di Elisa La Valle con gli studenti di 3BS a.s. 2024/25 – Liceo “Curie” di Tradate (VA)

Abstract

Questo contributo documenta un’esperienza didattica di introduzione al Machine Learning e ai meccanismi di apprendimento dell’Intelligenza Artificiale, realizzata con la classe 3BS del Liceo Scientifico “Curie” di Tradate (VA), in circa 20 ore di attività nell’ambito dei Percorsi per le Competenze Trasversali e l’Orientamento  a.s. 2024/25. Il percorso è stato progettato per offrire agli studenti la possibilità di un’indagine critica sull’addestramento delle macchine e quindi sull’influenza che la selezione dei dati di addestramento ha nei confronti delle risposte fornite dalle attuali e moderne Intelligenze Artificiali.

L’esperienza è stata realizzata utilizzando Machine Learning for Kids integrato con Scratch, organizzata e tracciata dentro una Google Classroom dedicata (“Tech4Future con la 3BS”) con istruzioni e tutorial operativi, e condotta in laboratorio informatico con brevi dimostrazioni strumentali guidate dall’insegnante e lavori cooperativi in gruppi di 2–3 studenti su domini scelti dai ragazzi stessi, con attenzione al patrimonio naturalistico locale. Il percorso è inquadrato nelle metodologie Inquiry Based Learning e Project Based Learning, con particolare attenzione alla qualità e rappresentatività dei dati, ai cicli iterativi di test e miglioramento, e agli aspetti etici e di cittadinanza digitale. L’esperienza, soddisfacente in termini di sviluppo del pensiero critico e computazionale, ha evidenziato alcune specifiche limitazioni tecniche delle piattaforme utilizzate e ha richiesto l’implementazione di strategie valutative multimodali.

Motivazione pedagogica e obiettivi formativi

Il laboratorio è nato dalla consapevolezza che la comprensione dei meccanismi di addestramento dell’IA rappresenta una competenza fondamentale per la formazione del cittadino digitale contemporaneo. In un’epoca in cui le intelligenze artificiali generative influenzano sempre più aspetti della vita quotidiana e professionale, risulta essenziale che gli studenti sviluppino una consapevolezza critica sui processi che determinano il comportamento di questi sistemi.

La scelta di concentrare l’attenzione sulla relazione tra dati di input e output del modello risponde all’esigenza di rendere tangibile e comprensibile un aspetto spesso invisibile dell’IA: come la selezione, la qualità e la rappresentatività dei dataset di addestramento influenzino direttamente le prestazioni e i possibili bias dei modelli. Attraverso l’esperienza diretta di raccolta, selezione e utilizzo di immagini per l’addestramento di classificatori, gli studenti hanno potuto osservare in prima persona gli effetti delle loro scelte sui risultati finali, sviluppando una comprensione operativa dei principi alla base del machine learning.

L’approccio hands-on è stato progettato per superare la percezione dell’IA come “scatola nera” inafferrabile, trasformandola in un oggetto di indagine scientifica accessibile e modificabile, dove ogni decisione relativa ai dati ha conseguenze osservabili e misurabili.

Contesto e organizzazione

Le attività, svoltesi presso la sede di via Mons. Brioschi del Liceo “Curie” di Tradate, sono state orchestrate in una Google Classroom dedicata (Tech4Future con la 3BS), dove erano disponibili consegne, materiali, tutorial passo passo e canali di restituzione, favorendo organizzazione, trasparenza e tracciabilità dei processi e dei prodotti. I lavori e le app sono stati realizzati usando Machine Learning for Kids integrato con Scratch per combinare l’addestramento di modelli di classificazione con interfacce interattive riproducibili in laboratorio.

In ogni incontro laboratoriale, l’insegnante ha aperto con una breve illustrazione operativa degli strumenti e un esempio guidato, per poi lasciare spazio al lavoro dei gruppi. I progetti sono stati condotti in modo cooperativo in gruppi di 2 o 3 studenti, con scelta autonoma del dominio applicativo per incrementare motivazione, pertinenza e possibilità di confronto tra modelli su compiti diversi.

Cornice metodologica

Il percorso ricade nell’Inquiry Based Learning: gli studenti hanno formulato domande operative (“cosa cambia se vario le immagini?”, “come posso migliorare l’accuratezza del modello?”), raccolto dati, addestrato modelli, osservato risultati, discusso errori e disposto miglioramenti iterativi, esplicitando nessi tra qualità del dataset e comportamento del modello. È anche Project Based Learning, perché ogni gruppo ha progettato e documentato un piccolo classificatore funzionante integrato in un’interfaccia Scratch, presentandone scelte, limiti e possibili estensioni disciplinari.

L’utilizzo di ML4K ha permesso di mantenere un livello di accessibilità appropriato per studenti liceali, consentendo di concentrarsi sui concetti fondamentali del machine learning senza essere ostacolati dalla complessità tecnica degli strumenti più avanzati.

