Dal learning object al learning network

 1
CAPITOLO PRIMO 
Prospettive sull’apprendimento e apprendimento per prospettive 
 
In questo capitolo della tesi è affrontato il tema dell’evoluzione del rapporto tra 
tecnologie della comunicazione e dell’informazione (ICT) e didattica, prestando 
particolare attenzione all’apprendimento basato su personal computer e tenendo 
sullo sfondo i tre principali paradigmi teorici che hanno attraversato il XX secolo fino 
ai giorni nostri: comportamentismo, cognitivismo, costruttivismo. La dimensione 
storica rimane comunque una traccia, in quanto approcci appartenenti a diversi 
paradigmi, si evolvono, convivono e si permeano, come evolvono, convivono e si 
permeano, nelle loro linee evolutive, i diversi media. Tale quadro è tracciato, da una 
parte al fine di recuperare la dimensione storico-culturale che muove le riflessioni 
pedagogico-didattiche sui learning object (LO), la learning activity (LA) e il learning 
design (LD) e il learning network (LN), dall’altra, quale punto di partenza per 
esplorare le radici teoriche di un approccio alle tecnologie informatiche che, 
concentrandosi inizialmente sulla struttura dei contenuti, sposta progressivamente la 
sua attenzione sui processi, assegnando sempre maggior valore all’ambiente di 
apprendimento e alle comunità di apprendimento. 
Il primo paragrafo si concentra sullo sviluppo dei primi dispositivi di autovalutazione e 
delle prime macchine per l’auto-istruzione (teaching machines), nell’ambito 
dell’istruzione programmata e dei materiali didattici programmati, fino all’introduzione 
della Computer Assisted Instruction (CAI). Il secondo paragrafo illustra i molteplici 
rapporti che si sviluppano tra didattica, tecnologia dell’istruzione e studi sulle 
rappresentazioni mentali (schema, script, frame) e i processi mentali (elaborazione 
dell’informazione, manipolazione di simboli, costruzione di conoscenza). Su questo 
sfondo sono introdotti l’Intelligent Computer Assisted Instruction (ICAI), i sistemi 
esperti e l’intelligenza artificiale. Il terzo paragrafo approfondisce l’approccio meta-
cognitivo alla conoscenza e all’apprendimento facendo riferimento agli studi svolti in 
ambito cognitivo e in psicologia dello sviluppo, per trattare successivamente alcuni 
modelli di metacognizione in ambito informatico e in intelligenza artificiale. Ciò è 
particolarmente importante al fine di introdurre i concetti di meta-dati e meta-modelli, 
trattati nella seconda sezione della tesi in relazione al funzionamento e uso didattico 
dei Learning Object e in una prospettiva di Learning Design. Il quarto paragrafo, a 
 2
partire dalla visione costruttivista della meta-cognizione, fa riferimento al concetto di 
mente come rizoma, alla Computer Mediated Communication (CMC) e alla 
cybercultura e illustra i principali modelli didattici sviluppati in ambito costruttivista. 
Ciò costituisce una fondamentale premessa al terzo capitolo della tesi che prende in 
esame la prospettiva del Learning Design e del Learning Network. 
 
 
1.1 Le macchine che insegnano e l’istruzione programmata 
 
Alla metà degli anni ’20 Sidney L. Pressey realizza quella che può essere 
considerata la prima applicazione di tecnologia dell’istruzione
1
. Tale dispositivo si 
muove in linea con il pensiero espresso nella decade precedente da Edward L. 
Thorndike, secondo cui se, con un miracolo di ingegnosità meccanica, un libro 
potesse essere impostato in modo tale che solo a chi ha fatto ciò che è indicato alla 
pagina uno, sia resa visibile la pagina due, e così via, gran parte di ciò che oggi 
richiede istruzione personale potrebbe essere realizzato dalla stampa (Thorndike 
1912). Si tratta di un dispositivo per l’autovalutazione che successivamente si 
sviluppa come macchina per l’auto-istruzione. Versioni successive di tali dispositivi, 
relativamente sofisticati, si evolvono in alcune macchine per l’insegnamento utilizzate 
dall’aeronautica statunitense durante la seconda guerra mondiale (Burton et al. 1996; 
2004)
2
. 
La macchina di Pressey presenta domande a risposta multipla che vengono mostrate 
una alla volta, ruotando un tamburo cilindrico sul quale le domande sono state 
precedentemente stampate per poi essere poste sotto una finestra di vetro. Gli 
studenti indicano la loro risposta premendo una delle quattro chiavi che 
corrispondono alle diverse alternative. Nella modalità esercitativa, tutte le chiavi 
eccetto quella corretta sono bloccate. Tale dispositivo permette la registrazione di 
tutte le risposte e Pressey stesso, docente all’Università statale dell’Ohio (Stati 
                                            
