Fondamenti di Machine Learning

Gli studenti di terza media imparano meglio attraverso esperienze concrete che collegano la teoria all’azione. Per i fondamenti di Machine Learning, l’attività manuale e il gioco rendono tangibili processi astratti come l’addestramento dei modelli e l’analisi dei dati, favorendo una comprensione duratura e criteri di pensiero computazionale.

• 3a Scuola Media
• Cittadinanza Digitale e Innovazione Tecnologica
• 4 attività
• 25 min–45 min

Obiettivi di apprendimento

1. Confrontare il funzionamento di un programma tradizionale con quello di un modello di apprendimento automatico, identificando le differenze chiave nel processo decisionale.
2. Spiegare come la quantità e la qualità dei dati di addestramento influenzano l'accuratezza e l'affidabilità di un modello di Machine Learning.
3. Classificare esempi di applicazioni di Machine Learning in base al tipo di apprendimento utilizzato (supervisionato, non supervisionato, per rinforzo).
4. Valutare criticamente la potenziale presenza di pregiudizi nei modelli di Machine Learning, collegandola ai dati di addestramento utilizzati.

Gioco di ruolo

⏱ 30 min·Coppie

Gioco di ruolo: Addestra il Tuo Classificatore

Prepara carte con immagini di animali o oggetti divise in categorie. In coppie, uno studente 'addestra' il compagno fornendo esempi positivi e negativi, poi testa con nuovi casi. Discutete successi e fallimenti legati alla qualità degli esempi forniti.

Preparazione e dettagli

Qual è la differenza tra un programma tradizionale e un modello di apprendimento automatico?

Suggerimento per la facilitazione: Durante ‘Addestra il Tuo Classificatore’, circola tra i gruppi per osservare come gli studenti interpretano i dati di addestramento e correggili immediatamente se confondono ‘esempi’ con ‘regole fisse’.

Setup: Spazio aperto o banchi riorganizzati per la messa in scena

Materials: Schede personaggio con background e obiettivi, Documento di briefing dello scenario

• Applicare
• Analizzare
• Valutare
• Consapevolezza Sociale
• Autoconsapevolezza

Simulazione

⏱ 45 min·Piccoli gruppi

Simulazione: Dataset con Pregiudizi

Fornisci due dataset: uno bilanciato e uno distorto per prevedere voti scolastici basati su genere. I gruppi analizzano previsioni errate e correggono il dataset. Concludi con discussione su bias reali.

Preparazione e dettagli

In che modo la qualità dei dati di addestramento influenza il risultato finale?

Suggerimento per la facilitazione: Nella simulazione ‘Dataset con Pregiudizi’, chiedi agli studenti di spiegare ad alta voce come i dati distorti influenzano le previsioni del modello, per rendere esplicito il processo di apprendimento.

Setup: Spazio flessibile organizzato in postazioni per i gruppi

Materials: Schede ruolo con obiettivi e risorse, Valuta di gioco o token, Tabella di marcia dei round

• Applicare
• Analizzare
• Valutare
• Creare
• Consapevolezza Sociale
• Processo Decisionale

Insegnamento tra pari

⏱ 40 min·Piccoli gruppi

Confronto: Programma vs ML

Usa un tool online semplice come Teachable Machine. Prima, simula un programma rigido; poi addestra un modello con webcam. Confronta flessibilità e generalizzazione in classe.

Preparazione e dettagli

Può una macchina sviluppare pregiudizi simili a quelli umani?

Suggerimento per la facilitazione: Nel ‘Confronto: Programma vs ML’, assegna a ogni coppia un esempio concreto da analizzare insieme prima di condividere con la classe, per evitare risposte superficiali.

Setup: Area per le presentazioni frontale o diverse postazioni didattiche

Materials: Schede con l'assegnazione degli argomenti, Template per la pianificazione della lezione, Modulo per il feedback tra pari, Materiali per supporti visivi

• Comprendere
• Applicare
• Analizzare
• Creare
• Autogestione
• Abilità Relazionali

Insegnamento tra pari

⏱ 25 min·Individuale

Analisi Dati: Previsione Pattern

Distribuisci fogli con sequenze numeriche o grafici. Individui in gruppo 'addestrano' regole da esempi, prevedono il prossimo. Valuta come dati incompleti confondono.

Preparazione e dettagli

Qual è la differenza tra un programma tradizionale e un modello di apprendimento automatico?

Suggerimento per la facilitazione: Nell’‘Analisi Dati: Previsione Pattern’, fornisci un dataset piccolo e pulito inizialmente, poi aggiungi dati rumorosi solo dopo che gli studenti hanno compreso i pattern di base.

Setup: Area per le presentazioni frontale o diverse postazioni didattiche

Materials: Schede con l'assegnazione degli argomenti, Template per la pianificazione della lezione, Modulo per il feedback tra pari, Materiali per supporti visivi

• Comprendere
• Applicare
• Analizzare
• Creare
• Autogestione
• Abilità Relazionali

Insegnare questo argomento

Insegnare Machine Learning a questa età richiede di partire dall’esperienza diretta degli studenti. Evita definizioni astratte e punta su attività che facciano emergere domande spontanee. La chiave è collegare ogni concetto a un’azione: giocare, simulare, confrontare. Ricerche mostrano che gli studenti trattengono meglio quando riescono a ‘vedere’ il processo, ad esempio attraverso esempi visivi o manipolativi. Inoltre, integra riflessioni etiche sin dall’inizio, perché i bias nei dati sono un’occasione preziosa per discutere valori e responsabilità.

