AI e comprensione del testo: metodi per una didattica efficace

In un recente breve articolo Luciano Floridi ridefinisce l’educazione come competenza linguistica. La competenza nella comprensione dei testi diviene così ancor più importante per sviluppare lo spirito critico e la produzione di nuova conoscenza: le tecniche, i metodi e le strategie per la lettura su carta o su schermo devono integrarsi oggi con specifiche tecniche, metodi e strategie per l’interazione con i chatbot.

Secondo Floridi apprendere qualsiasi materia è divenuto simile ad apprendere una lingua, cioè un sistema di simboli e regole per la costruzione di un significato. La finalità complessiva dell’educazione è quindi quella di integrare le diverse “lingue” per creare, esprimere ed elaborare informazioni.

La struttura delle discipline tra contenuti e metodo

Innanzitutto, è meglio ragionare in termini di disciplina e non di materia. La materia rappresenta un insieme statico di contenuti, concetti, principi e nozioni predefinite relative a un ambito specifico, come la matematica o la storia, trasmesse tal quali senza necessariamente esplorarne i processi di costruzione.

La disciplina va oltre, includendo non solo i contenuti ma anche gli strumenti metodologici, le procedure, i paradigmi e i criteri di validazione per produrre e comprendere quei contenuti, favorendo un approccio dinamico e interdisciplinare.

Il processo di trasposizione didattica di una disciplina prevede attività, materiali e strategie per realizzare processi attivi di scoperta, anziché mera memorizzazione, e l’integrazione di linguaggi disciplinari, epistemologia e valutazioni formative, per promuovere competenze trasversali come, ad esempio, il pensiero critico.

J.J. Schwab negli anni ’70 ha definito la struttura delle discipline scomponendola in:

• Struttura Sostanziale, rappresentata dai contenuti fondamentali della disciplina: concetti chiave, principi, leggi e idee centrali che ne definiscono l’essenza concettuale, come i teoremi in matematica o i paradigmi storici;
• Struttura Sintattica, costituita dai metodi, dalle procedure, dai criteri di validazione e dal linguaggio specifico per indagare e produrre conoscenza.

È evidente che nella società di oggi, che è stata definita società dell’informazione e società della conoscenza, e che Floridi colloca nell’Infosfera (ambiente informazionale totale in cui la vita quotidiana si svolge in un flusso continuo ed inestricabile di analogico e digitale), le competenze linguistiche hanno sempre maggiore importanza, ma esse vanno concepite nell’ambito della struttura sintattica delle discipline: ciò è fondamentale per non limitarsi ad una semplice memorizzazione di contenuti, concetti e procedure e sviluppare, invece, la capacità di produrre conoscenza.

Analisi critica e producibilità: dalla memorizzazione alla creazione di conoscenza

Floridi individua nella “Producibilità” (creazione di contenuti user generated) una delle caratteristiche odierne dell’informazione. Memorizzare è importante, ma la memoria è uno strumento per apprendere e non l’apprendimento. Apprendere non significa solo conoscere e ripetere passivamente sequenze di azioni, ma anche e soprattutto analizzare con spirito critico e contribuire attivamente alla produzione di conoscenza e all’innovazione. Negli studenti va dunque sviluppato un mix di analisi critica e creazione immaginativa nell’integrazione di una molteplicità di campi del sapere. Floridi afferma che il soggetto che apprende deve “possedere la conoscenza del fare: cioè, la capacità di creare, progettare, trasformare, curare e comunicare informazioni per colmare la tradizionale separazione tra episteme (sapere che) e techne (sapere come)”.

Ciò non consente solo l’utilizzo e la riproduzione della conoscenza esistente, ma anche la capacità di generare nuove idee e artefatti per essere contributori attivi della società della conoscenza. In questo quadro, va posta una forte attenzione a tutti i linguaggi dell’informazione e alla conseguente necessità di “leggere” e “scrivere” fluentemente con ogni medium sia per comprendere ed interpretare la realtà, sia per generare nuova conoscenza e artefatti, tenendo conto che il confine tra i ruoli di portatore di interesse, utente e progettista è molto fluido nel possesso comune di un “capitale semantico” che ognuno deve contribuire ad incrementare.

Testi, chatbot e competenza interrogativa: il dialogo con l’intelligenza artificiale

La comprensione e la scrittura di testi sono da sempre indispensabili per la veicolazione delle informazioni in tutte le discipline, ma oggi le piattaforme di intelligenza artificiale gestiscono diversi linguaggi (immagini, video, slide, musica, software, …) a partire da testi, domande (prompt) che in un uso pianificato devono essere dettagliate nella descrizione degli scopi, degli elaborati, dei destinatari, dello stile e del registro linguistico, del ruolo che si ricopre e del contesto in cui si utilizzeranno informazioni e prodotti. Inoltre, su tali piattaforme l’azione si sviluppa in forma di dialogo, quindi in forma di sequenze di domande e risposte. Il potenziamento delle competenze linguistiche, dunque, ancora più di ieri non va circoscritto agli insegnamenti di lingua e deve essere curato in ogni disciplina.