1
 Una prima distinzione tra educazione e istruzione, che richiederebbe una trattazione approfondita 
per cui questa non appare la sede, indica per la seconda il riferimento prevalente all’acquisizione di 
conoscenze,informazioni, nozioni e per la prima, inoltre, l’acquisizione di atteggiamenti e capacità che 
attengono alle dimensioni della personalità (Tenuta 2003). 
2
 John K. Burton, David M. Moore e Susan G. Magliaro insegnano al Virginia Polytechnic Institute. 
 3
Uniti)
3
, lo utilizza per rivedere le sue lezioni e approfondire concetti poco chiari, 
sorvolando sugli altri (Heines 2004)
4
. Queste prime macchine per l’insegnamento 
possono essere definite di auto-istruzione aggiuntiva: esse non si integrano al 
materiale d’istruzione, ma come nel caso delle domande dei test, sono presentate 
successivamente all’istruzione convenzionale, generalmente basata sul libro di testo 
(Ellison 2001)
5
. 
Negli anni ’30 Pressey contribuisce al testing meccanico con altre due invenzioni. La 
seconda e più elaborata, consiste in schede di cartone costituite da trenta righe, 
ognuna composta da cinque cerchi. Gli studenti indicano le loro risposte forando il 
cerchio corrispondente. Ogni scheda viene poi inserita in una macchina dotata di 
centocinquanta fori nella stessa configurazione di alcuni spilli caricati a molla nelle 
posizioni di risposta corrette. Il dispositivo è sensibile agli spilli che sporgono 
attraverso i fori bucati correttamente, stampa i numeri delle risposte corrette in un 
foglio di risposta e tiene traccia del numero di risposte corrette per ogni item. Il 
tabulato dei risultati può essere letto direttamente sul retro della macchina, che così 
fornisce un’analisi istantanea, che viene utilizzata come guida per la discussione in 
classe (Heines 2004).  
James Little alla metà degli anni ’30, è uno dei primi a condurre uno studio 
investigativo sugli effetti di questi primi dispositivi di verifica, che lo porta a 
concludere che i punteggi ottenuti attraverso test meccanici e i dispositivi per le 
esercitazioni sono utili nelle classi in quanto veloci e capaci di fornire immediato 
rinforzo (Little 1934). Altri studi sull’efficacia dei dispositivi di Pressey sono condotti 
negli anni ’40 riportando risultati positivi. Ulteriori esperimenti sono condotti negli anni 
successivi alla seconda guerra mondiale e confermano la validità di tali macchine per 
il conseguimento di un apprendimento più efficiente tramite la correzione immediata 
degli errori (Smith e Smith 1966). Negli anni ‘50 Pressey arriva a formulare un 
metodo unico per la verifica, l’assegnazione di un punteggio, l’informazione agli 
studenti sugli errori e il raggiungimento della soluzione in un solo passo: il 
telescoping. Nella decade successiva l’autore stesso comunque, sottolinea come tali 
                                            
