Intelligenza Artificiale e STEM nella Scuola Secondaria di Primo Grado

Collana STEM & Intelligenza Artificiale a Scuola

Pubblicazione divulgativa e pedagogica

Intelligenza Artificiale e STEM nella Scuola Secondaria di Primo Grado

Pensiero computazionale avanzato, coding con l’IA generativa e cittadinanza digitale critica, in dialogo con l’AI Act

A cura di G.Ianniello – Referente per la Transizione Digitale, la Trasparenza e la Protezione dei Dati

Anno scolastico 2026/2027

1. Preadolescenti e intelligenza artificiale: una relazione già in corso

A differenza dei bambini della primaria, i ragazzi e le ragazze della scuola secondaria di primo grado sono già utenti attivi, spesso autonomi, di strumenti digitali che integrano intelligenza artificiale: motori di ricerca, applicazioni di editing fotografico, piattaforme di social media con algoritmi di raccomandazione, chatbot conversazionali usati per svago o come supporto ai compiti. Ignorare questa realtà nella progettazione didattica STEM significherebbe rinunciare a un’occasione formativa preziosa e lasciare che i ragazzi sviluppino da soli, senza mediazione critica, le proprie rappresentazioni — spesso ingenue o distorte — di come funzionano questi sistemi.

La scuola secondaria di primo grado è il momento ideale per passare da un approccio prevalentemente esperienziale e ludico, tipico della primaria, a un approccio più strutturato che introduce concetti tecnici di base (algoritmo, modello, addestramento, bias, allucinazione) insieme a una riflessione più matura su etica, affidabilità delle fonti e impatto sociale dell’IA. Questo percorso si colloca pienamente nell’ambito delle discipline STEM (Scienze, Tecnologia, Ingegneria, Matematica), ma richiede un’integrazione forte con l’educazione civica digitale, in coerenza con le Linee guida ministeriali per l’introduzione dell’Intelligenza Artificiale nelle istituzioni scolastiche e con l’articolo 4 dell’AI Act sull’alfabetizzazione in materia di intelligenza artificiale.

2. Pensiero computazionale avanzato e primi rudimenti di machine learning

2.1 Dal coding a blocchi alla programmazione testuale

Alla secondaria di primo grado è possibile, con gradualità, affiancare o sostituire la programmazione a blocchi con linguaggi testuali semplificati (ad esempio Python in ambienti didattici guidati), che permettono di realizzare piccoli progetti STEM autentici: un semplice classificatore di immagini realizzato con librerie didattiche, un sistema di raccomandazione elementare, un chatbot a regole (rule-based) che i ragazzi stessi programmano riga per riga, per poi confrontarlo con un chatbot basato su un modello linguistico e comprenderne concretamente le differenze.

2.2 Simulare l’apprendimento automatico con carta, dati e (poco) codice

Prima di affidarsi a strumenti già pronti, è didatticamente efficace far costruire ai ragazzi un modello di classificazione estremamente semplice “a mano”, ad esempio un albero decisionale disegnato su carta a partire da un piccolo dataset reale (es. caratteristiche di frutti, dati meteorologici, risultati sportivi). Questo lavoro, pienamente inquadrabile nell’ambito matematico-statistico del curricolo STEM, rende tangibile che cosa significhi “addestrare” un modello: scegliere delle variabili, definire delle soglie, verificare quanti errori il modello commette su nuovi dati (validazione), scoprire che un buon risultato sul set di addestramento non garantisce un buon risultato su dati nuovi (overfitting: esso si verifica quando un modello “impara a memoria” i dati di addestramento invece di coglierne le regolarità generali), un concetto che si presta bene anche a un collegamento con l’educazione allo studio (“imparare a memoria” contro “capire davvero”).

2.3 Un piccolo progetto di visione artificiale o riconoscimento del linguaggio

Con piattaforme didattiche pensate per la scuola secondaria (che consentono di addestrare, con pochi esempi e un’interfaccia guidata, un modello semplice per individuare categorie di immagini o di classificazione di testo), i ragazzi possono sperimentare in prima persona il ciclo completo: raccolta dei dati, addestramento, test, correzione degli errori. È fondamentale che questi progetti utilizzino esclusivamente dati non personali o comunque non riferibili in modo diretto agli studenti (es. immagini di oggetti, non volti di compagni), per evitare qualunque criticità sotto il profilo della protezione dei dati personali dei minori.

3. Coding con l’IA generativa: un uso didattico consapevole

Gli strumenti di IA generativa (chatbot conversazionali, assistenti alla scrittura di codice) sono ormai ampiamente diffusi anche fra i preadolescenti. La scuola secondaria di primo grado ha la responsabilità di trasformare un uso spontaneo e talvolta acritico di questi strumenti in un uso didatticamente guidato e criticamente consapevole.

