerente. È ordinato.
Ed è terribile per pensare.
Quando definisci il “successo” in modo troppo chiaro (enunciato di tesi, tre citazioni, 800 parole) stai semplicemente scrivendo un suggerimento per un’intelligenza artificiale.
Ho visto le mie nipoti farlo. La prima cosa che fanno? Copia e incolla le istruzioni e la rubrica in ChatGPT.
La conformità è garantita.
Una lista di controllo non è sufficiente. Hai bisogno di indicatori di qualità. Hai bisogno di domini di alto livello dalla tassonomia di Bloom. Non solo caselle da controllare.
Sì, i nuovi modelli imitano la sintesi. Sì, fingono la creatività.
Rende la progettazione più difficile. Rende il controllo più semplice.
Dove l’intelligenza artificiale inciampa
Non bruciare il tuo curriculum. Basta cambiare le variabili.
L’intelligenza artificiale ha difficoltà con:
Autentica ambiguità
* Contesto locale e specifico
* Processo visibile
* Giudizio umano
* Sintesi originale con vincoli *
I vincoli sono fondamentali.
Parliamo con il consiglio comunale? Difficile.
Scrivi un podcast? Strano per un LLM.
Utilizzi dati locali in conflitto? Scaltro.
Revisione basata sulla posta di odio dei colleghi? Doloroso per un bot.
Quando un’attività passa dall’esecuzione di un modello alla costruzione del significato, il bot vacilla.
Abbiamo bisogno di “attrito produttivo”.
Non il caos.
Attrito.
I colleghi di AI Friction Labs lo stanno costruendo. Sostituiscono l’IA “utile” con la resistenza. Dialogo socratico. Negoziazione delle parti interessate. Difendere la tua argomentazione in tempo reale.
Valutano il pensiero, non il PDF.
Apprendimento basato su progetti?
- Definire il disordine.
- Scopri cosa non sai.
- Testare una soluzione.
- Fallire. Iterare.
Nessun modello funziona qui. Nessuna via di fuga di cinque paragrafi.
E allora?
Stiamo ponendo la domanda sbagliata.
Non “Come smettiamo di imbrogliare?”
Ma “Perché questo incarico è stato così facile da falsificare?”
Fa male. Dovrebbe.
Se un bot lo fa in pochi secondi, stavamo misurando l’apprendimento? Oppure stavamo misurando l’obbedienza a una formula?
I compiti che interrompono l’intelligenza artificiale sono quelli che richiedono:
- Nuove idee.
- Competenze specializzate.
- Esperienza vissuta che nessun set di dati ha.
Questa non è una crisi. È un filtro.
Ci mostra dove i nostri incarichi hanno fallito.
Dobbiamo progettare esperienze che richiedano un pensiero umano situato, iterativo.
Quella roba è ancora difficile per loro.
Buona fortuna.