3
 Uno dei principali riferimenti nella trattazione degli argomenti del primo capitolo della tesi è il testo 
collettaneo curato da David H. Jonassen, Handbook of research for educational communications and 
technology. 
4
 Jesse M. Heines è professore associato alla University of Massachussets Lowell. Oltre alla laurea e 
al master in Scienze, ha conseguito il dottorato in Didattica. 
5
 John Ellison è professore associato alla University at Buffalo (università statale di New York). 
 4
dispositivi non siano autosufficienti, ma utili aggiunte ad altre tecniche di 
insegnamento (Burton et al. 1996; 2004). 
Studi su simili dispositivi di auto-istruzione sono condotti nell’ambito della ricerca 
sulla formazione militare, ma una popolarità e un’attenzione diffusa nei confronti di 
questo tipo di macchine non si ha prima del loro uso da parte di Bhurrus F. Skinner 
(Smith e Smith 1966). Inoltre, l’accettazione di insegnamento e verifiche 
meccanizzate nell’istruzione pubblica si verifica solo negli anni successivi alla 
seconda guerra mondiale (Heines 2004). 
Skinner sviluppa delle macchine per verificare i principi del condizionamento 
operante derivati dalla ricerca sugli animali. Il suo approccio riscuote attenzione e 
durante gli anni ’60 le macchine per l’insegnamento e il movimento dell’istruzione 
programmata
6
 diventano oggetto primario di ricerca. Durante questo periodo e per 
tutta la decade successiva infatti, la ricerca sulle macchine per l’insegnamento è il 
tipo di ricerca dominante nell’ambito della ricerca sui media (Torkelson 1977). 
Sotto alcuni aspetti le macchine di Skinner sono simili a quelle di Pressey: entrambe 
utilizzano la conoscenza immediata dei risultati immediatamente dopo la risposta; gli 
studenti sono invitati a partecipare attivamente; i dispositivi possono essere utilizzati 
per l’auto-istruzione in modo che chi apprende possa muoversi al proprio ritmo. Una 
differenza rilevante è però, quella che prevede, nel caso di Pressey, la selezione di 
una risposta corretta tra quelle presentate, mentre, nel caso di Skinner, è lo studente 
a comporre le risposte (Burton et al. 1996; 2004). I dispositivi di Skinner introdotti nel 
1954 infatti, richiedono all’utente di costruire la risposta riempendo degli spazi 
bianchi, piuttosto che selezionando una delle quattro opzioni previste dai dispositivi 
di Pressey. Riempire spazi bianchi richiede un tipo di apprendimento basato sul 
recupero dalla memoria, piuttosto che il mero riconoscimento in una scelta multipla. 
Dopo aver riempito gli spazi, all’utente è chiesto di paragonare la sua risposta con 
quella corretta (Ellison 2001). Sviluppi successivi di tali dispositivi permettono infatti, 
allo studente stesso di decidere della correttezza della sua risposta (Heines 2004). 
                                            
6
 L’istruzione programmata si ispira ad alcuni principi di base, quello della progressiva scomponibilità 
dei contenuti di apprendimento in particelle via via più analitiche; della partecipazione attiva, per cui le 
risposte devono essere formulate esplicitamente dai discenti; della conoscenza immediata dei risultati; 
dell’individualizzazione intesa come rispetto del ritmo di apprendimento personale (Calvani 2004). Il 
modello è quello della task analysis, l’analisi dei requisiti di base per l’esecuzione di un compito, con la 
conseguente scomposizione di funzioni e processi, dai più complessi ai più semplici. In modo che per 
ogni compito si possa ipotizzare una gerarchia di apprendimenti, che ha alla sommità il compito-
obiettivo finale (Calvani 2000). 
 5
Inoltre, contrariamente all’auto-istruzione aggiuntiva di Pressey, progettata quale 
supplemento a un regolare corso di studio, i programmi di insegnamento di Skinner 
sono progettati per i corsi di studio tradizionali e funzionano come istruttori per utenti 
che non conoscono la materia.  
I programmi di apprendimento progettati da Skinner intendono evitare intimidazioni, 
prevedere un lavoro che si possa svolgere un passo alla volta dal semplice al 
difficile, consentire un ritmo adattabile e fornire delle risposte di rinforzo (Heines 
2004). Per programmazione infatti, l’autore intende la costruzione di sequenze 
attentamente programmate di contingenze che conducano a prestazioni finali, che 
sono l’oggetto dell’educazione (Skinner 1953).  
Negli anni ’50, gli educatori guardano con favore all’istruzione programmata 
(programmed instruction) quale metodo alternativo di insegnamento per far fronte 
all’insufficienza di insegnanti. Tale approccio si diffonde ulteriormente nella decade 
successiva (Ellison 2001). Negli anni ’60 la ricerca sull’argomento è immensa 
(Campeau 1974). Essa fa riferimento sia alle macchine per l’insegnamento, sia ai 
libri programmati. Questi ultimi possiedono caratteristiche anologhe a quelle delle 
macchine: presentazione logica dei contenuti, necessità di reazioni esteriori, 
presentazione di conoscenza immediata sulla correttezza delle risposte (Porter 1958; 
Smith e Smith 1966). Essi diventano immediatamente popolari in quanto facili da 
produrre, portatili e non complessi o onerosi. 
I primi studi sulla validità della programmazione lineare, basata su una struttura di 
apprendimento sequenziale, sono difficili da generalizzare e spesso portano a 
risultati contraddittori. La maggior parte di essi sono di tipo comparativo e 
propongono un confronto con i metodi di istruzione tradizionali o convenzionali. Tali 
ricerche mostrano spesso problemi di impostazione, di misurazione o di procedura 
(Holland 1965). 
A fronte della programmazione lineare di Skinner, Norman Crowder, suo 
contemporaneo, lavorando indipendentemente per le forze armate sull’istruzione 
programmata (Ellison 2001), cerca di riprodurre in un programma di auto-istruzione, 
la funzione di un tutore privato, allo scopo di risolvere problemi complessi. Egli 
definisce la sua tecnica programmazione intrinseca
7
 (Heines 2004) ed essa è 
conosciuta anche come branching (ramificazione) (Burton et al. 1996; 2004). 
                                            
