19 minute read
Dell’analfabetismo sociale Maurizio Parodi
DELL’ANALFABETISMO SOCIALE
di Maurizio Parodi
PAROLE CHIAVE: DISEGUAGLIANZA, ESCLUSIONE, DIDATTICA, CONSAPEVOLEZZA, DEMOCRAZIA.
L’analfabetismo funzionale limita le capacità di comprensione e partecipazione dei cittadini ma la scuola non sembra avere consapevolezza delle proprie responsabilità.
Quello del progressivo impoverimento anche linguistico della popolazione italiana è un fenomeno noto, da tempo, ma la situazione si sta ulteriormente aggravando (dati OCSE-Pisa, Isfol-Piaac): nonostante abbia un tasso di alfabetizzazione che sfiora il 100% della popolazione, l’Italia vanta il triste primato di Paese con la più alta percentuale di analfabeti funzionali dell’Unione europea.
L’analfabeta funzionale è spesso invisibile giacché non sembra necessitare di aiuto, è apparentemente autonomo, sa leggere, scrivere e far di conto ma non capisce i termini di una polizza assicurativa, non comprende il senso di un articolo pubblicato su un quotidiano, non è capace di riassumere un testo scritto, non è in grado di interpretare un grafico. Il problema, gravissimo, pare interessi il 70% degli italiani che legge, guarda, ascolta, ma non capisce. Significa che tre italiani su quattro sono incapaci di ricostruire ciò che hanno ascoltato o letto o visto in tv, sul computer. Sfugge loro la complessità del testo. Colgono soltanto segni netti ma semplici, lampi di parole e di significati privi, tuttavia, di organizzazione logica, razionale. Si tratta di comunicatori, tecnica“ Tre italiani su quattro sono incapaci di ricostruire ciò che hanno ascoltato o letto o visto in tv, sul computer. Sfugge loro la complessità del testo. ”
mente analfabeti, cioè incapaci di produrre un discorso articolato e coerente, di scrivere un testo corretto, e perfino di copiare e incollare in modo sensato (anche per fare un copia-incolla, decente, è necessario, prima, capire, scegliere, comporre). Più del 50% degli italiani, ci aveva avvertito il grande linguista Tullio de Mauro (2014), si informa o non si informa, vota o non vota, lavora o non lavora, utilizzando capacità di analisi elementari alle quali sfugge la complessità.
Un analfabeta funzionale traduce il mondo parametrandolo esclusivamente alle proprie esperienze dirette (la crisi economica è soltanto la diminuzione del suo potere d’acquisto, la guerra in Ucraina è un problema solo se aumenta il prezzo del gas, il taglio delle tasse è giusto anche se corrisponde a un taglio dei servizi pubblici...) e non è capace di costruire un’analisi che tenga conto anche delle conseguenze indirette, collettive, a lungo termine, lontane nello spazio o nel tempo. Forse sarebbe opportuno domandarsi cosa fanno nelle tante ore trascorse a scuola e dedicate allo svolgimento dei (soverchianti) compiti a casa gli studenti italiani. Leggono? Pochissimo a scuola, moltissimo a casa, ma solo i testi che devono essere compresi, analizzati, memorizzati. A scuola non si legge, perché si deve ascoltare il docente che “spiega” (quando non interroga), e a casa la lettura “obbligata e formativa” trasforma il libro in uno strumento di tortura, impegnando in esercitazioni sempre più estenuanti che non lasciano spazio (e voglia) per altro genere di lettura (quella fatta per il proprio piacere). Scrivono? Moltissimo a scuola e a casa. Riversano fiumi di inchiostro e toner sulla carta e miliardi di pixel sullo schermo del pc. Però scrivono solo temi, riassunti, parafrasi, dettati..., utilità, interlocutori: si scrive per dimostrare che si è capaci di farlo o per sbagliare così da permettere al docente la correzione. nessuna traccia di scritture “autentiche” (meno che mai collettive), di testi scritti a qualcuno,