La comprensione dei testi risulta fondamentale per esplorare sia il web (oggi i browser integrano strumenti di Intelligenza Artificiale), sia i dataset delle piattaforme di AI, sia i personali pacchetti di testi e materiali caricati nelle medesime. Per comprendere un testo è necessaria una lettura attiva e riflessiva e ciò significa porsi domande o, meglio, porre domande al testo, cercando direttamente in esso le risposte. Le domande possono anche servire a costruire nuove interpretazioni, a fare connessioni con altri testi o con esperienze personali, e ad approfondire il significato del testo stesso.

Per aiutare la comprensione siamo soliti, intuitivamente, effettuare la suddivisione del testo in parti, l’annotazione e la sottolineatura dei concetti chiave, la rilettura e il riassunto dei contenuti con parole proprie, ma esistono veri e propri metodi strutturati per interrogare i testi, definendo modalità per entrare in dialogo con essi; tale operazione è alla base della fruizione dell’Intelligenza Artificiale Generativa, che si interfaccia all’utente attraverso i chatbot, simulando una conversazione umana con un interlocutore virtuale e che è anche in grado di imparare (tramite machine learning) nel corso della conversazione chi è la persona che la interroga, quali sono i suoi interessi ed i suoi scopi.

I metodi per sviluppare la comprensione del testo: dal dialogo alla cooperazione

Dialogo è una parola chiave nello sviluppo della comprensione del testo: dialogo tra il lettore ed il testo (e, virtualmente, con il suo autore), dialogo del lettore con la propria esperienza e le proprie convinzioni e dialogo nel gruppo di apprendimento per sviluppare inferenze. Nel Modello Costruzione-Integrazione di Walter Kintsch, la comprensione viene descritta come un processo dinamico e iterativo di costruzione e integrazione di significati, in cui la rappresentazione mentale del testo si genera attraverso tre livelli: la superficie testuale, il textbase (struttura semantica) e il modello situazionale (integrazione con conoscenze extratestuali).

Tale modello si integra naturalmente con il lavoro di gruppo e le attività cooperative, poiché enfatizza l’interazione dinamica tra textbase e conoscenze extratestuali condivise nel modello situazionale. Il gruppo facilita l’integrazione collaborativa di inferenze e contesti culturali. I vari metodi di comprensione del testo pertanto curano la dimensione relazionale, proponendo forme di collaborazione e cooperazione. Il Modello viene così integrato da:

• una costruzione collettiva: nel gruppo gli studenti generano proposizioni locali (textbase) attraverso discussioni, colmando “vuoti” testuali con conoscenze personali condivise, potenziando il ciclo costruzione-integrazione;
• un modello situazionale condiviso: le attività cooperative costruiscono rappresentazioni globali negoziali, dove le divergenze interpretative affinano la coerenza semantica.

Reciprocal Teaching

È un metodo metacognitivo e collaborativo per migliorare la comprensione dei testi, sviluppato da Annemarie Palincsar e Ann L. Brown negli anni ’80. Si basa su quattro strategie chiave applicate dialogicamente: predire (ipotizzare contenuti futuri), interrogare (formulare domande sul testo), chiarire (risolvere dubbi su parole o concetti) e riassumere (sintetizzare idee principali). Insegnante e studenti (in coppie o piccoli gruppi) leggono un testo a segmenti, alternandosi nei ruoli di “tutor” (guida) e “studente”. L’insegnante modella inizialmente le strategie, poi gli studenti le applicano autonomamente, favorendo l’apprendimento reciproco e il passaggio da assistenza a indipendenza.

Question the Author (QtA)

Sviluppato da Isabel L. Beck, Margaret G. McKeown e Ellen M. Sandora, questo metodo invita gli studenti a interrogare direttamente le intenzioni e le scelte dell’autore durante la lettura. Le domande tipiche includono: “Perché l’autore ha scelto questa parola?”, “Cosa voleva farci capire qui?”, “L’autore ha chiarito questo punto?”. Si applica in sessioni guidate con discussioni di gruppo, favorendo l’analisi critica del testo piuttosto che semplici risposte fattuali.