7
 Il termine intrinseco si riferisce al fatto che tutte le opzioni sono intrinseche al programma e perciò 
non dipendono da dispositivi di programmazione esterni (Ellison 2001). 
 6
Il dispositivo utilizzato da Crowder è semplicemente un libro di testo in cui il materiale 
è presentato un paragrafo o una sezione alla volta. Alla fine di ogni parte discreta, 
viene presentata una domanda a risposta multipla e a ogni possibile risposta è 
associato un numero di pagina. Lo studente è indirizzato quindi, alla pagina che 
corrisponde alla sua scelta. Se la scelta è corretta, viene presentato nuovo materiale, 
se non lo è, viene presentato materiale per la revisione o il rinforzo (Heines 2004).  
Mentre Skinner lavora in una prospettiva psicologica, Crowder lavora da un punto di 
vista comunicativo. Il programma è rivolto all’individuo e prevede diverse forme di 
feedback per determinare se la comunicazione ha funzionato: nel caso di risposta 
corretta vengono fornite le motivazioni, prima del passaggio a nuovo materiale; nel 
caso di risposte scorrette l’utente viene informato dell’errore commesso e viene 
ricondotto alla parte precedente per un altro tentativo (Ellison 2001). A partire dal 
libro di testo, Crowder sviluppa film ad accesso casuale ed elabora diverse strategie 
didattiche per la messa in sequenza dei materiali (Heines 2004). 
Tra i vantaggi della programmazione intrinseca (rispetto alla programmazione 
lineare) troviamo il guadagno di tempo nell’evitare ripetizioni inutili per gli studenti più 
preparati, tra gli svantaggi, la necessità di grossi libri per racchiudere tutti i materiali 
necessari (Heines 2004). Importante è sottolineare la diversa concezione della 
funzione della risposta in Skinner e Crowder
8
. Se per Skinner, come 
precedentemente accennato, l’apprendimento risulta dal fornire la risposta corretta, 
Crowter crede piuttosto che esso risulti dal riallineamento della struttura di 
conoscenza dell’utente e che la risposta sia semplicemente un mezzo per controllare 
il programma o la macchina. E’ necessario quindi, che le porzioni di informazione 
siano assimilate e integrate a ciò che l’utente già sa. La risposta serve in questo 
senso, a verificare il livello di integrazione
9
 (Ellison 2001). 
L’istruzione programmata, analizzando e suddividendo il contenuto in specifici 
obiettivi comportamentali, pianificando i passi necessari al raggiungimento degli 
obiettivi e validando il programma con l’adempimento degli obiettivi, ottiene successo 
come sistema di auto-istruzione (Heinich 1970). L’approccio sistematico alla 
                                            