per una qualche buona ragione o per gioco, per il piacere di farlo. Parlano tra loro e con i docenti? Pochissimo. Si parla a comando, con il docente, per ripetere ciò che si è studiato a casa, memorizzando nozioni destinate a dissolversi rapidamente così come le parole che le esprimono (Solo se interrogato, è il titolo di un bellissimo libro di Domenico Starnone); e a casa, come del resto in classe, ciascuno per sé, la nostra è una scuola dell’individualismo e della competizione. Ascoltano? Moltissimo o almeno dovrebbero e ci si provano, ma solo i discorsi più o meno comprensibili, sensati ed eloquenti degli innumerevoli insegnanti che si avvicendano nella classe (fin dai primi anni di scolarità); seduti, immobili, esposti a un profluvio di parole prive di connessione con esperienze, desideri, bisogni, sogni, ma anche prive di connessione tra le diverse discipline e tra i rispettivi docenti: parole vuote, asettiche, aride. Alla povertà degli stimoli ambientali
(la famiglia, gli amici, i media) si aggiunge il maltrattamento sistematico della lingua praticato da una didattica che ignora gli insegnamenti di Montessori, Freinet, Milani, Lodi, Rodari... e non riduce anzi produce l’analfabetismo che dovrebbe debellare. Tecnicamente, l’espressione “analfabetismo funzionale” designa l’incapacità di un individuo di usare in modo efficiente le abilità di lettura, scrittura e calcolo nelle situazioni della vita quotidiana. Analfabeta funzionale, ci ha ricordato l’OCSE, è anche una persona che sa scrivere il suo nome e che magari aggiorna
il suo status su Facebook, ma che non è capace «di comprendere, valutare, usare e farsi coinvolgere con testi scritti per intervenire attivamente nella società, per raggiungere i propri obiettivi e per sviluppare le proprie conoscenze e potenzialità». In altre parole, la competenza minima per esercitare il ruolo di “cittadino”, di soggetto consapevole del proprio essere sociale, appartiene soltanto al 30% dei nostri connazionali. Il giurista Gustavo Zagrebelsky ha detto: «Il numero di parole conosciute e usate è direttamente proporzionale al grado di sviluppo della democrazia e dell’uguaglianza delle possibilità. Poche parole e poche idee, poche possibilità e poca democrazia; più sono le parole che si conoscono, più ricca è la discussione politica e, con essa, la vita democratica». Il rapporto fra ricchezza delle parole e ricchezza di possibilità (e dunque di democrazia) è dimostrato anche dalla ricerca criminologica: i ragazzi più violenti possiedono strumenti linguistici scarsi e inefficaci sul piano del lessico, della grammatica e della sintassi. Non sono capaci di gestire una conversazione, non riescono a modulare la comunicazione in rapporto agli interlocutori e al contesto. Non sanno riconoscere le proprie emozioni (ignoranza senza “appello”) perché non sanno nominarle, così il gesto, anche eccessivo, persino violento, finisce per sostituire la parola, ché difetta. La povertà della comunicazione, insomma, si traduce in povertà dell’intelligenza ma anche in penosa asfissia emozionale. «I limiti del mio linguaggio significano i limiti del mio mondo» ha scritto Ludwig Wittgenstein (1990,p.170) 1 , in tal senso l’impoverimento del linguaggio significa l’impoverimento dell’uomo. L’abbondanza, la ricchezza delle parole è dunque una condizione del dominio sul reale, e diventa, inevitabilmente, strumento del potere politico. È dunque necessario che la conoscenza e la padronanza della lingua siano esenti da discriminazioni e garantiti da una scuola per tutti e di
tutti, giacché solo l’uso sapiente della parola può rendere liberi ed eguali. Un principio ribadito nel documento “Indicazioni nazionali e nuovi scenari”, presentato dal MIUR il 22 febbraio 2018: «La padronanza sicura della lingua italiana consente di prevenire e contrastare fenomeni di marginalità culturale, di analfabetismo di ritorno e di esclusione».