Think-Aloud (Pensiero ad alta voce)

Consiste nel verbalizzare esplicitamente i processi mentali durante la lettura: “Cosa sto pensando ora?”, “Perché questa frase è confusa?”, “Quale inferenza posso trarre?”. L’insegnante modella il processo, poi gli studenti lo replicano individualmente o in gruppo.

Question-Answer Relationship (QAR)

Elaborato da Taffy E. Raphael, classifica le domande in quattro tipi: “Right There” (risposta diretta nel testo), “Think and Search” (integrazione tra parti del testo), “Author and You” (testo + conoscenze personali), “On My Own” (solo esperienza personale). Insegna agli studenti a mappare interrogativi sul testo, migliorando l’autonomia.

Transactional Strategy Instruction (TSI)

Combina strategie multiple (previsione, question generation, chiarificazione, summarization) in un approccio transazionale, dove il significato emerge dall’interazione lettore-testo. L’insegnante facilita discussioni “transazionali” per negoziare interpretazioni: il significato finale si costruisce nell’interazione attiva, non preesiste né nel testo né nella mente del lettore.

Cooperative Integrated Reading and Composition (CIRC)

Questo metodo è direttamente centrato su un modello di apprendimento cooperativo specifico per l’insegnamento integrato di lettura e scrittura. Esso enfatizza la costruzione collaborativa della conoscenza. Gli studenti lavorano in coppie o piccoli gruppi eterogenei per leggere, discutere e produrre testi, integrandosi reciprocamente nel processo attraverso l’assunzione di ruoli con responsabilità interdipendente per obiettivi comuni: reporter, riassuntore, vocabolario-manager, domanda-generator.

Le sei strategie per una comprensione attiva dei testi

Dai vari metodi, che in parte si sovrappongono, è possibile ricavare sei strategie che favoriscono un approccio attivo e consapevole per la comprensione dei testi, esplicitando i processi attivati.

1. Predizione (Predicting) Il lettore formula ipotesi sul contenuto del testo basandosi su titolo, immagini, conoscenze pregresse o parti lette in precedenza. Questa strategia attiva la memoria a lungo termine e prepara mentalmente al testo, migliorando l’attenzione e la motivazione.
2. Visualizzazione (Visualizing) Consiste nel creare immagini mentali vivide di ciò che si legge, come un “film mentale” di scene, personaggi o concetti. Aiuta a costruire rappresentazioni sensoriali concrete, facilitando la memorizzazione e la comprensione di testi narrativi o descrittivi.
3. Chiarificazione (Clarifying) Il lettore identifica e risolve ostacoli alla comprensione, come parole sconosciute, frasi complesse o idee confuse, rileggendo, consultando dizionari o contestualizzando. Promuove la risoluzione autonoma di problemi cognitivi.
4. Interrogazione (Questioning) Generare domande prima, durante e dopo la lettura su contenuti espliciti, impliciti o inferenziali (es. “Perché l’autore dice questo?”, “Qual è il messaggio principale?”). Stimola il pensiero critico e l’interazione attiva con il testo.
5. Riassunto (Summarizing) Sintetizzare le idee principali in parole proprie, eliminando dettagli secondari e organizzando il contenuto in una struttura gerarchica, rafforza la comprensione globale e la capacità di discriminare informazioni rilevanti.
6. Autospiegazione (Self-Explanation) Spiegare a sé stessi il significato di un passaggio, collegandolo a conoscenze pregresse o integrandolo logicamente (es. “Questo significa che … perché …”), favorisce l’integrazione profonda e il monitoraggio metacognitivo.

Interrogare i testi: domande efficaci per la comprensione e il pensiero critico

Utilizzando le strategie qui individuate si possono formulare domande per una comprensione profonda dei testi, che permettano di esplorare non solo il contenuto esplicito, ma anche le implicazioni, lo stile e le interpretazioni possibili. Domande efficaci possono dunque essere dei seguenti tipi:

• Domande di comprensione: chiedono quali sono i concetti chiave, l’idea principale o i dettagli specifici nel testo.
• Domande interpretative: invitano a spiegare il significato di certi passaggi o a valutare il punto di vista dell’autore.
• Domande critiche: si concentrano sulla validità degli argomenti, sulla presenza di pregiudizi o fallacie, e sulla rilevanza attuale del testo.
• Domande di connessione: collegano il testo ad altre letture, esperienze personali o contesti sociali più ampi.

