Descrizione
Un gruppo di studenti interpreta un modello di IA che deve imparare una regola classificando esempi. Gli altri studenti agiscono come “dataset” e forniscono esempi etichettati (SÌ/NO). Alla fine, si verifica se il modello ha imparato correttamente.
Obiettivi didattici
- Simulare l’apprendimento supervisionato.
- Riconoscere l’importanza di esempi coerenti e bilanciati.
- Scoprire come si forma un’ipotesi generalizzata.
Materiali necessari
- Schede con esempi (immagini, frasi, oggetti)
- Spazio per annotare le regole apprese
- Etichette o simboli (✔/✘)
Procedura
- Un gruppo fa da “IA” e riceve uno alla volta esempi etichettati da un altro gruppo.
- Dopo ogni esempio, la “IA” tenta di intuire la regola.
- Dopo 6–8 esempi, formula la regola appresa e la applica a nuovi dati.
- Si verifica se la regola è corretta.
- Si discute: gli esempi erano coerenti? La regola era troppo specifica?
Esempi di risposte attese
- “Pensavamo che tutti gli oggetti blu fossero SÌ, ma poi è arrivato un oggetto blu che era NO.”
- “Con dati migliori, abbiamo imparato più in fretta.”
- “Abbiamo capito che l’algoritmo funziona solo se i dati sono chiari e coerenti.”