Esiste una versione dell’educazione universitaria in cui uno studente consegna un saggio, un algoritmo lo valuta e nessun essere umano legge mai una singola parola. Non è fantascienza. Gli strumenti per farlo accadere esistono già e alcuni di essi sono disponibili sul mercato almeno dal 1998. La domanda più urgente non è se questo scenario sia tecnicamente possibile. È se le università comprendano cosa andrebbe perso se diventasse la normalità.
Una tecnologia molto più vecchia del momento ChatGPT
La maggior parte del dibattito pubblico sull’IA nell’educazione tratta la tecnologia come qualcosa arrivato di recente, che ha interrotto un sistema stabile. La storia è più complicata. L’editore educativo Pearson riferisce che i suoi sistemi specializzati e addestrati hanno valutato 39 milioni di risposte, tra saggi, risposte brevi ed equazioni. Non è un programma pilota. È un prodotto commerciale maturo con una lunga storia, sviluppato ben prima che i modelli linguistici di grandi dimensioni diventassero nomi familiari.
Ciò che è cambiato è l’accessibilità. Per la maggior parte di quella storia, la correzione tramite IA era uno strumento specialistico costoso, fuori dalla portata di molte istituzioni. Modelli disponibili apertamente come ChatGPT e Claude hanno alterato quell’equazione. Un insegnante può ora caricare un saggio insieme a una griglia di valutazione e ricevere un voto e un feedback nel giro di pochi secondi, senza costi significativi. La barriera all’adozione è crollata drasticamente, anche se la logica sottostante della tecnologia non è cambiata molto.
Vale la pena comprendere chiaramente quella logica. Questi modelli non valutano il lavoro nello stesso modo in cui lo fa un essere umano. Prevedono quale voto sia probabile, basandosi su pattern testuali confrontati con grandi quantità di testo esistente. Se il modello è stato addestrato su materiale simile al compito da valutare, le sue previsioni tendono a essere più vicine ai giudizi umani. In caso contrario, il divario si allarga. Questa è una distinzione fondamentale: la previsione non è comprensione.
Dove punta la ricerca
Uno studio condotto da ricercatori dell’Università di Melbourne e dell’Università di Cardiff ha esaminato se le versioni successive di ChatGPT potessero replicare in modo affidabile i voti dei correttori umani su 50 saggi di bioscienze di livello universitario. I risultati sono stati istruttivi. C’è stata una certa sintonia a livello di voti complessivi del saggio, ma i ricercatori hanno concluso che non ci si può affidare a ChatGPT per assegnare e spiegare i voti in modo accurato. Le prestazioni sono state particolarmente deboli su specifici criteri di valutazione, come l’appropriatezza del contenuto e la qualità delle prove a supporto. Il modello ha anche teso, in media, a valutare i saggi con voti più alti rispetto ai correttori umani.
Questa deriva verso l’alto non è un bug nel senso convenzionale. Riflette il modo in cui funziona la tecnologia. Un sistema che prevede anziché valutare tenderà a produrre risultati che sembrano plausibili e accettabili, il che in termini di voti spesso significa generoso. Ciò ha conseguenze reali per gli standard accademici e per il significato di un voto.
Le università australiane stanno affrontando la questione con cautela, sebbene non sempre in modo trasparente. La Deakin University vieta agli insegnanti di caricare i compiti degli studenti in strumenti di IA liberamente disponibili, citando problemi di privacy legati all’archiviazione dei dati all’estero e alle normative sulla privacy australiane. L’Università di Melbourne consente agli insegnanti di utilizzare strumenti di IA approvati per supportare la loro valutazione del lavoro degli studenti, ma vieta esplicitamente di affidarsi alla sola IA per determinare voti o valutazioni. Il modello tra le istituzioni è coerente: è richiesta la supervisione umana e la responsabilità dei giudizi rimane in capo alla persona, non al sistema.
Cosa si perde quando l’essere umano fa un passo indietro
Ecco cosa la maggior parte della copertura mediatica sulla correzione tramite IA tralascia. Il dibattito tende a concentrarsi sull’accuratezza: l’algoritmo riesce a eguagliare il voto umano? Questa è la prospettiva sbagliata. La valutazione non è solo un esercizio di misurazione. È una relazione.
La ricerca sulle prospettive di studenti e insegnanti riguardo al feedback suggerisce che l’IA può creare distanza tra i due. Gli studenti che un tempo avrebbero potuto avvicinarsi a un tutor con una domanda ora si rivolgono prima all’IA. Quel cambiamento è sottile ma significativo. Il feedback di un insegnante umano porta con sé un segnale che il voto di un algoritmo non può dare: dice allo studente che il suo apprendimento importa a un’altra persona.
C’è anche un circolo vizioso che funziona nella direzione opposta, dal lavoro dello studente all’insegnante. Se una grande percentuale di studenti in una coorte fraintende lo stesso concetto, un insegnante che corregge i loro saggi se ne accorgerà. Quel pattern diventa un’opportunità per migliorare il modo in cui la materia viene insegnata. Un algoritmo che elabora gli stessi saggi assegnerà loro un voto, ma non segnalerà un problema sistemico di insegnamento.
L’Università del Nuovo Galles del Sud ha sperimentato un approccio diverso in alcune materie, rimuovendo del tutto i voti numerici e sostituendoli con valutazioni delle competenze rispetto a risultati definiti. L’università descrive questo come uno spostamento dell’attenzione verso l’apprendimento degli studenti. Il pilot non è stato progettato come risposta all’IA, ma punta verso una domanda più ampia: se l’obiettivo della valutazione è l’apprendimento anziché la classificazione, quale ruolo dovrebbe effettivamente avere qualsiasi sistema di correzione, umano o automatizzato?
In breve
La correzione tramite IA non è una novità e non è destinata a sparire. La novità è quanto sia diventato facile da usare. Le prove disponibili suggeriscono che gli attuali strumenti di IA non possono replicare in modo affidabile il giudizio umano su lavori scritti complessi, in particolare a livello di criteri specifici. Le università stanno rispondendo con politiche che mantengono gli umani responsabili dei voti finali. Il problema più profondo è che ridurre la valutazione a un problema di punteggio tralascia ciò a cui la valutazione serve realmente: comprendere se l’apprendimento è avvenuto e rafforzare la relazione tra insegnante e studente che rende possibile l’apprendimento. La tecnologia può supportare quel processo. Non può sostituirlo.
Basato su un articolo di The Conversation.
Leggi lo studio originale.