1 Cfr. Wittgenstein L., Grammatica filosofica, trad. it. di Mario Trinchero, La Nuova Italia, Firenze 1990.
MAURIZIO PARODI
Dirigente scolastico, vive a Genova e si occupa di ricerca e formazione in campo socio-pedagogico, non ancora rassegnato all’impermeabilità degli apparati educativi. Ha pubblicato un centinaio di articoli sulle più importanti riviste italiane di pedagogia e didattica, e alcuni saggi, tra i quali: Basta compiti! Non è così che si impara, Sonda, 2012; Gli adulti sono bambini andati a male, Sonda, 2013; Non ho parole. Analfabetismo funzionale e analfabetismo pedagogico, Armando, 2018; «Così impari. Per una scuola senza compiti», Castelvecchi, 2018. Ha creato i gruppi Facebook: «Docenti e Dirigenti a Compiti Zero» e «Basta compiti!» (oltre 13 mila iscritti) che sostiene l’omonima petizione su change.org (più di 33 mila firme)
di Marcello Giacomantonio
PAROLE CHIAVE: TIC, INTELLIGENZA ARTIFICIALE, MACHINE LEARNING, TECNOLOGIE E SOCIETÀ, ALGORITMI PREDITTIVI
Il vero fallimento dell’IA degli albori è probabilmente dovuto all’eccessivo lavoro di codifica che le applicazioni richiedevano, oltre ad una tecnologia informatica ancora insufficiente.
Il vero balzo è stato pian piano l’apprendimento automatico (machine learning) e soprattutto quello non supervisionato dove la macchina ha la possibilità di esprimere tutta la sua potenza. Qui analizziamo alcuni paradigmi di algoritmi di auto-apprendimento spiegandone la funzione e andando poi a vederne una rassegna di applicazioni al settore dell’agricoltura. Vedremo così che la potenza dell’analisi e la qualità degli algoritmi fanno dell’IA una tecnologia predittiva di grande supporto alle capacità umane. A metà degli anni ‘80 del secolo scorso, nel laboratorio di Tecnologie dell’Apprendimento di Tecom, nelle Marche a Mondavio (PS), creammo un piccolo gruppo di competenza sull’Intelligenza Artificiale (IA), con lo scopo dichiarato di sviluppare Sistemi Esperti (SE), obiettivo applicativo del momento per l’IA. Il gruppo era costituito da un fisico (io), un matematico e un informatico. Sempre in quel periodo in quel laboratorio avevamo progettato e costruito un corso multimediale a distanza per agricoltori sulla gestione di un’azienda agricola con la consulenza della Facoltà di Agraria della locale università di Ancona. Ci venne quindi spontaneo pensare ad orientare la costruzione dei Sistemi Esperti all’agricoltura, vuoi come sistema diagnostico per la patologia delle piante, vuoi come sistema predittivo sulle capacità produttive di una azienda agricola, fissati tutti i parametri necessari. In realtà non riuscimmo ad andare molto al di là di un Sistema Esperto didattico, che assomigliava più ad una “gaming simulation” 1 che non ad un sistema inferenziale con capacità predittive. Il sistema di regole che costituiva la base di conoscenza del SE risultò essere troppo complicato e pesante da sviluppare per riuscire ad includere il know-how di esperti umani 2 , almeno per le risorse tecnologiche che potevamo mettere in campo a quella data. A distanza di oltre trent’anni sono rimasto convinto che l’agricoltura
1. Introduzione Introduzione
abbia davvero tanto bisogno di un connubio con una tecnologia potente e predittiva come l’Intelligenza Artificiale, nello scenario di crescita della popolazione mondiale. Nelle proiezioni delle Nazioni Unite la popolazione mondiale passerà dai 7,7 miliardi di fine 2019 a 9,7 miliardi nel 2050. Se consideriamo che le nuove aree agricole da coltivare saranno sempre meno, la previsione è che l’attuale potenziale produttivo dovrà crescere del 60% per reggere l’impatto demografico. Se a questo scenario aggiungiamo la necessità di abbattere pesticidi e
1 Una “simulazione giocata” con interazione tra tecnici del settore, un sistema di “carte” da gioco e un software dedicato. 2 Questa era la modalità di sviluppo dei SE, sulla base di centinaia di ore di lavoro tra un analista della conoscenza e un esperto umano.
inquinanti delle falde acquifere, la richiesta crescente di cibi sempre più salubri ed affidabili, il contenimento dei costi degli alimenti a fronte delle dilaganti fasce di povertà della popolazione, l’Intelligenza Artificiale e i cugini della robotica si presentano già da oggi come i principali alleati possibili dello sviluppo agricolo dei prossimi 30 anni. Da qualche decennio l’agricoltura ha sposato la tecnologia dei sensori e del riconoscimento di immagine, ma ciò che nessuno aveva immaginato era che il vero patrimonio in campo sarebbero diventati i miliardi di “big data”, gli ammassi di dati che tutte queste tecnologie producono e che grazie a IoT (Internet of things - l’Internet delle cose) vengono immediatamente raccolti, elaborati e messi a disposizione della produzione.