Volendo promuovere una lettura ancor più orientata allo sviluppo del pensiero critico, le domande dovranno porsi ad un livello più alto per quanto riguarda la costruzione di personali interpretazioni e valutazioni del testo, facendole impattare sulle proprie convinzioni ed esponendole nel dibattito. La tipologia delle domande può essere allora la seguente:

• Domande analitiche: chiedono di esaminare la struttura delle argomentazioni e le prove a supporto (es. “Quali prove sostengono questa affermazione?”).
• Domande valutative: mirano a valutare l’affidabilità delle fonti e la credibilità delle informazioni (es. “Questa fonte è affidabile?”).
• Domande riflessive: invitano a riflettere sui propri preconcetti e sul perché si pensa in un certo modo (es. “Quali sono le mie convinzioni di base riguardo a questo argomento?”).
• Domande esplorative: aiutano a considerare diversi punti di vista o possibili conseguenze (es. “Quali sono i possibili risultati di questa decisione?”).
• Domande che chiedono di identificare cause, motivazioni e contesti (es. “Perché sta succedendo questo?”).

Quest’ultime domande pongono il lettore in relazione profonda con il testo, in una condizione complessa di dialogo con il chatbot, che viene ancor più amplificata in lavori cooperativi nel dialogo con il docente e con il gruppo di apprendimento.

Tecniche e metodi di prompt engineering per interrogare l’intelligenza artificiale

Per interrogare efficacemente l’Intelligenza Artificiale e costruire un quadro completo di un argomento – comprendendo nozioni, contesto epistemologico, problematiche, interpretazioni e soluzioni – esistono diverse tecniche e metodi sviluppati nell’ambito del Prompt Engineering. Questi metodi mirano a ottimizzare la qualità delle risposte fornite dai Large Language Models (LLM) attraverso la formulazione strategica delle domande e delle istruzioni.

Principali tecniche di prompt engineering

Zero-Shot Prompting: questa tecnica consiste nel porre domande dirette all’AI senza fornire esempi preliminari. Il modello utilizza la sua conoscenza pregressa per rispondere immediatamente. Offrendo versatilità ed efficienza è efficace per domande semplici e ben definite.

Few-Shot Prompting: prevede l’inserimento di alcuni esempi nel prompt per guidare il modello nella comprensione del compito. Fornendo 2-3 esempi di risposte attese, l’AI può generare output più accurati e contestualmente rilevanti, riducendo ambiguità e migliorando la precisione.

Chain of Thought (CoT) Prompting: sviluppato da Jason Wei e colleghi nel 2022, questo metodo guida il modello a sviluppare una sequenza logica di ragionamenti intermedi per arrivare alla soluzione. Suddividendo problemi complessi in passaggi più piccoli, il CoT migliora la coerenza e la precisione delle risposte, risultando particolarmente efficace per compiti che richiedono ragionamenti articolati.

Zero-Shot CoT: una variante del precedente metodo consiste nell’aggiungere al prompt la frase “Pensiamo passo dopo passo”, stimolando il modello ad esplicitare il proprio ragionamento senza bisogno di esempi.

Prompt Chaining: tecnica che prevede la suddivisione di compiti complessi in una serie di prompt sequenziali, dove l’output di uno diventa l’input del successivo, permettendo un’analisi strutturata e approfondita.

Role Prompting (Assegnazione Ruolo): si definisce un contesto specifico (ad esempio: “Agisci come un esperto di marketing senior…”) per orientare il tono e la competenza della risposta.

Generated Knowledge Prompting: il modello genera informazioni contestuali o preliminari su un argomento prima di affrontare il problema principale, arricchendo la risposta finale.

Principali framework strutturati per la costruzione di prompt efficaci

Metodo G.O.L. (Guida, Obiettivo, Limiti): elaborato da Gianluigi Bonanomi, esperto italiano di intelligenza artificiale, questo metodo propone di strutturare i prompt secondo tre elementi chiave. Guida, indica il ruolo o le competenze che l’AI deve assumere; Obiettivo, definisce chiaramente cosa si vuole ottenere; Limiti, specifica vincoli come formato, lunghezza o ambito della risposta. Questo approccio garantisce istruzioni chiare e risultati mirati.

COSTAR Framework: sviluppato dalla data scientist Sheila Teo e vincitore della prima competizione GPT-4 Prompt Engineering di Singapore, questo framework struttura i prompt secondo sei componenti: Context (contesto di sfondo), Objective (obiettivo del compito), Style (stile di scrittura desiderato), Tone (tono emotivo), Audience (pubblico di riferimento), Response (formato della risposta attesa). COSTAR è ampiamente adottato per applicazioni professionali e customer service.

COSTAR-A Framework: variante del precedente metodo proposta da Nzubechukwu C. Ohalete e colleghi della Kennesaw State University, che aggiunge il componente Answer (risposta) al framework originale per migliorare la struttura dell’output, specialmente con modelli più piccoli. Migliora la chiarezza e la rilevanza delle risposte e riduce anche le “allucinazioni” (informazioni inventate).

