Il capitolo analizza in chiave empirica e teorica come integrare applicativi di Intelligenza Artificiale Generativa (GenAI) negli Episodi di Apprendimento Situato (EAS), proponendo un modello di scelta fondato sul concetto di affordance‑in‑practice. Dopo aver passato in rassegna i principali criteri di classificazione (framework LORIA e tassonomia UNESCO), gli autori individuano otto dimensioni di affordance – personalizzazione, automazione della progettazione, sostegno alla creatività, inclusione, valutazione automatizzata, collaborazione, data‑analytics e rispetto di privacy/etica – che permettono ai docenti di valutare la pertinenza pedagogica di ciascuna app. In questa prospettiva, l’AI è vista come alleata della teacher agency, purché le scelte rimangano contestualizzate e consapevoli. La seconda parte presenta linee operative per l’implementazione della GenAI nel processo insegnamento‑apprendimento. Strumenti di app discovery (Futurpedia, AILocator, ecc.) facilitano la ricerca, ma la decisione finale deve tenere conto dell’utilizzatore primario (docente o studente) e della fase EAS coinvolta. Un’analisi di 105 progettazioni (119 docenti, ~1 000 studenti) mostra la distribuzione delle app in relazione alle tre fasi: nella fase preparatoria prevale l’impiego docente per lesson planning; in quella operatoria gli studenti usano chatbot, tool di mappatura e generatori multimodali per la produzione di artefatti; nella fase ristrutturativa entrambe le figure ri‑elaborano conoscenze tramite mappe, presentazioni e sistemi di valutazione autoadattiva. Questa versatilità evidenzia come un singolo applicativo possa rispondere a funzioni diverse a seconda del contesto.
Lavorare con l’IA in classe. Le app di GenAI nell’EAS
Adamoli Matteo
;Salvatore Messina
2025-01-01
Abstract
Il capitolo analizza in chiave empirica e teorica come integrare applicativi di Intelligenza Artificiale Generativa (GenAI) negli Episodi di Apprendimento Situato (EAS), proponendo un modello di scelta fondato sul concetto di affordance‑in‑practice. Dopo aver passato in rassegna i principali criteri di classificazione (framework LORIA e tassonomia UNESCO), gli autori individuano otto dimensioni di affordance – personalizzazione, automazione della progettazione, sostegno alla creatività, inclusione, valutazione automatizzata, collaborazione, data‑analytics e rispetto di privacy/etica – che permettono ai docenti di valutare la pertinenza pedagogica di ciascuna app. In questa prospettiva, l’AI è vista come alleata della teacher agency, purché le scelte rimangano contestualizzate e consapevoli. La seconda parte presenta linee operative per l’implementazione della GenAI nel processo insegnamento‑apprendimento. Strumenti di app discovery (Futurpedia, AILocator, ecc.) facilitano la ricerca, ma la decisione finale deve tenere conto dell’utilizzatore primario (docente o studente) e della fase EAS coinvolta. Un’analisi di 105 progettazioni (119 docenti, ~1 000 studenti) mostra la distribuzione delle app in relazione alle tre fasi: nella fase preparatoria prevale l’impiego docente per lesson planning; in quella operatoria gli studenti usano chatbot, tool di mappatura e generatori multimodali per la produzione di artefatti; nella fase ristrutturativa entrambe le figure ri‑elaborano conoscenze tramite mappe, presentazioni e sistemi di valutazione autoadattiva. Questa versatilità evidenzia come un singolo applicativo possa rispondere a funzioni diverse a seconda del contesto.I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
