Introduzione al modulo 4

Ciao a tutti e benvenuti al podcast! Sono Giordano e, da studente di Digital Education qui a Bologna, devo farvi una confessione: quante volte ci siamo fatti ammaliare dall'ultimo robot super colorato, con gli occhietti LED ammiccanti, pensando "ok, questo rivoluzionerà la mia classe"? È successo a tutti, ammettiamolo. Ma oggi facciamo un salto di qualità. Siamo arrivati all'ultimo modulo del nostro percorso, ed è il momento di passare dalla progettazione puramente pratica, dal "fighissimo, funziona!", allo studio scientifico rigoroso. Perché vedete, la differenza tra un semplice appassionato di tecnologia e un vero professionista dell'educazione sta tutta qui: nella capacità di muoversi dentro la letteratura scientifica. Non basta dire "i bambini si sono divertiti". Dobbiamo chiederci: qual è l'evidenza empirica? Quando leggiamo uno studio, ad esempio sul paper storico di Sullivan del 2016 sull'apprendimento del coding nella prima infanzia, dobbiamo saperne guardare i limiti. Quel campione di soli quindici bambini era davvero rappresentativo? C'era un gruppo di controllo? Sviluppare questo filtro critico è l'unico vero vaccino contro quello che io chiamo "l'entusiasmo acritico da fiera tecnologica". Se non analizziamo i dati reali, rischiamo di spendere fondi scolastici preziosi per robot che finiranno a prendere polvere in un armadio dopo due settimane, solo perché facevano tendenza su TikTok o nei blog di ed-tech. E la sfida si fa ancora più seria adesso che stiamo entrando nell'era dell'integrazione tra intelligenza artificiale e robotica educativa. Immaginate un piccolo robot sociale in grado di riconoscere l'espressione facciale di un bambino e calibrare il livello di difficoltà di un esercizio di matematica in tempo reale tramite un modello linguistico locale. Dal punto di vista tecnologico è pazzesco, quasi fantascientifico! Ma qui, proprio come professionisti, dobbiamo frenare l'entusiasmo e porci le domande scomode. Quali sono i dati biometrici che questo robot raccoglie? Dove vengono elaborati? E soprattutto, delegare la sintonizzazione emotiva a una macchina non rischia di impoverire la relazione educativa umana? Ecco cosa distingue chi applica la tecnologia in modo meccanico da chi lo fa con consapevolezza critica ed etica. La chiusura del cerchio di tutto questo viaggio è la valutazione dell'apprendimento basata su evidenze solide. Non valutiamo l'uso del robot in sé, ma lo sviluppo del pensiero computazionale, della collaborazione o della meta-cognizione attraverso il robot. Vi lascio con questa provocazione su cui riflettere: nel vostro prossimo progetto, quale sarà la metrica scientifica che userete per dimostrare che i vostri studenti hanno davvero imparato qualcosa, e non si sono soltanto divertiti? Pensateci. Alla prossima!