Tecnologia · 3a Scuola Media

Idee di apprendimento attivo

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.

• Traguardi per lo Sviluppo delle Competenze
• MIUR: Sec. I grado - Innovazione tecnologica
• MIUR: Sec. I grado - Sistemi intelligenti

• 25–45 min
• Coppie → Intera classe
• 4 attività

Attività 01

• 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.

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’.

Cosa osservare

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 i dati 'sbagliati' potrebbero portare a un risultato 'sbagliato' in un'applicazione di ML.

• Applicare
• Analizzare
• Valutare
• Consapevolezza Sociale
• Autoconsapevolezza

Attività 02

• 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.

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.

Cosa osservare

Presenta una situazione ipotetica: '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 sui dati di addestramento e sui possibili bias.

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

Attività 03

• 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.

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.

Cosa osservare

Mostra agli studenti due brevi descrizioni di sistemi: A) Una calcolatrice che esegue operazioni matematiche. B) Un sistema che suggerisce quale film guardare in base ai film visti in passato. Chiedi loro di identificare quale sistema utilizza principi di Machine Learning e perché.

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

Attività 04

• 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.

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.

Cosa osservare

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 i dati 'sbagliati' potrebbero portare a un risultato 'sbagliato' in un'applicazione di ML.

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

Alcune note per insegnare questa unità

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.

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

• 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?’.

  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.

• 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.

  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.

• 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.

  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.

---

Metodologie usate in questo brief

• Gioco di ruolo
• Simulazione
• Insegnamento tra pari