Un esempio:

Context: Sei uno storico medievista che analizza testi primari. Objective: Identificare il tema centrale del passo. Style: Accademico, ma accessibile. Tone: Analitico e obiettivo. Audience: Studenti universitari di primo anno. Response: 3 frasi + 1 citazione testuale. Answer: Tema principale con 2 prove testuali.

RISE Framework: acronimo di Role (ruolo), Input (dati da considerare), Steps (passaggi da seguire), Expectation (risultato atteso). Questo framework offre un approccio sistematico per prompt che richiedono processi strutturati e output orientati agli obiettivi.

Strategie per interrogare i testi con l’AI: dall’uso istintivo alla competenza

Per la comprensione dei testi in ambienti di Intelligenza Artificiale, è dunque necessario integrare i metodi e le tecniche utilizzate nell’analisi dei documenti cartacei o presentati a schermo con i metodi e le tecniche specifiche per l’interlocuzione con i chatbot, definendo ulteriori strategie adatte allo specifico interlocutore, che può sembrarci umano, ma che è invece un dispositivo statistico di recupero e connessione delle informazioni che non ha alcuna comprensione e consapevolezza del significato delle medesime. Bisogna perciò:

• Definire chiaramente obiettivo e contesto: specificare cosa si vuole ottenere e fornire informazioni di sfondo aiuta l’AI a generare risposte pertinenti.
• Fornire esempi e vincoli: mostrare esempi di risposte attese e indicare limiti (lunghezza, formato, livello di dettaglio) migliora la qualità dell’output.
• Assegnare un ruolo specifico: chiedere all’AI di assumere il ruolo di esperto (es. “Agisci come uno storico della filosofia”) orienta la risposta verso competenze specifiche.
• Chiedere di citare fonti e verificare informazioni: per ridurre le “allucinazioni”, è importante richiedere esplicitamente citazioni dirette e confrontare più risposte.
• Utilizzare prompt iterativi e raffinamenti successivi: testare diverse formulazioni, analizzare le risposte e perfezionare progressivamente i prompt porta a risultati migliori.
• Richiedere ragionamenti espliciti: domande come “Spiega il ragionamento passo dopo passo” permettono di individuare errori logici e verificare la solidità delle argomentazioni.

Applicando queste strategie in modo sistematico, è possibile interrogare l’intelligenza artificiale per ottenere un’analisi completa e strutturata di argomenti complessi, esplorando nozioni fondamentali, contesti epistemologici, problematiche emergenti, diverse interpretazioni e soluzioni proposte. Questo approccio multidimensionale consente di sfruttare appieno le potenzialità dei modelli linguistici per la ricerca, l’analisi critica e la costruzione di conoscenza. Si persegue, infatti, una comprensione attiva dei testi promuovendo competenza in quanto si promuovono:

• Cognizione (decodifica, inferenze)
• Metacognizione (monitoraggio, regolazione)
• Relazioni (negoziazione di significati gruppali)
• Agentività (scelte strategiche intenzionali)

È evidente che in questo modo si può contrastare l’uso “istintivo” dei chatbot che possono fare gli studenti inesperti e cioè singole domande approssimative. Questo è un lusso che possono permettersi solo soggetti già altamente competenti nei contenuti esplorati e solo in qualche caso: l’Intelligenza Artificiale “funziona meglio per chi sa già le cose” perché il bagaglio di conoscenze e l’esperienza posseduta gli permettono di valutare subito la correttezza, la significatività e l’adeguatezza della strutturazione di alcune risposte.

Per tutti, tecniche metodi e strategie sono strumenti fondamentali di un apprendimento che consente di elaborare opinioni e di discuterne, nonché di realizzare elaborati testuali o altri artefatti con altri linguaggi. Tali scritture non saranno solo una somma di abilità linguistiche, ma anche un vero e proprio dispositivo cognitivo e culturale, capace di attivare processi riflessivi, metacognitivi ed espressivi. Una scrittura quindi con un forte valore epistemico: una scrittura per comprendere, una scrittura per argomentare, una scrittura per comunicare e, in definitiva, una scrittura per costruire conoscenza.

Processi e competenze: i verbi dell’apprendimento nella didattica dei testi

Nella precedente descrizione di tecniche, metodi e strategie per la comprensione dei testi sono elencate molte azioni che il soggetto in apprendimento deve compiere. Esse sono individuate, in maniera prevalentemente esplicita, attraverso verbi: analizzare, definire, scomporre, selezionare, sequenziare, organizzare, assemblare, ricombinare, aggregare, predire, interrogare, chiarire, riassumere, verbalizzare, mappare, interpretare, discutere, integrare, visualizzare, spiegare, collegare, riflettere, confrontare, valutare, … .

