Pensiero Computazionale e IA nelle Discipline STEM
LAB-04 · Laboratorio sul campo · 12 ore — 3 incontri da 4 ore
Un laboratorio in presenza che porta in classe l'IA come strumento di indagine scientifica: docenti e studenti raccolgono dati, addestrano semplici modelli senza scrivere codice e capiscono "da dentro" come ragiona una macchina.
Perché questo laboratorio
Il pensiero computazionale è una competenza trasversale del curricolo, ma spesso resta confinato al coding. Qui lo si collega all'IA in modo concreto e no-code: dal problema scientifico al modello, scoprendo che il machine learning si può insegnare senza essere programmatori.
A chi è rivolto
Docenti di area STEM; studenti coinvolti attivamente
Struttura degli incontri
- Incontro 1 (4h) — Dal dato al modello Decomposizione di un problema scientifico in passi computazionali; dataset, feature e label con esempi tangibili. Astrazione e pattern.
- Incontro 2 (4h) — Addestrare un modello senza codice Con piattaforme di ML visuale i gruppi raccolgono dati e addestrano un classificatore, osservando l'effetto della qualità dei dati e il bias del dataset.
- Incontro 3 (4h) — Progetto STEM e valutazione critica Progettazione di un'unità interdisciplinare, definizione di obiettivi e criteri, discussione dei limiti scientifici ed etici.
Metodologie e attività
| Metodo | Esempio operativo |
|---|---|
| Inquiry-based learning | Si parte da una domanda ("possiamo prevedere se domani pioverà dai dati di ieri?") trasformata in esperimento di ML. |
| Learning by doing no-code | I gruppi addestrano un classificatore di immagini in tempo reale e vedono come cambia l'accuratezza. |
| Esperimento sul bias | Si addestra un modello con dati sbilanciati (solo foglie verdi) e si verifica come "sbaglia" sulle foglie gialle. |
| Project work interdisciplinare | Ogni docente progetta una mini-unità che collega l'IA alla propria materia, con rubrica. |
| Debriefing critico | Quando un modello è affidabile, quando no, e quali responsabilità ha chi lo usa per decidere. |
Strumenti utilizzati
- Machine learning visuale / no-code: Google Teachable Machine; in alternativa ambienti a blocchi orientati all'IA.
- Coding a blocchi opzionale: Scratch con estensioni IA.
- Gestione dati: Google Fogli / Excel per raccogliere e visualizzare i dataset.
- Visualizzazione: funzioni grafiche del foglio di calcolo o strumenti di data visualization.
Materiali forniti
- Dataset didattici pronti (immagini, suoni, tabelle).
- Schede-progetto STEM con esempi interdisciplinari.
- Glossario illustrato dei concetti chiave.
- Rubrica di valutazione del progetto di classe.
- Dispensa partecipante e slide.
- Attestato di frequenza valido per la rendicontazione PNRR.
Requisiti tecnici e organizzativi
- Aula informatica o aula con LIM/videoproiettore e connessione internet.
- 1 dispositivo (con webcam o microfono per image/audio) ogni 2 partecipanti.
- Browser aggiornato; nessuna installazione di software specialistico.
Output e risultati attesi
- Progetto STEM-IA di classe pronto per la programmazione, con materiali e rubrica.
- Modelli addestrati dagli studenti e report di valutazione.
- Attestato di frequenza; competenze allineate a CompTIA AI Essentials.
Vuoi attivare un progetto DM 219 nella tua scuola?
Componiamo insieme laboratori e moduli in un progetto-tipo conforme ai vincoli ministeriali. Primo confronto gratuito.
Parla con un esperto