Struttura operativa del percorso

Il percorso ha richiesto circa 20 ore tra aprile e giugno 2025. Di seguito un elenco delle fasi principali.

Introduzione concettuale al machine learning (ML) e a ML4K (4h)

Presentazione teorica del ML e della piattaforma Machine Learning for Kids, dei concetti di classificazione, addestramento e confidenza, con prime esplorazioni guidate sui tipi di progetti possibili (testo, immagini, numeri, suoni).

Progettazione del classificatore (3h)

Definizione del dominio applicativo, identificazione delle categorie da distinguere, progettazione dei criteri di qualità e varietà delle immagini da raccogliere per l’addestramento.

Cicli iterativi di addestramento e test (6h)

Raccolta delle immagini, caricamento su ML4K, addestramento del modello, test delle prestazioni, analisi degli errori e raffinamento del dataset attraverso cicli brevi e strutturati.

Integrazione in Scratch (4h)

Importazione del modello addestrato nell’ambiente Scratch tramite le estensioni ML4K, sviluppo di un’interfaccia interattiva con feedback leggibili, logica di controllo e funzionalità di supporto all’uso.

Documentazione e restituzione (3h)

Caricamento in Classroom di relazioni strutturate (obiettivi, dati, difficoltà, risultati, riflessioni), materiali esemplificativi e documentazione del processo per consolidare la memoria di classe e la replicabilità.

Progetti e applicazioni realizzate

  1. Erpetologia sperimentale: il progetto salamandre

Il progetto sulle salamandre ha rappresentato un caso emblematico di evoluzione progettuale e sperimentazione metodologica. Il gruppo ha attraversato diverse fasi di ricerca e affinamento, passando per sperimentazioni iniziali su coccodrilli/alligatori, mele/sedie e fiori, prima di stabilizzarsi sul dominio finale delle salamandre. Questo percorso iterativo ha evidenziato l’importanza della flessibilità nella progettazione e della capacità di adattamento quando i domini iniziali si rivelano inadeguati. La gestione delle soglie di riconoscimento e il processo di ottimizzazione che ha portato dalla selezione iniziale di 1100 immagini a un dataset finale di 240 immagini ottimali ha rappresentato un esempio paradigmatico dell’importanza della cura nella selezione dei dati di addestramento.

  1. Imenotteri: progetti traino per la classe

I due progetti di classificazione degli imenotteri, pur dovendo affrontare le limitazioni di ML4K che hanno portato alla riduzione di classi, si sono distinti per lo sviluppo particolarmente approfondito dell’area coding in Scratch. Nonostante gli innumerevoli tentativi necessari per raggiungere un’accuratezza accettabile, i gruppi hanno investito significative energie nella creazione di  interfacce utente sofisticate e funzionalità avanzate di interazione. Questo progetto ha funzionato da traino per l’intera classe, dimostrando le potenzialità creative dell’integrazione ML4K-Scratch e ispirando altri gruppi a sviluppare interfacce più elaborate e soluzioni di programmazione innovative. Le soluzioni coding sviluppate sono diventate un riferimento condiviso, accelerando l’apprendimento collettivo delle possibilità offerte dall’ambiente Scratch integrato con il machine learning.

  1. I due progetti di classificazione degli uccelli. La distinzione tra alcuni volatili simili, presenti nel contesto del lago di Varese, ha richiesto particolare attenzione ai dettagli morfologici e alle pose caratteristiche, evidenziando come piccole differenze interspecifiche richiedano dataset molto curati. Il progetto sugli uccelli dei canneti ha beneficiato di un cambio di strategia rispetto al piano iniziale, dimostrando l’importanza della flessibilità progettuale quando la complessità si rivela eccessiva. 
  1. I due progetti su farfalle e libellule del Varesotto hanno evidenziato problemi di scalabilità: il progetto “Flytrack” sulle farfalle ha dovuto essere ridotto da 9 a 3 specie per limitazioni tecniche, mentre la classificazione delle libellule è stata semplificata come numero di classi per mantenere 50 immagini per categoria entro il limite delle 100 immagini totali gestibili sul Cloud di ML4K.
  1. La classificazione delle 6 malattie delle piante ha rappresentato un esempio di applicazione pratica dell’IA in ambito agricolo. Il progetto ha evidenziato una problematica cruciale: la significativa perdita di accuratezza nel passaggio dalle immagini web alle immagini acquisite via webcam, sollevando questioni fondamentali sulla trasferibilità dei modelli tra condizioni diverse di acquisizione.
  1. Il progetto sulla fauna terrestre locale (lepri e conigli del Varesotto) ha rappresentato un caso interessante di pivot progettuale. il gruppo ha cambiato direzione rispetto al progetto iniziale per concentrarsi su un ambito più gestibile o interessante, trovando una nuova strada che ha favorito il successo del lavoro complessivo e dell’apprendimento
  2. Il progetto sui minerali ha mostrato problematiche legate alla necessità di computer potenti per utilizzare la piattaforma ML4K con dataset consistenti, con crash che hanno costretto a progressive riduzioni del dataset. L’accuratezza limitata al 40% ha stimolato riflessioni approfondite sui limiti dei modelli di classificazione quando applicati a domini con alta variabilità intrinseca.
  1. La classificazione delle 7 categorie di foglie ha combinato finalità educative e vincoli tecnici, mentre il progetto sulle 10 categorie di nuvole meteorologiche ha evidenziato le difficoltà legate alla disponibilità di immagini appropriate sul web.
  1. Il riconoscimento morfologico di nuvole: 10 categorie di nuvole per previsioni meteorologiche, un’applicazione rilevante e utile che ha comportato adattamento ai vincoli tecnici senza compromettere la qualità dei risultati che sono arrivati a un’accuratezza del 95% in diverse condizioni di prova.