2. Machine Learning: l’apprendimento automatico come tecnologia predittiva
Quando si parla di big-data il settore dell’IA che meglio ci viene in mente è quello del Machine Learning (ML) o Apprendimento Automatico (AA). Un settore in grande sviluppo perché dà alle macchine la capacità di apprendere e risultati imparando dai propri propri stessi errori, senza essere state programmate per queste funzioni 3 . (Fig. 1) Parlando di Apprendimento automatico siamo sempre nel campo dell’IA e possiamo anche guardare ad un sotto-insieme di applicazioni che oggi si chiamano di Apprendimento profondo. Spesso in questo caso cambia anche la tecnologia hardware e abbiamo a che fare con le Reti neurali artificiali (RNA), che rappresentano una tecnologia più efficace e anche la più simile alle modalità del pensiero umano. Unico handicap al momento è che la tecnologia che simula le reti neurali naturali è fortemente energivora e richiede una notevole potenza di calcolo. In questo nostro studio ci fermiamo a studiare più in dettaglio gli algoritmi di apprendimento automatico, come rappresentati nella mappa di Fig.2. L’approccio rivoluzionario dell’apprendimento automatico (AA) nel campo informatico è che non richiede la scrittura a priori di un pro
Fig. 1 - IA Intelligenza Artificiale, AA Apprendimento Automatico, AP Apprendimento profondo
gramma, ma solo l’applicazione di algoritmi già predefiniti. Due sono le strategie principali: quella che necessita dell’intervento umano (AA supervisionato - AAS) 4 e quella che non ne ha bisogno (AA non supervisionato AAN) perché il suo obiettivo è elaborare ed estrarre una trama dallo stesso volume di dati forniti, con un risultato spesso inatteso.
3 Più avanti entreremo nel merito delle tecnologie di ML da applicare per avere i migliori risultati. 4 La procedura prevede di fornire una base di dati iniziale per un addestramento del programma, con un input di dati che non sono quelli da elaborare per dare un risultato, ma che rappresentano un modello, una trama dalla quale partire per elaborare un risultato autonomo.
Nel primo caso, per esempio, l’algoritmo del riconoscimento di immagine (AAS) 5 prevede due fasi. Nella prima fase (addestramento) l’operatore dovrà sottoporre all’algoritmo molte immagini già classificate con etichette (metadati), parole chiave che spiegano alla macchina che cosa rappresenta l’immagine. Quindi se vorremo spiegare alla macchina che cos’è un “cane” dovremo fornire alla macchina moltissime immagini (big data) di cani con parole-chiave che descrivono le caratteristiche della foto. Dopo un certo addestramento potremo sottoporre alla macchina un intero archivio di immagini (fase di prova) chiedendo di etichettare quelle che rappresentano un cane. La macchina per ogni immagine ci dirà anche qual’è il suo “fattore di certezza” (%) per dire che sia effettivamente un cane.