8
 Anche se altri autori sottolineano che la programmazione intrinseca di Crowter non si basava 
necessariamente su una teoria dell’apprendimento (Klaus 1965 citato in Burton et al. 1996; 2004). 
9
 Tale posizione sembra già indicare uno spostamento verso il paradigma cognitivista. 
 7
progettazione didattica (instructional design)
10
 deriva principalmente dalle teorie 
comportamentiste e ne utilizza principi, terminologia e concetti (Burton et al. 1996; 
2004). La progettazione didattica di tipo comportamentista si basa sull’assunto che il 
comportamento è prevedibile e le decisioni di chi progetta la didattica sono 
essenzialmente guidate dalla natura del contenuto che lo studente dovrebbe 
padroneggiare.  
L’istruzione programmata raggiunge il suo apice alla metà degli anni ’60, per poi 
iniziare il declino. Le motivazioni sono molteplici: il tipo di apprendimento promosso è 
di tipo mnemonico e poco significativo; il mercato è invaso da prodotti di bassa 
qualità noiosi e monotoni; i costi di produzione sono alti, mentre i prezzi di vendita 
sono necessariamente contenuti.  
Sebbene insegnanti e educatori critichino l’impostazione metodologica altamente 
strutturata e centralizzata, i testi e i materiali programmati, come le guide di auto-
istruzione, sono comunque utilizzati successivamente, soprattutto nel settore militare 
e industriale, nella formazione professionale e in progetti di formazione a distanza. 
L’istruzione programmata ramificata si può ritrovare oggi, ad esempio, nella modalità 
tutoriale utilizzata in alcuni corsi di formazione su personal computer.  
L’istruzione assistita dal computer (Computer Assisted Instruction), che prevale nelle 
decadi successive, nonostante si giovi delle evoluzioni tecnologiche che portano alla 
diffusione del computer personale, perfezionato nelle modalità audiovisive e in grado 
di tenere traccia delle prestazioni dell’utente, soltanto quando i corsi di formazione 
prevedono attività quali la simulazione o il problem solving, sembra superare i vincoli 
concettuali dell’istruzione programmata. Altrimenti, le sequenze di istruzione e le 
tecniche utilizzate appaiono analoghe a quelle tipiche di quest’ultima e sembrano 
presupporre un analogo modello didattico (Ellison 2001). 
 
 
                                            
10
 R.M. Gagné e L.C. Silvern sono tra i primi ad utilizzare termini quali sviluppo dei sistemi e sistemi di 
istruzione per descrivere una struttura sistematica e interconnessa in relazione ai principi di 
progettazione didattica in uso (Burton et al. 1996; 2004). 
 8
1.2 La scienza cognitiva e l’istruzione assistita intelligentemente dal computer  
 
L’approccio cognitivo si sviluppa negli anni ’50 a partire dai limiti riscontrati in un 
approccio comportamentista che bandisce dalla propria attenzione tutta quell’attività 
umana che si colloca tra stimolo e risposta: gli stati mentali inosservabili, 
l’immaginazione, la comprensione, la percezione e allo stesso tempo le tecniche di 
introspezione, la fenomenologia, l’inferire dall’osservazione piuttosto che dalla 
misurazione oggettiva (Winn e Snyder 1996; 2004). L’attenzione degli studiosi si 
concentra progressivamente su due principali oggetti di ricerca, che influenzeranno 
in molti modi gli sviluppi della tecnologia dell’educazione: le rappresentazioni mentali 
e i processi mentali. 
In questo periodo crea i propri presupposti la scienza cognitiva, che nasce dalla 
confluenza della psicologia cognitiva con la computer science (scienza 
dell’informazione), a cui si aggiungono progressivamente gli apporti della linguistica, 
della filosofia, delle neuroscienze e dell’antropologia (Tabossi 1988).  
Il rapporto tra psicologia cognitiva e tecnologia nasce innanzitutto, dalla necessità da 
parte della prima di verificare i propri modelli teorici di attività cognitiva costruiti per 
inferenza. Essendo il livello biologico, il livello di analisi più vicino ai meccanismi del 
cervello, considerati all’origine dell’attività cognitiva
11
, ed essendo questo 
virtualmente inaccessibile, si rende necessario ai ricercatori il ricorso alla costruzione 
di modelli funzionali astratti (Marr 1982). La progettazione di simulazioni al computer, 
se il modello utilizzato è una corretta rappresentazione dell’attività cognitiva, può così 
rispondere alla necessità di predire quali comportamenti probabilmente si 
verificheranno, e di confrontare il comportamento predetto dal modello, con il 
comportamento osservato (Winn e Snyder 1996; 2004). 
Questo non è comunque l’unico ruolo che il computer assume nella scienza 
cognitiva. Alcuni studiosi, considerando che i programmi informatici progettati per 
verificare teorie cognitive predicono accuratamente comportamenti osservabili che 
risultano da attività cognitive, concludono che l’attività cognitiva in sé possa essere 
assimilabile al funzionamento del computer. A partire da questa convinzione 
                                            