Si tratta evidentemente di processi che, nella progettazione delle attività didattiche, vanno dettagliati, scomposti in sotto-processi e processi correlati, contestualizzati nelle discipline e negli specifici contesti e situazioni oggetto di studio. Si dovrà quindi porre in essere, oltre alla valutazione dei prodotti elaborati e all’acquisizione dei concetti delle discipline, anche la valutazione della soglia di acquisizione dei processi da parte del soggetto che apprende.

Per comporre la competenza, tali processi dovranno essere raggruppati per sviluppare le quattro componenti della medesima: non ci si dovrà limitare a curare le sole componenti agentiva e cognitiva (ben evidenti nel precedente elenco), ma anche la componente relazionale e quella metacognitiva.

I processi relazionali nella comprensione cooperativa dei testi

Abbiamo ampiamente evidenziato come la comprensione dei testi si formi attraverso il dialogo virtuale con l’autore, anche attraverso i chatbot, l’interazione con i docenti e la cooperazione tra discenti: bisognerà, quindi, curare l’efficacia nelle relazioni e la capacità di interagire tra pari. La progettazione delle attività didattiche per la comprensione dei testi dovrà stabilire specifiche azioni per sviluppare l’interazione dinamica con il contenuto, i pari e il contesto culturale. I principali processi relazionali da sviluppare sono:

• Ascoltare attivamente: prestare attenzione completa alle interpretazioni altrui durante discussioni collaborative, valorizzando contributi diversi.
• Comunicare empaticamente: esprimere e comprendere prospettive personali legate al testo, colmando vuoti interpretativi con sensibilità emotiva.
• Negoziare significati: confrontare e integrare visioni individuali in una comprensione condivisa attraverso un dialogo costruttivo.
• Cooperare in gruppo: contribuire equamente in attività come il Reciprocal Teaching, supportando i compagni per obiettivi comuni.
• Contestualizzare culturalmente: collegare il testo ad esperienze condivise e riferimenti sociali per arricchire il modello situazionale.
• Rispettare opinioni divergenti: accogliere e valorizzare interpretazioni diverse sul testo senza giudizio, favorendo la pluralità delle letture.
• Porre domande aperte: stimolare contributi altrui con interrogativi inclusivi durante le discussioni testuali.
• Fornire feedback costruttivo: commentare costruttivamente riassunti o predizioni dei compagni per affinare comprensioni condivise.
• Gestire conflitti interpretativi: risolvere disaccordi su significati testuali attraverso argomentazione razionale e ascolto reciproco.
• Costruire fiducia gruppale: creare un ambiente sicuro per esprimere dubbi o inferenze personali, essenziale per la negoziazione metacognitiva.

Processi metacognitivi: imparare a imparare attraverso la riflessione sui testi

Per conseguire non solo risultati significativi, ma anche impatti persistenti, sarà fondamentale curare la componente metacognitiva. Ciò permetterà ai discenti di conseguire pienamente la quinta competenza del Quadro Europeo delle Competenze Chiave: Competenza personale, sociale e capacità di imparare a imparare. Gli studenti dovranno riflettere sui propri processi di apprendimento e regolazione durante la comprensione dei testi. Si dovranno sviluppare quindi processi quali:

• Pianificare: definire obiettivi di lettura, scegliere strategie adatte e prevedere difficoltà prima di iniziare.
• Monitorare: controllare continuamente la comprensione durante la lettura, rilevando nodi di incomprensione.
• Valutare: analizzare l’efficacia delle strategie usate post-lettura e giudicare la qualità della comprensione raggiunta.
• Regolare: modificare strategie o approccio (rileggere, riformulare) in base al monitoraggio.
• Riflettere: analizzare i processi mentali attivati, identificando punti di forza e aree di miglioramento.
• Spiegare: verbalizzare a sé stessi o ad altri il significato compreso, consolidando la rappresentazione mentale.
• Selezionare strategie: scegliere consapevolmente quali processi attivare in base al tipo di testo e scopo.
• Riconoscere errori: identificare autonomamente fallacie interpretative o bias personali nella comprensione.
• Trasferire conoscenze: applicare strategie apprese a nuovi testi o contesti diversi da quelli iniziali.
• Auto-motivarsi: gestire emozioni e motivazione durante letture difficili, mantenendo l’impegno cognitivo.