Vedremo così che più sono state le immagini di cani che abbiamo fornito durante l’addestramento, con una più accurata descrizione di metadati, e maggiore sarà il fattore di certezza delle immagini che verranno classificate come cani nella fase della prova. Naturalmente il processo può diventare circolare, per cui una volta validate le immagini riconosciute dalla macchina, anche queste potranno entrare a far parte dell’insieme di addestramento andando a migliorare la certezza del riconoscimento nelle fasi di prova. Se poi riusciremo a spiegare alla macchina perché una certa immagine “non” rappresenta un cane, aiuteremo la macchina ad apprendere dagli errori. Certo se la macchina sbaglia a riconoscere un cane, potrebbe non essere un problema. Ma se in un auto a guida automatica sbaglia a riconoscere un “pedone”, o se sbaglia a riconoscere un “tumore” in un sistema medico diagnostico il problema potrebbe diventare serio. Per questo è necessario che questi processi rimangano nell’ambito degli algoritmi supervisionati. Quando avremo bisogno di prevedere risultati numerici e non una semplice etichettatura, allora ricorreremo ad algoritmi statistici come la “regressione” 7 , che è ancora un algoritmo Supervisionato. Consideriamo invece un sito online (per esempio un sito di e-commerce) che raccoglie big-data dal comportamento degli utenti del sito registrando ogni click. Se per esempio Amazon, se volesse segmentare la clientela in categorie, per raccomandare ulteriori acquisti e offerte
5 Considera attentamente la mappa di Fig.2. 6 Quanto detto sul fattore di certezza è alla base sui dubbi di utilizzo di questo algoritmo in diversi contesti della vita pubblica e della sicurezza, soprattutto in mancanza di garanzie costituzionali. 7 L’analisi della regressione è una tecnica usata per analizzare una serie di dati che consistono in una variabile dipendente e una o più variabili indipendenti. Lo scopo è stimare un’eventuale relazione funzionale esistente tra la variabile dipendente e le variabili indipendenti. (Analisi della regressione - Wikipediait.wikipedia.org › wiki › Analisi_della_regressione)
speciali in base agli acquisti precedenti, potrebbe affidare alla macchina il compito di analizzare i big-data delle registrazioni dei clienti e capire come si raggruppano in base ai loro comportamenti di navigazione del sito, di osservazione dei prodotti, delle immagini, ecc.. (algoritmo AA Non supervisionato di raggruppamento). Abbiamo poi altre due tipologie di modelli di AA. L’AA di Rinforzo in cui l’algoritmo produce diversi scenari e interpella l’utente per sapere se lo scenario proposto è soddisfacente. Se non lo è, ripete il compito cercando un percorso diverso e va verso soluzioni più affinate. Molto usato nelle strategie dei giochi. L’AA Semi-Supervisionato associa ad un modello di addestramento precostituito il risultato di costruzione di un modello Non Supervisionato. In questo modo si rimedia a carenze iniziali del modello di addestramento. I personal assistent come Alexa usano questa strategia. Gli algoritmi di AA sono davvero tanti 8 . Qui ne abbiamo presentati solo alcuni a campione, con lo scopo di fornire un modello semplice per comprendere meglio qualche applicazione in campo reale, come quelle in agricoltura che descriviamo di seguito.
3. Machine Learning in agricoltura.
Uno studio recente presenta una rassegna completa dell’applicazione delle tecniche di ML all’agri-tecnologia. 9 Il passaggio dell’agricoltura all’intelligenza artificiale è avvenuto lentamente, mediato dall’utilizzo sempre più spinto delle tecnologie. Un esempio semplificato è quello della gestione del campo, delle colture, dell’acqua, dei fertilizzanti e degli antiparassitari. L’ottimizzazione di questa gestione prevede di rilevare quale sia il grado di umidità del terreno (tramite sonde collegate ad un computer), la crescita in salute delle piante (rilevamento dello stato del fogliame e dei frutti) e della necessità di fornire acqua, fertilizzanti, farmaci e antiparassitari in modo strettamente mirato. Una delle principali industrie mondiali per la produzione di macchine agricole sta utilizzando trattori con bracci meccanici dotati di obiettivi fotografici in grado di leggere lo stato del fogliame e decidere se e cosa spruzzare in maniera puntuale, se fornire qualche grado di concime alla singola pianta, dare acqua, ecc. È l’agricoltura di precisione che evita l’irrorazione di massa dei campi con anticrittogamici, la fornitura di acqua a tutti i filari, la concimazione di massa.
8 La mappa di fig. 2 ne rappresenta solo una parte, la cosa migliore e vedere la rassegna che proponiamo come “compito” in questo articolo. 9 Machine Learning in Agriculture: A Review Konstantinos G. Liakos 1, Patrizia Busato 2, Dimitrios Moshou 1,3, Simon Pearson 4 ID and Dionysis Bochtis 1 https://www.mdpi.com/1424-8220/18/8/2674?type=check_update&version=1 giugno 2018
I dati che affluiscono dal campo alla centrale permettono così non solo di gestire le singole piante in tempo reale, ma anche di prevedere quale potrà essere la resa della produzione con queste tecniche. Con queste tecniche (riconoscimento di immagine) sarà possibile indicare al trattore (che nel frattempo si è trasformato in robot) di eliminare la singole piante di erbe infestanti, senza dover agire con prodotti chimici in modo massivo, ottimizzando la produzione e risparmiando l’ambiente. Vediamo un caso. Lo studio indicato è una rassegna che prende in considerazione 40 articoli riferiti all’utilizzo di tecniche di machine learning in vari settori dell’agricoltura. 10 pubblicati su riviste scientifiche dal 2004 al 2020. Lo studio per la rassegna ha permesso di dividere gli articoli in quattro settori principali e alcuni sottosettori:
gestione delle colture; previsione delle rese, individuazione delle malattie, rilevazione delle erbe infestanti, qualità delle colture, riconoscimento delle specie; gestione del bestiame; benessere animale, produzione animale; gestione delle acque; gestione del suolo.