11
 La cibernetica, che nasce negli anni ’50, considera l’intelligenza umana proprietà materiale del 
cervello e studia la base materiale dei processi cognitivi in vista della possibilità di riprodurla 
artificialmente. Il programma della cibernetica prende a modello la struttura fisica del cervello, al fine di 
costruire sistemi in grado di auto-organizzarsi e di auto-regolarsi (automi). Tali sistemi elaborano 
informazioni digitali (codice binario), utilizzano il feedback e seguono sequenze finite e programmate 
di istruzioni (algoritmi) (Frabboni e Minerva 2003). 
 9
vengono formulate numerose teorie che incorporano i principi dell’elaborazione 
dell’informazione e i meccanismi della computer science (Boden 1988; Johnson-
Laird 1988). Nella letteratura di settore si moltiplicano i riferimenti a input e output, a 
strutture di dati, all’elaborazione dell’informazione, all’elaborazione logica dei simboli 
(Larkin e Simon 1987; Salomon 1979; Winn 1982). 
La scienza cognitiva fornisce inoltre, la teoria e l’impeto necessari a creare 
programmi informatici che possano pensare come esseri umani (Winn e Snyder 
1996; 2004). Negli anni ’80 fiorisce la ricerca in intelligenza artificiale
12
. E’ importante 
sottolineare che gli studi sull’intelligenza artificiale si differenzino dalle precedenti 
ricerche in cibernetica
13
. Mentre l’obiettivo della cibernetica è di individuare il modello 
di interconnessione tra cervello e pensiero, per poi riprodurlo in una macchina 
(analogia strutturale), oggetto di attenzione dell’intelligenza artificiale sono gli stati 
mentali, al di là di ciò che si verifica al livello del corpo e del sistema nervoso centrale 
e quindi, al livello della struttura organica e del funzionamento fisico del cervello 
(analogia funzionale). Nell’intelligenza artificiale l’indipendenza della mente dal 
cervello è considerata analoga a quella tra software e hardware: oggetto di studio 
sono i processi di elaborazione delle informazioni implicati nella risoluzione di 
problemi (Frabboni e Minerva 2003).  
L’intelligenza artificiale raggiunge il massimo successo con la produzione di sistemi 
intelligenti per il tutoraggio (intelligent computer aided instruction) (Anderson e Reiser 
1985; Anderson et al. 1985; Wenger 1987) e di sistemi esperti (Forsyth 1984). I primi 
si caratterizzano per la capacità di capire e reagire ai progressi che lo studente 
compie lavorando con un programma tutoriale computerizzato; i secondi sono 
consulenti intelligenti, spesso rivolti a professionisti, i cui compiti lavorativi richiedono 
capacità di prendere decisioni complesse a partire da una grande quantità di dati 
(Calvani
14
 2000, 2001, 2004; Winn e Snyder 1996; 2004). 
I sistemi esperti, più precisamente, fanno parte della famiglia dei sistemi basati su 
conoscenza (knowledge-based systems). Un sistema esperto è composto da una 
base di conoscenza, un motore inferenziale, un’interfaccia e una base di fatti (la 
                                            