Cosa aspettarsi

Al termine delle attività, gli studenti saranno in grado di distinguere un programma tradizionale da un modello di Machine Learning, di identificare l’importanza della qualità dei dati e di discutere i bias nei sistemi algoritmici. L’obiettivo è che riconoscano le limitazioni e le potenzialità dell’IA attraverso esempi pratici e riflessioni collaborative.

Attenzione a questi errori comuni

Errore comune

Durante ‘Addestra il Tuo Classificatore’, watch for students who believe the machine is ‘guessing’ without recognizing the role of examples. Redirect with a question: ‘Quanti esempi avete usato per insegnare al classificatore a distinguere le due categorie? Cosa succederebbe se ne togliessimo la metà?’.

Cosa insegnare invece

Durante ‘Addestra il Tuo Classificatore’, chiedi agli studenti di contare e descrivere gli esempi usati per ogni categoria, sottolineando che senza esempi specifici il modello non può generalizzare. Usa una lavagna per raccogliere i dati e mostra come la rimozione di alcuni esempi altera le previsioni.

Errore comune

Durante ‘Dataset con Pregiudizi’, watch for students who assume that larger datasets always improve accuracy. Redirect by asking them to test their model on a biased subset and observe the results.

Cosa insegnare invece

Durante ‘Dataset con Pregiudizi’, fornisci un dataset distorto (ad esempio, immagini di cani solo di razze specifiche) e chiedi agli studenti di addestrare un classificatore. Poi, mostri loro come il modello fallisce su dati diversi, evidenziando che la qualità conta più della quantità.

Errore comune

Durante ‘Gioco di Classificazione con Input Distorti’, watch for students who think machines cannot inherit human biases. Redirect by having them analyze how the model’s errors mirror the biases in the training data.

Cosa insegnare invece

Durante ‘Gioco di Classificazione con Input Distorti’, mostra agli studenti una serie di esempi distorti (ad esempio, descrivi un cane come ‘grosso’ o ‘piccolo’ invece che con caratteristiche oggettive). Chiedi loro di notare come il modello riproduca questi giudizi soggettivi e discutine in gruppo.

Idee per la Valutazione

Biglietto di Uscita

Dopo ‘Confronto: Programma vs ML’, chiedi agli studenti di scrivere su un foglietto: 1) Una differenza chiave tra un programma tradizionale e un modello di ML, 2) Un esempio di come dati ‘sbagliati’ (ad esempio, solo immagini di cani di razza pura) potrebbero portare a un risultato ‘sbagliato’ in un’applicazione di riconoscimento cane.

Spunto di Discussione

Durante ‘Dataset con Pregiudizi’, presenta la situazione: ‘Un’app per riconoscere razze di cani viene addestrata solo con immagini di cani di razza pura. Cosa potrebbe succedere quando prova a riconoscere un meticcio?’. Guida la discussione chiedendo agli studenti di collegare i dati di addestramento ai possibili errori del modello.

Verifica Rapida

Dopo ‘Analisi Dati: Previsione Pattern’, mostra due brevi descrizioni: A) Una calcolatrice che esegue operazioni matematiche. B) Un sistema che suggerisce quale film guardare in base ai film visti in passato. Chiedi agli studenti di identificare quale sistema utilizza principi di Machine Learning e di spiegare perché, usando esempi tratti dall’attività.

Estensioni e supporto

• Challenge: Chiedi agli studenti di progettare un esperimento per testare se un modello di ML riesce a distinguere tra musica classica e jazz usando solo 10 esempi per genere.
• Scaffolding: Fornisci una tabella vuota da compilare durante ‘Analisi Dati’ con colonne per ‘dato’, ‘pattern’, ‘previsione’ e ‘errore’, per guidare l’osservazione strutturata.
• Deeper Exploration: Organizza una discussione su come i bias nei dati di addestramento possano influenzare decisioni reali, ad esempio in sistemi di assunzione o credito, usando articoli brevi come spunto.

Vocabolario Chiave

Apprendimento Supervisionato	Un tipo di Machine Learning in cui il modello impara da dati etichettati, ovvero coppie di input e output desiderato.
Apprendimento Non Supervisionato	Un tipo di Machine Learning in cui il modello cerca pattern e strutture in dati non etichettati, senza una guida esplicita.
Dataset di Addestramento	L'insieme di dati utilizzato per insegnare a un modello di Machine Learning a riconoscere pattern o fare previsioni.
Algoritmo	Una sequenza di istruzioni o regole che un computer segue per risolvere un problema o eseguire un compito, inclusi quelli di Machine Learning.
Bias (Pregiudizio)	Una tendenza sistematica in un modello di Machine Learning a produrre risultati distorti, spesso riflettendo pregiudizi presenti nei dati di addestramento.