• Usare un assistente di IA generativa per generare una prima bozza di codice e poi chiedere ai ragazzi di comprenderlo riga per riga, individuarne errori, semplificarlo: un esercizio di lettura del codice spesso più formativo della sola scrittura ex novo. Gli studenti possono accettare codice funzionante senza comprenderlo.
• Confrontare le risposte di un chatbot su uno stesso quesito scientifico o matematico con fonti autorevoli (libro di testo, sito istituzionale), individuando eventuali imprecisioni o “allucinazioni” (informazioni plausibili ma generate senza un processo di verifica dei fatti. ).
• Analizzare insieme ai ragazzi perché un sistema di IA generativa può fornire risposte diverse a domande formulate in modo leggermente diverso, introducendo il concetto di prompt e di sensibilità del modello alla formulazione della richiesta. Un prompt efficace dovrebbe essere:
  1. chiaro
  2. specifico
  3. contestualizzato
     
     
• Discutere apertamente il tema dell’uso improprio dell’IA generativa per “far fare i compiti al posto proprio”, non in termini puramente punitivi, ma come occasione di riflessione metacognitiva su cosa significhi realmente apprendere.

Un uso didattico maturo dell’IA generativa non consiste nel vietarla né nell’affidarsi ad essa acriticamente, ma nell’insegnare a dialogare con la macchina mantenendo il controllo del proprio pensiero critico.

4. Matematica, scienze e tecnologia: nodi STEM per capire l’IA in profondità

4.1 Statistica e probabilità

I concetti di media, frequenza, probabilità, correlazione (distinta da causalità) sono strumenti matematici indispensabili per comprendere, anche solo a livello introduttivo, come un sistema di IA elabori enormi quantità di dati per produrre previsioni. Un percorso di educazione statistica applicata a dataset reali e comprensibili ai ragazzi (dati ambientali, dati sportivi, dati demografici della propria città) costituisce una solida base STEM su cui costruire, in un secondo momento, la comprensione di concetti come il bias algoritmico: un modello addestrato su dati non rappresentativi produce risultati sistematicamente distorti, esattamente come una statistica calcolata su un campione non rappresentativo.

4.2 Scienze: il parallelo (e le differenze) fra apprendimento biologico e apprendimento automatico

Un percorso interdisciplinare fra scienze naturali e tecnologia può esplorare le analogie e soprattutto le profonde differenze fra il funzionamento del cervello umano e quello, più semplificato, di una rete neurale artificiale, evitando antropomorfizzazioni fuorvianti: una rete neurale artificiale non “pensa” né “comprende” nel senso in cui lo fa un essere umano, ma esegue calcoli matematici su rappresentazioni numeriche dei dati.

4.3 Tecnologia ed ingegneria: progettare, non solo usare

La progettazione di semplici sistemi automatici (ad esempio con la robotica educativa avanzata, sensori, piccoli progetti di automazione) permette ai ragazzi di passare dal ruolo di utenti a quello di progettisti, sperimentando in prima persona le scelte progettuali che stanno dietro ogni sistema automatico: quali dati raccogliere, quali regole impostare, quali errori sono accettabili e quali no. Questa prospettiva “da dentro” è particolarmente efficace per sviluppare un atteggiamento critico verso l’IA, ben lontano sia dall’entusiasmo acritico sia dal rifiuto aprioristico.

5. Educazione civica digitale e cittadinanza consapevole: l’AI Act spiegato ai ragazzi

La scuola secondaria di primo grado è il livello scolastico più adatto per introdurre, in forma semplificata ma corretta, alcuni concetti chiave della normativa europea sull’intelligenza artificiale, non come nozionismo giuridico ma come strumento di cittadinanza digitale attiva.

• Perché l’Unione Europea ha deciso di regolamentare l’IA: la tutela dei diritti fondamentali, la sicurezza, la lotta alla disinformazione.
• Il concetto di “livello di rischio”: non tutti gli usi dell’IA sono uguali; un filtro fotografico e un sistema che decide l’ammissione a una scuola comportano rischi molto diversi per le persone.
• Che cosa significa che alcuni sistemi di IA sono vietati (per esempio quelli che manipolano il comportamento delle persone in modo subdolo, o che classificano le persone in base al comportamento sociale).
• L’AI Act prevede, in specifiche circostanze, obblighi di trasparenza affinché gli utenti siano informati dell’interazione con un sistema di IA. (obbligo di trasparenza previsto dall’art. 50 dell’AI Act).
• La differenza fra dato personale e dato anonimo, e perché è importante non condividere dati propri o altrui con chatbot o applicazioni non verificate.

