Portare l’intelligenza artificiale nei programmi universitari non significa semplicemente aggiungere un modulo sugli strumenti generativi o chiedere agli studenti di usare un chatbot. Richiede docenti che sappiano spiegare concetti, limiti e metodi dell’AI nel linguaggio della propria disciplina. È su questo passaggio, meno visibile rispetto alle nuove piattaforme ma decisivo per la formazione, che il MIT Schwarzman College of Computing ha avviato l’AI Educators Pilot.
L’iniziativa ha preso la forma di un workshop estivo di una settimana, ospitato al MIT nel mese di luglio, al quale hanno partecipato 19 docenti provenienti da atenei del Massachusetts, della South Carolina, del West Virginia e del Texas. L’obiettivo non era formare una nuova classe di specialisti in computer science, bensì mettere insegnanti di aree diverse nelle condizioni di trasferire contenuti e approcci sull’AI nei rispettivi corsi.
Il pilot parte da un presupposto concreto: se l’intelligenza artificiale sta entrando nel lavoro, nella ricerca e nei processi decisionali di molti settori, l’alfabetizzazione necessaria per comprenderla non può rimanere confinata ai percorsi tecnici. Perché questo avvenga, però, servono materiali didattici riutilizzabili e soprattutto persone in grado di adattarli senza perdere rigore.
Dal corso MIT alla sperimentazione nelle altre università
Il riferimento didattico del workshop è C01/C51, Modeling with Machine Learning, un corso sviluppato nell’ambito di Common Ground, il programma del MIT dedicato alla formazione in computing e AI. Il corso è costruito per offrire basi di intelligenza artificiale e machine learning collegandole alla soluzione di problemi appartenenti ai campi di studio degli studenti.
Durante la settimana di lavoro, i partecipanti hanno esaminato il modello pedagogico del corso attraverso dimostrazioni, video ed esercizi, lavorando poi sull’adattamento dei contenuti ai propri insegnamenti. Il formato è rilevante quanto i materiali: una lezione nata per un preciso contesto accademico non può essere copiata in modo meccanico in un’altra università, con studenti, obiettivi formativi e prerequisiti differenti. Il pilot ha quindi cercato di affrontare la traduzione didattica, non linguistica, di quei contenuti.
Al progetto hanno contribuito più di sei docenti MIT, con competenze che includono finanza, informatica e sostenibilità. Questa varietà chiarisce l’impostazione del programma: l’AI non viene trattata solo come materia tecnica autonoma, ma come insieme di modelli e pratiche che può essere discusso in relazione a domini applicativi diversi.
Tra le istituzioni rappresentate figurano Allen University, Babson College, Brandeis University, Marshall University, University of Massachusetts Lowell, University of North Texas e Wentworth Institute of Technology. Il gruppo non riunisce soltanto grandi università di ricerca: comprende realtà con profili e platee studentesche diverse. Per un progetto pilota, è una scelta che permette di osservare fin dall’inizio quanto un impianto pensato al MIT sia trasferibile fuori da quel campus.
La sfida è insegnare comprensione, non soltanto utilizzo
Dan Huttenlocher, dean del MIT Schwarzman College of Computing, ha indicato nell’investimento sulla preparazione degli insegnanti la strada per estendere la formazione sull’AI a un numero maggiore di studenti. Asu Ozdaglar, deputy dean of academics del College e responsabile del dipartimento di Electrical Engineering and Computer Science, ha messo l’accento su un altro elemento: formare persone capaci di ragionare criticamente sull’AI, anziché limitarsi a usarla.
La distinzione ha conseguenze pratiche. Usare un sistema di AI può voler dire produrre un testo, classificare informazioni, scrivere codice o ottenere una sintesi. Comprendere il funzionamento di modelli e dati, invece, comporta saper valutare se un risultato è attendibile, quali assunzioni siano state incorporate, quando un modello sia inadatto al problema e quali effetti possa avere una decisione automatizzata. Sono abilità che interessano gli informatici, ma anche chi studia gestione, politiche pubbliche, scienze sociali, ambiente, finanza o discipline umanistiche.
In questo senso, l’iniziativa del MIT intercetta un problema che molti atenei stanno affrontando: la velocità con cui prodotti e modelli arrivano sul mercato è maggiore di quella con cui si ridisegnano corsi, programmi e criteri di valutazione. Un docente può trovarsi a dover gestire l’uso di strumenti generativi nella propria aula prima ancora di avere un quadro condiviso su come insegnare i fondamenti del machine learning o discutere i suoi margini d’errore.
Un workshop intensivo non risolve da solo questa distanza. Può però creare una base comune e far emergere le difficoltà specifiche di chi insegna fuori dai dipartimenti informatici: il tempo limitato nei piani di studio, l’eterogeneità delle conoscenze quantitative degli studenti, la necessità di esempi pertinenti alla materia e la distinzione fra esercitazioni concettuali e addestramento professionale su strumenti proprietari.
Un modello da verificare nel passaggio all’aula
Il valore dell’AI Educators Pilot dipenderà ora da ciò che i partecipanti riusciranno effettivamente a integrare nelle loro università. La fase in presenza ha permesso di lavorare su materiali e metodi; il banco di prova sarà il loro impiego con classi reali, in corsi che potrebbero avere finalità molto differenti. Un modulo introduttivo per studenti di business, per esempio, non richiede necessariamente la stessa profondità matematica di un insegnamento rivolto a futuri data scientist, ma non per questo può rinunciare a discutere qualità dei dati, valutazione dei risultati e limiti dei modelli.
Non sono stati comunicati dal MIT dettagli su una successiva edizione del programma, né metriche sull’efficacia del pilot. È dunque presto per considerarlo un modello già validato o replicabile su larga scala. La notizia riguarda una prima sperimentazione, sostenuta da Jake e Robin Reynolds, e non l’adozione di un curriculum comune da parte delle università coinvolte.
Resta tuttavia significativo che il MIT scelga di intervenire sul moltiplicatore più importante della formazione: chi insegna. Nel dibattito sull’AI nell’istruzione superiore, l’attenzione si concentra spesso su accesso ai tool, regole anti-plagio e trasformazione degli esami. Il pilot sposta il fuoco su una questione precedente: quali conoscenze debbano avere i docenti per decidere quando, come e perché l’AI meriti spazio in un corso.
Per gli studenti, il risultato auspicato non è una familiarità superficiale con l’ultima interfaccia disponibile. È la capacità di riconoscere l’AI come tecnologia inserita in problemi concreti, con possibilità applicative ma anche vincoli metodologici e conseguenze da valutare. Se il materiale sperimentato nel workshop riuscirà a circolare nelle aule degli atenei partecipanti, il progetto potrà offrire un esempio utile di come ampliare l’educazione all’intelligenza artificiale senza ridurla a un addestramento all’uso di prodotti specifici.