Progettare attività didattiche declinando processi di metacognizione permette di conseguire nello sviluppo del percorso di apprendimento una crescita che eleva i risultati specifici di ogni step a cambiamento culturale nei modi di gestire la comprensione dei testi a livello individuale e a livello sociale, nei diversi contesti e nella cooperazione, con la capacità di crescere, di conseguire in autonomia nuovi apprendimenti: è ciò che si definisce un impatto significativo.

Piattaforme AI e valutazione formativa: i chatbot come strumenti per imparare a imparare

I chatbot sono dispositivi che permettono di gestire ambienti di apprendimento adatti a sviluppare quel dialogo plurimo che porta al conseguimento della competenza nella comprensione dei testi. Essi si rivelano più potenti dei “tradizionali” strumenti digitali di analisi dei testi (che, in certi casi, ora dispongono comunque di funzioni migliorate attraverso l’Intelligenza Artificiale) che controllano ortografia, lessico, leggibilità e che sono in grado di creare riassunti (corrige.it, nelsenso.net, Smmry, …). Essi mettono a disposizione funzionalità più che porsi come sistemi di interlocuzione. Le piattaforme di evidenziazione e annotazione (ad esempio, Hypothesis) permettono di analizzare i testi, di esplicitare e raccogliere le domande e le risposte che hanno guidato tali analisi e di ricavarne interpretazioni anche attraverso la condivisione tra discenti e con il docente, il dialogo dei commenti al testo e la redazione di note altrettanto commentabili (“annotazione sociale”). Sono sicuramente strumenti validi e che non hanno perso efficacia, ma i chatbot sono sicuramente più versatili, hanno interfacce più immediate e, soprattutto, forniscono risposte enfatizzando la condizione di dialogo. Essi spingono alla riflessione, alla scomposizione dei testi, alla richiesta di chiarimenti, al confronto con diverse interpretazioni, alla comparazione con altri testi e, oltre che a sintesi di diverso tipo, permettono la riscrittura e l’espansione dei testi. Inoltre, possono fornire un efficace supporto per le procedure di autovalutazione e valutazione. Non solo possono aiutare a valutare elaborati testuali se gli si forniscono apposite tabelle con indicatori e descrittori della qualità, ma possono anche evidenziare, sempre sulla base di indicatori e descrittori, il livello di padronanza di alcuni processi (in particolare agentivi e cognitivi) se opportunamente istruiti a coglierlo (magari fornendo al chatbot, oltre all’elaborato, anche un report di documentazione descrittivo/narrativa delle modalità di svolgimento del compito e dei suoi risultati redatto dall’allievo come autovalutazione). Quello qui ipotizzato non è un supporto alla valutazione di tipo meccanico, destinato all’attribuzione di un voto.

Si tratta di riflessioni proposte alla discussione fra docenti ed allievi per far emergere l’acquisizione dei processi per la comprensione del testo e per aver consapevolezza dei punti di forza e di criticità su cui agire per migliorarsi nel prosieguo del percorso di apprendimento: un ausilio per la valutazione formativa, non solo una valutazione dell’apprendimento, ma anche una valutazione per l’apprendimento. Sotto questo aspetto l’Intelligenza Artificiale può essere uno strumento per potenziare la competenza nell’imparare a imparare, elevandola a competenza in grado di integrare le altre, fornendo al discente gradi crescenti di autonomia nella gestione del proprio apprendimento.

Bibliografia

Guida al Prompt Engineering, in Progetto DAIR.AI, https://www.promptingguide.ai/it

Infosfera: idee per capire il digitale. Lectio di Luciano Floridi, YouTube, 2018, https://youtu.be/vlqLxj935Nc?si=GSXRT8f-3j2j9B8M

Insegnare a comprendere il testo: il reciprocal teaching, YouTube, 2022, https://torcellan.com/rt

Il Logos e L’infosfera, IlMagazine.news, 2026, https://magazine.grandiospedali.it/2026/01/29/il-logos-e-linfosfera/

On Life, Luciano Floridi – La vita al tempo del digitale. Il filoso di Oxford e la nuova etica, 2019, https://www.youtube.com/watch?v=vVp0SHqDEwY

Prompt Engineering: comunicare al meglio con l’AI Generativa (Corso Completo) Basi e Principi, YouTube 2025, https://youtu.be/Oyp2m9bf10k?si=HuBulfg8rrQVKRJx

Prompt Techniques, Frameworks and Formulas for LLMs: A Practical Guide, fvivas, 2025, https://fvivas.com/en/prompt-techniques-frameworks-formulas-llms/

Raccomandazione del Consiglio del 22 maggio 2018 relativa alle competenze chiave per l’apprendimento permanente, Gazzetta Ufficiale dell’Unione Europea, https://eur-lex.europa.eu/legal-content/IT/TXT/PDF/?uri=CELEX:32018H0604(01)