Questi temi si prestano a un progetto interdisciplinare che unisce tecnologia, educazione civica e italiano (attraverso, ad esempio, un dibattito strutturato o la produzione di un elaborato multimediale sul tema “IA: diritti e responsabilità”), rafforzando al contempo le competenze STEM e le competenze di cittadinanza previste dal curricolo.

6. Attenzione critica: riconoscere bias, disinformazione e manipolazione

Un obiettivo formativo centrale per questa fascia d’età è lo sviluppo di un pensiero critico capace di riconoscere quando un contenuto (testo, immagine, video) può essere stato generato o alterato dall’intelligenza artificiale, e quali rischi questo comporta in termini di disinformazione. Attività pratiche efficaci includono:

• Analisi guidata di esempi (forniti dal docente, mai reperiti autonomamente dai ragazzi su siti non verificati) di immagini generate dall’IA, per allenare l’occhio a riconoscerne gli indizi tipici.
• Discussione sul fenomeno del deepfake e sulle sue implicazioni etiche e legali, con particolare attenzione al fatto che la produzione e diffusione non consentita di contenuti manipolati che ritraggono persone reali può integrare, a seconda delle modalità di realizzazione e diffusione, violazioni della normativa civile, penale o in materia di protezione dei dati personali, oltre che una pratica lesiva della dignità altrui.
• Esercizi di fact-checking collaborativo: verificare un’affermazione generata da un chatbot confrontandola con più fonti indipendenti e autorevoli.

Questi percorsi vanno condotti con grande equilibrio, evitando sia la banalizzazione del rischio sia la costruzione di un allarmismo controproducente: l’obiettivo è la competenza critica, non la diffidenza generalizzata verso la tecnologia.

7. Attenzione particolare: valutazione degli apprendimenti e IA

Un tema che merita una menzione specifica, per la sua rilevanza sia pedagogica sia normativa, riguarda l’eventuale utilizzo di strumenti di IA per la correzione o valutazione degli elaborati degli studenti.
Sono classificati come ad alto rischio i sistemi di IA destinati a valutare i risultati dell’apprendimento, quando rientrano nelle condizioni previste dall’Allegato III dell’AI Act e sono utilizzati per adottare o supportare decisioni che incidono sul percorso educativo: ciò significa che l’eventuale adozione di strumenti automatizzati di correzione o valutazione da parte dell’istituto scolastico non può avvenire in modo estemporaneo o su iniziativa del singolo docente, ma richiede una valutazione preventiva coordinata con il Dirigente Scolastico e il DPO, come illustrato in modo approfondito nella pubblicazione tecnico-normativa dedicata di questa stessa collana. Dal punto di vista strettamente didattico, in ogni caso, qualunque supporto automatizzato alla valutazione deve restare uno strumento a supporto del giudizio professionale del docente, mai un suo sostituto.

8. Un possibile percorso didattico annuale (esempio operativo)

• Modulo 1 (Ottobre-Novembre): pensiero computazionale avanzato, introduzione alla programmazione testuale semplificata.
• Modulo 2 (Dicembre): statistica e probabilità applicata a dataset reali, primi collegamenti con il machine learning.
• Modulo 3 (Gennaio): costruzione manuale di un semplice modello di classificazione (albero decisionale su carta) e sua validazione.(Non tutti i sistemi di IA utilizzano tecniche di apprendimento automatico; tuttavia esse rappresentano oggi la tecnologia predominante nelle applicazioni di IA rivolte al grande pubblico.)
• Modulo 4 (Febbraio): laboratorio guidato di visione artificiale o classificazione testuale con piattaforma didattica.
• Modulo 5 (Marzo): coding assistito da IA generativa, lettura critica del codice prodotto, confronto chatbot a regole vs. modello linguistico.
• Modulo 6 (Aprile): educazione civica digitale, l’AI Act spiegato ai ragazzi, dibattito strutturato su diritti e responsabilità.
• Modulo 7 (Maggio): riconoscimento critico di contenuti generati dall’IA, fact-checking collaborativo, restituzione finale con presentazione ai genitori.

9. Conclusioni

La scuola secondaria di primo grado rappresenta uno snodo cruciale nella formazione di cittadini digitali consapevoli. In questa fascia d’età i ragazzi possiedono già gli strumenti cognitivi per affrontare, con la necessaria gradualità, sia gli aspetti tecnici sia gli aspetti etici e normativi dell’intelligenza artificiale. Un percorso STEM ben progettato, che intrecci matematica, scienze, tecnologia e cittadinanza digitale, permette di trasformare un rapporto spesso già esistente ma non mediato con l’IA in una competenza critica solida, in piena coerenza con gli obiettivi di alfabetizzazione all’intelligenza artificiale promossi dall’articolo 4 dell’AI Act e dalle Linee guida ministeriali per la scuola.