12
 Le ricerche in intelligenza artificiale sono orientate alla costruzione di programmi che diano istruzioni 
al computer su come manipolare linguaggi formalizzati (logici) in modo tale da simulare le funzioni 
fondamentali dell’intelligenza umana ed esibirne i comportamenti (Frabboni e Minerva 2003). 
13
 Si veda la nota 11. 
14
 Antonio Calvani è professore ordinario di Tecnologie dell'Istruzione e dell'apprendimento 
all'Università di Firenze. E’ presidente del corso di laurea in Formatore multimediale e coordinatore del 
master universitario in Progettista e gestore di formazione in rete nella stessa università. E’ inoltre, 
autore di molteplici saggi e articoli sull'applicazione delle tecnologie nella formazione. 
 10
memoria). Per risolvere un problema, i sistemi esperti possono utilizzare diversi tipi di 
ragionamento (o logica): le logica basata su regole, su casi
15
, su sillogismi aristotelici 
e descrizioni booleane
16
 (il ragionamento non monotono
17
, le logiche di default
18
, le 
logiche descrittive, dinamiche, temporali). Nella tabella che segue sono sintetizzati 
vantaggi e svantaggi dei sistemi esperti (Tab. 1). 
 
Tab. 1 Schema elaborato da Castelfranchi e Stock (2000). 
 
Rimane ad oggi, la distinzione tra sostenitori di un’intelligenza artificiale forte, convinti 
che alla base del pensiero umano stia la capacità di manipolare simboli e di 
elaborare informazione e che quindi in futuro sarà possibile programmare una 
macchina pensante, cosciente e dotata di sentimenti e i sostenitori di un’intelligenza 
artificiale debole che pensano che una macchina che manipola simboli non potrà mai 
possedere tutte le funzioni di una mente intelligente, essendo solo uno strumento 
utile per studiare e realizzare alcune funzioni simili a quelle tipiche dell’intelligenza 
umana, ma senza riprodurre il modo in cui queste sono realizzate dall’uomo 
(Castelfranchi e Stock 2000). 
                                            
15
 Alle logiche basate su casi si farà riferimento anche nel paragrafo successivo. 
16
 La logica booleana è basata su due insiemi logici estremi: il tutto e il nulla, indicati con uno e zero. 
17
 Nel ragionamento non monotono un’asserzione vera in un determinato momento può non essere 
vera successivamente. 
18
 P. Tabossi spiega che il frame (struttura), a cui si fa riferimento più avanti, utilizza una logica di 
default (Tabossi 1988). 
INTELLIGENZA DEI SISTEMI ESPERTI STUPIDITA’ DEI SISTEMI ESPERTI 
Risolvono problemi grazie alla capacità di 
scomposizione in sotto-problemi più semplici. 
Sono rigidi: possono imparare aggiornando la 
base di conoscenza, ma sono del tutto incapaci 
di affrontare alcunché di diverso dal loro settore 
specialistico. 
Possono fornire una traccia della loro linea di 
ragionamento. 
Non hanno creatività: non sanno immaginare 
nuove strategie e normalmente non possono 
fare altro che aggiornare con dati nuovi i propri 
schemi fissi di ragionamento. 
Se sono fornite informazioni incomplete o 
contraddittorie se ne rendono conto e chiedono 
chiarimenti. 
La comunicazione con l’uomo è scarsa e non 
flessibile. 
La loro conoscenza non è stabilita una volta per 
tutte, ma è possibile fornire loro conoscenza 
aggiuntiva. 
Non hanno idea del mondo esterno e sono 
completamente privi di senso comune. 
Alcuni sistemi possono imparare: quando si 
trovano di fronte a nuovi problemi possono 
verificare se le situazioni già affrontate hanno 
qualche somiglianza con la nuova e tenerne 
conto. 
 