Question-Answer Relationship (QAR), Reading Rockets, https://torcellan.com/qar

Think Aloud Pensare ad Alta Voce, Didatech Emilia e Simona, https://torcellan.com/aloud

Baldassarre M., Cuzzi A.M., Sarcina F.P., Didattica e Prompt Engineering: una nuova competenza digitale per i docenti nell’era dell’Intelligenza Artificiale Generativa, in Education Sciences & Society, 2/2024, Franco Angeli, https://journals.francoangeli.it/index.php/ess/article/view/18443/3200

Beck I.L., Margaret, McKeown M.G., Sandora C.A., Robust Comprehension Instruction with Questioning the Author: 15 Years Smarter, Guilford Pubblications, 2020

Bonanomi G., Creare prompt perfetti per ChatGPT: il metodo G.O.L., https://www.gianluigibonanomi.com/prompt-chatgpt-metodogol/

Calvani A., Chiappetta Cajola L. (a cura di), Strategie efficaci per la comprensione del testo. Il Reciprocal Teaching, S.Ap.I.E. Scientifica, 2019, https://torcellan.com/sapie

Compagno G., Fiorello E., Scolaro I., Pinnello C.G.M.P., Rafforzare la scrittura con il Cooperative Integrated Reading and Composition Model (CIRC). Sfide e strategie inclusive, in Graphos V, 1, 2024, pp. 99-114, https://www.graphos.info/index.php/graphos/article/view/91/116

Corsini C., La valutazione che educa, Franco Angeli, 2023

Floridi L., Il capitale semantico, la vera posta in gioco della rivoluzione digitale, Wired, 2025, https://torcellan.com/capitale_semantico

Floridi L., Infosfera. Etica e filosofia dell’informazione, Giappichelli, 2009

Floridi L., On the future of education in a digital society, 2025, https://torcellan.com/floridi

Floridi L., The Onlife Manifesto Being Human in a Hyperconnected Era, Springer Open, 2025, https://torcellan.com/onlife

Hypothesis Social Annotation Across Disciplines, Hypothesis.it, https://web.hypothes.is/hypothesis-social-annotation-across-disciplines/

KINTSCH W., The role of knowledge in discourse comprehension construction-integration model, in Advances in Psychology, volume 79, pages 107-153, 1991, https://torcellan.com/kintsch

Ohalete N.C., Gittner K.B., Matheny L.M., COSTAR-A: A prompting framework for enhancing Large Language Model performance on Point-of-View questions, Cornell University, 2025, https://arxiv.org/pdf/2510.12637

Palincsar A., Reciprocal teaching of comprehension-fostering and monitoring activities, in Cognition and Instruction, Lawrence Eribaum Associates, 1984, https://torcellan.com/reciprocal

Patty J., Enhancing Reading Comprehension through the Cooperative Integrated Reading and Composition (CIRC), in Research Horizon, Vol.3, n° 4/2023, pages 362-377, https://www.journal.lifescifi.com/index.php/RH/article/view/146/116

Pressley M., Beard El-Dinary P., Gaskins I., Schuder T., Bergman J.L., Almasi J., Brown R., Beyond Direct Explanation: Transactional Instruction of Reading Comprehension Strategies, in The Elementary School Journal, Vol. 92, No. 5, 1992, The University of Chicago Press, https://www.jstor.org/stable/1001737

Rigo R., Annotazioni digitali per “appropriarsi” del testo. comprendere, leggere/discutere insieme, aggregare testi, documentare il proprio pensiero, 2023 https://torcellan.com/annotazioni

Schwab J.J., La struttura delle discipline, in J.J. Schwab, L.H. Lange, G.C Wilson, M. Scriven, La struttura della conoscenza e il curricolo, Scandicci, La Nuova Italia, 1971.

Teo S., How I Won Singapore’s GPT-4 Prompt Engineering Competition. A deep dive into the strategies I learned for harnessing the power of Large Language Models (LLMs), 2023, https://torcellan.com/teo

Tessaro F., Il curricolo verticale nella scuola del primo ciclo, Libreria Universitaria, 2019, https://torcellan.com/tessaro

Trinchero R., Valutare per formare. Come formulare buoni giudizi descrittivi nella Scuola Primaria, Pearson, 2021, https://torcellan.com/trinchero

Trinchero R., Valutare apprendimenti per costruire apprendimenti, 2024, https://www.edurete.org/conv/Trinchero-Valutazione2024.pdf

Trinchero R., Forma mentre valuti, valuta mentre formi. La Valutazione Formante in presenza e a distanza, YouTube, https://youtu.be/0LFreI_pxNw?si=mzaMrc7etPsalhoR