.

  1. La distinzione automatica tra correnti pittoriche ha mostrato come le limitazioni tecniche possano indurre scelte pedagogicamente produttive portando a una riflessione più approfondita sui criteri distintivi delle correnti artistiche e sulla natura interpretativa della classificazione.

Limitazioni tecniche riscontrate

Vincoli quantitativi di ML4K

La piattaforma Machine Learning for Kids presenta una limitazione significativa nell’addestramento di modelli per il riconoscimento di immagini: non è possibile utilizzare più di 100 immagini totali per l’addestramento. Questa restrizione ha costretto i gruppi a operare scelte strategiche nella selezione dei dati, privilegiando qualità e rappresentatività rispetto alla quantità, e ha stimolato riflessioni sui compromessi tra dataset ridotti e performance del modello.

Problemi di integrazione con Scratch

L’utilizzo delle estensioni di ML4K in Scratch comporta una limitazione nell’accessibilità e condivisione dei progetti: i progetti possono essere scaricati localmente ma non salvati sul cloud di Scratch, impedendo la pubblicazione diretta sulla piattaforma comunitaria. Questo vincolo ha richiesto strategie alternative per la documentazione e la condivisione degli artefatti digitali, utilizzando screen recording, export di materiali statici e archiviazione su piattaforme esterne.

Strategie valutative implementate

La valutazione degli apprendimenti è stata condotta attraverso un approccio multimodale che ha integrato diverse dimensioni.

Osservazione diretta in laboratorio

Monitoraggio sistematico del lavoro collaborativo, con focus su capacità di problem solving, utilizzo critico degli strumenti, qualità del ragionamento sui dati e dinamiche cooperative nei gruppi.

Valutazione delle applicazioni ML

Analisi delle app di machine learning prodotte secondo criteri specifici: accuratezza del modello, qualità e bilanciamento del dataset, appropriatezza dell’interfaccia utente Scratch, gestione degli errori e robustezza del sistema.

Relazioni finali strutturate

Valutazione di report riflessivi che documentavano obiettivi, metodologie, difficoltà tecniche incontrate, risultati quantitativi ottenuti e consapevolezza critica sui limiti e le implicazioni etiche del machine learning.

Apprendimenti osservati

Sul piano cognitivo, sono aumentate la comprensione di concetti come classificazione, addestramento, confidenza e accuratezza, e la capacità di collegare sistematicamente errori del modello a scelte specifiche di dataset, condizioni di acquisizione o ambiguità concettuali delle classi definite.

Sul piano metacognitivo, i cicli brevi ipotesi–prova–revisione hanno normalizzato l’errore come occasione di analisi e ristrutturazione del problema, rendendo trasparente la natura iterativa e perfezionabile dei processi di machine learning, in analogia con il metodo scientifico.

Sul piano trasversale, la cooperazione in piccoli gruppi ha sostenuto lo sviluppo di capacità di osservazione accurata, argomentazione basata su evidenze empiriche, comunicazione chiara di limiti e risultati, e gestione consapevole di processi complessi strutturati digitalmente.

Etica, proprietà intellettuale e cittadinanza digitale

La ricerca e l’uso di immagini hanno offerto un contesto autentico per lavorare su fonti, licenze Creative Commons e corretta attribuzione, nonché su temi cruciali come rappresentatività dei dati, bias algoritmici e equità nelle prestazioni, componenti essenziali della cittadinanza digitale responsabile.

La documentazione ha esplicitato i compromessi tra disponibilità di immagini online e qualità del dataset, favorendo decisioni informate e rendendo visibile l’intreccio tra pratica tecnica e responsabilità culturale. Le limitazioni quantitative imposte da ML4K hanno paradossalmente stimolato una riflessione più profonda sulla cura nella selezione dei dati e sui criteri di qualità, trasformando un vincolo tecnico in opportunità pedagogica per sviluppare pensiero critico sui dataset.

