Il laboratorio mira a sviluppare competenze di valutazione critica e di costruzione della conoscenza. Gli studenti lavorano su una consegna disciplinare e confrontano una risposta generata da IA con fonti autorevoli selezionate dal docente. L’attività prevede la decostruzione dell’output dell’IA (accuratezza, completezza, coerenza, presenza di bias), l’individuazione di discrepanze e la rielaborazione della risposta attraverso revisioni iterative. Centrale è la documentazione del processo: gli studenti esplicitano criteri di qualità, giustificano le scelte e costruiscono una versione migliorata del contenuto. Il laboratorio utilizza metodologie di inquiry-based learning e peer review e produce artefatti valutativi (rubriche, schede di analisi, versioni revisionate), favorendo lo sviluppo di consapevolezza epistemologica rispetto all’IA come fonte.
Destinatari
Docenti e studenti della Scuola Secondaria di I grado
Modalità di erogazione
Corso su misura con webinar sincroni o incontri in presenza, con taglio operativo e laboatoriale.
Coordinatrici scientifiche
Franca Burzigotti
DS in quiescenza, con lauree in Matematica e Fisica,ha diretto il Campus “L.da Vinci” (PG) dove ha attuato innovazioni didattiche (DEBATE, MLTV, STEAM,Service Learning,..), organizzato spazi digitali innovativi (Biblioteca diffusa, FABLAB, FUTURELAB,..) e gestito formazione digitale, fondi PON e PNSD. Esperta in innovazione e progetti PNRR.
Alessandra Rucci
PhD in Scienze dell’educazione, dirigente scolastico e tutor organizzatore dei tirocinio presso il corso di laurea in Scienze della Formazione Primaria dell’Università di Macerata. Fondatrice di Avanguardie Educative INDIRE e membro del comitato scientifico per la formazione Deascuola.
Durata - A partire da 15 ore
La proposta è personalizzabile nella durata e nei contenuti. I webinar potranno essere registrati e messi a disposizione dei partecipanti.
Contenuti
IA come fonte di informazione
- Caratteristiche degli output generati da IA
- Differenze tra fonti autorevoli e contenuti generativi
- Rischi di bias, errori e allucinazioni
Analisi e confronto
- Confronto tra risposta IA e fonti disciplinari
- Criteri di valutazione (accuratezza, coerenza, completezza)
- Individuazione di errori, omissioni e distorsioni
Revisione e miglioramento
- Strategie di revisione degli output generati
- Scrittura iterativa e miglioramento progressivo
- Documentazione del processo di interazione con l’IA
Costruzione di criteri di qualità
- Elaborazione di rubriche valutative
- Definizione di standard di qualità dell’informazione
- Riflessione metacognitiva sull’uso dell’IA come fonte