La previsione del rendimento della produzione è uno degli argomenti più significativi nell’agricoltura di “precisione”, collegata alla gestione delle colture per aumentare la produttività. Un primo esempio 11 riguarda un metodo efficiente, a basso costo e non distruttivo che conta automaticamente i frutti del caffè su un ramo. Il metodo utilizza un algoritmo di computer vision e riconoscimento dell’immagine che riconosce 42 sfumature di colori dei frutti del caffè (con precisione che varia dal 82% all’87%) e li divide in tre categorie: frutti coltivabili, non coltivabili e frutti con fase di maturazione trascurata. Inoltre, il metodo ha stimato il peso e la percentuale di maturazione dei frutti del caffè con lo scopo di fornire informazioni ai coltivatori di caffè per ottimizzare i benefici economici e pianificare il loro lavoro agricolo. Un altro studio 12 facilmente comprensibile è l’impiego di un sistema di visione artificiale per automatizzare lo scuotimento e la cattura delle ciliegie durante la raccolta. Il sistema segmenta e rileva i rami di ciliegio occlusi con fogliame pieno anche quando questi sono poco appariscenti. L’obiettivo principale è quello di ridurre il fabbisogno di manodopera nelle operazioni di raccolta e manipolazione manuale.
4. Conclusioni
Abbiamo fatto solo un paio di esempi di applicazioni IA in agricoltura, necessariamente limitati per ragioni di spazio, perché è un settore facilmente comprensibile a tutti ma anche strategico per il nostro Paese. Poichè la rassegna da cui abbiamo attinto presenta molti casi interessanti, invito chi volesse avere una conoscenza più approfondita degli algoritmi di AA (ma anche delle applicazioni in agricoltura) a scaricare l’articolo della rassegna 13 che presenta anche un paragrafo propedeutico di dettaglio sugli algoritmi di machine learning e le loro applicazioni all’agricoltura. Nel prossimo e ultimo articolo della serie vedremo finalmente una applicazione al campo dell’educazione e dell’eLearning.
10 Consiglio di scaricare lo studio al link indicato in nota 9, eventualmente di tradurlo anche usando un traduttore automatico come Deepl.com, e di seguirlo attentamente come fosse una esercitazione, per capire le applicazioni dei diversi algoritmi di AA ai settori agricoli. 11 Ramos, P.J.; Prieto, F.A.; Montoya, E.C.; Oliveros, C.E. Automatic fruit count on coffee branches using computer vision. Comput. Electron. Agric. 2017, 137, 9–22. [CrossRef] 12 Amatya, S.; Karkee, M.; Gongal, A.; Zhang, Q.; Whiting, M.D. Detection of cherry tree branches with full foliage in planar architecture for automated sweet-cherry harvesting. Biosyst. Eng. 2015, 146, 3–15. [CrossRef] 13 https://www.researchgate.net/publication/327029380_Machine_Learning_in_Agriculture_A_Review
MARCELLO GIACOMANTONIO
Laurea in fisica, si occupa di ricerca e sviluppo nel settore dell’ICT per la costruzione della conoscenza e in particolare e-learning e tecnologie emergenti. Professore straordinario all’Università telematica Pegaso è coordinatore del Corso di laurea specialistica in Scienze Motorie, dove sta sperimentando un laboratorio-palestra virtuale. Per lo stesso Ateneo è membro dell’ILO Industrial Liaison Office, per il trasferimento dei risultati di ricerca università-imprese e la terza missione per la valorizzazione sociale.