Ruolo della piattaforma e del docente

La Google Classroom ha fornito bacheca organizzata, repository di materiali, sistema di consegne strutturate, griglie valutative e archivio condiviso per prodotti e riflessioni, abilitando una gestione ordinata del flusso di lavoro e dei feedback differenziati.

La conduzione in laboratorio ha alternato strategicamente micro-dimostrazioni della docente o degli studenti stessi e lavoro autonomo dei gruppi, consentendo di calibrare il supporto tecnico e di valorizzare le scoperte emergenti nel problem solving collaborativo, con discussioni collettive orientate a criteri espliciti e validazione empirica.

Replicabilità e trasferibilità

L’assetto basato su ML4K+Scratch è tecnologicamente leggero, pedagogicamente scalabile e trasferibile a diversi ordini scolastici, perché mantiene l’attenzione sui concetti fondamentali (dati, validazione, etica) senza richiedere competenze di programmazione avanzate. La gestione tramite Classroom, con materiali tutorial e consegne strutturate, facilita l’adozione in contesti con dotazioni tecnologiche eterogenee e favorisce la creazione di un patrimonio educativo condiviso riutilizzabile da altri docenti.

Le limitazioni tecniche riscontrate suggeriscono l’importanza di pianificare strategie alternative per la condivisione e pubblicazione dei progetti, oltre alla necessità di preparare preventivamente gli studenti ai vincoli delle piattaforme gratuite utilizzate in ambito educativo.

Conclusioni

Un laboratorio di machine learning basato su ML4K integrato con Scratch ha permesso a una classe terza liceo di sviluppare comprensioni operative concrete sui rapporti tra dati e modelli, di sperimentare metodologie inquiry/project-based in ambito tecnologico, e di maturare consapevolezza critica sui risvolti etici e culturali dell’intelligenza artificiale, con organizzazione didattica e tracciabilità garantite dall’ambiente Classroom.

L’esperienza ha evidenziato come le limitazioni tecniche delle piattaforme educative possano trasformarsi in opportunità didattiche significative, stimolando riflessioni più approfondite sui processi di machine learning e sui compromessi nella progettazione di dataset rappresentativi. La necessità di sviluppare strategie valutative multimodali ha inoltre arricchito l’esperienza formativa, integrando dimensioni osservative, produttive e riflessive in un quadro coerente.

Il percorso sostiene l’idea di tecnologie digitali come patrimonio educativo della comunità scolastica, orientato a responsabilità, trasparenza e cittadinanza digitale consapevole, dimostrando come l’introduzione ragionata dell’IA nella didattica possa favorire lo sviluppo di competenze critiche e creative essenziali per la formazione di cittadini digitali consapevoli dei meccanismi che governano l’addestramento e il funzionamento delle intelligenze artificiali contemporanee.

Ringraziamenti

Si ringraziano tutte le ragazze e i ragazzi della 3BS a.s. 2024/25 che con entusiasmo si sono messi in gioco in questo progetto. Inoltre, ringraziamenti vanno anche alla Prof.ssa Francesca E. Magni che ha contribuito, con lezioni sul coding, ad alcune fasi durante la realizzazione dell’esperienza e al tecnico di laboratorio informatico Francesca De Marco che, insieme alla docente, ha assistito gli studenti durante tutti gli incontri.

Sitografia principale

  1. https://disi.unitn.it/~montreso/teacherdojo/dispense-1.pdf
  2. https://machinelearningforkids.co.uk
  3. https://www.massimopapa.com/didattica/artificial-intelligence.html
  4. https://projects.raspberrypi.org/it-IT/collections/scratch
  5. https://www.savethechildren.it/blog-notizie/l-intelligenza-artificiale-spiegata-ai-ragazzi
  6. https://scratch.mit.edu/

L’autrice

Elisa La Valle è una docente e una formatrice, ha ideato e realizzato molti progetti didattici innovativi curricolari ed extracurricolari basati su didattica di progetto, apprendimento investigativo basato sull’esperienza, apprendimento-servizio e STEAM. È inoltre autrice di LiceoForKids©, un percorso che integra compiti autentici e service-learning per la produzione di artefatti pubblici con esiti documentati e risorse aperte. Progetta e facilita esperienze didattiche con destinatari reali, promuovendo valutazione autentica, pubblicazione dei prodotti e continuità verticale tra ordini di scuola. Attualmente lavora come docente presso il Liceo Scientifico “Curie” di Tradate e collabora con diverse società che offrono servizi di formazione nell’ambito di metodologie didattiche innovative e Intelligenza Artificiale. Ha lavorato con il Politecnico di Milano nell’ambito del Master online in tecnologie e metodi innovativi per la didattica (DOL).