 11
Come precedentemente accennato, lo studio delle rappresentazioni mentali e dei 
processi mentali esercita una notevole influenza sugli sviluppi della ricerca in 
tecnologia dell’educazione.  
Le caratteristiche fondamentali dello schema, come concetto centrale alle teorie 
cognitive della rappresentazione, possono essere qui sintetizzate in alcuni punti: uno 
schema è innanzitutto, una struttura che esiste in memoria e che, aggregato ad altri 
schemi, contiene la somma della conoscenza del mondo (Paivio 1974); esiste a un 
alto livello di generalità o astrazione, rispetto alla nostra esperienza del mondo; 
consiste di concetti che sono collegati tra loro in proposizioni; è dinamico, è aperto al 
cambiamento dovuto all’esperienza generale o all’istruzione; fornisce un contesto per 
l’interpretazione della nuova conoscenza. 
La teoria dello schema è utilizzata in tecnologia dell’educazione principalmente in tre 
modi. Il primo segue la convinzione in base alla quale, per costruire e attivare schemi 
mentali in modo efficace, sia necessario materiale didattico che possieda in qualche 
modo lo stesso formato dell’ipotetica struttura dello schema posseduto dallo 
studente. Ciò caratterizza i primi tentativi di produrre una teoria dell’educazione 
all’audiovisivo e gli studi sul ruolo dell’illustrazione pittorica e grafica nell’istruzione 
(Dale 1946; Carpenter 1953; Dweyer 1972, 1978,1987). 
Il secondo modo in cui la tecnologia dell’educazione utilizza la teoria dello schema è 
lo sviluppo e l’applicazione di tecniche utili agli studenti al fine di imporre una 
struttura a ciò che viene appreso, in modo da facilitare la memorizzazione. Ci si 
riferisce globalmente a queste tecniche con: mappatura dell’informazione (Winn e 
Snyder 1996; 2004). Alla fine degli anni ‘60 M.R. Quillian e A.M. Collins introducono il 
concetto di reti semantiche nell’intenzione di sviluppare un modello 
dell’organizzazione dei significati delle parole nella memoria (Quillian 1968; Quillian e 
Collins 1969; 1970)
19
. 
Tra i sistemi di raffigurazione delle conoscenze in ambito didattico troviamo le mappe 
concettuali, che vengono proposte inizialmente negli anni ’80 e costituiscono una 
tecnica di rappresentazione grafica delle relazioni semantiche che una parola o 
                                            
19
 Nel sistema proposto, le unità semantiche (i nodi) sono organizzate gerarchicamente e le 
informazioni vengono immagazzinate nella rete nel nodo più alto possibile (in base al principio che le 
proprietà che sono vere per il nodo più alto sono vere anche per i nodi subordinati). Questo tipo di 
problematiche sono prese in considerazione in relazione ai linguaggi di programmazione nel secondo 
capitolo della tesi. 
 12
concetto evoca e sono considerate utili come supporto alla memoria personale o per 
rendere esplicite preconoscenze (Calvani 2000). 
La terza linea di ricerca consiste dei tentativi di utilizzare gli schemi per 
rappresentare informazione in un computer e quindi rendere la macchina capace di 
interagire con l’informazione in modo analogo a quanto avviene per i processi di 
assimilazione e accomodamento umani. In questo contesto si sviluppa la ricerca sul 
ruolo degli schemi (schema), dei copioni (script), delle strutture (frame) e dei piani 
(plan) (Minsky 1975; Schank e Abelson 1977; Rumelhart 1980) nell’intelligenza 
artificiale e nei sistemi intelligenti di istruzione (Winn e Snyder 1996, 2004; Calvani 
2000) . 
Nei lavori degli anni ’70 di Marvin Minsky e di Robert Schank gli schemi forniscono 
vincoli al significato dell’informazione che il computer e l’utente possono condividere, 
rendendo in tal modo la loro interazione più facilmente gestibile. Tali vincoli nascono 
dal considerare soltanto ciò che tipicamente si verifica in una determinata situazione. 
Ad esempio, nel susseguirsi di azioni e di scambi verbali che si hanno in un 
ristorante. Analogamente i frame sono strutture di dati per la rappresentazione di 
situazioni stereotipiche (Minsky 1975). Se si immagina tale struttura come una rete 
gerarchica, i nodi più alti sono quelli che contengono informazioni sempre vere per 
una determinata situazione, mentre i nodi terminali, facilmente modificabili, 
contengono informazioni non sempre vere per quella determinata situazione 
(Tabossi 1988). Lo scopo dei frame in questo contesto è quello di creare una 
rappresentazione formale che consenta a un sistema artificiale di fare inferenze 
ragionevoli su situazioni note in assenza di informazioni specifiche. Verso la fine 
degli anni ’70 Robert C. Shank e Robert P. Abelson introducono i concetti di script e 
plan. Lo script organizza conoscenze relative a eventi (persone e oggetti implicati e 
sequenze di eventi previsti). Mancando uno specifico script a cui fare riferimento ai 
fini della comprensione, è necessario ricostruire gli scopi del protagonista dell’azione 
e i modi in cui egli cercherà di conseguirli (plan) (Shank e Abelson 1977). 
Gli schemi o copioni non possono comunque, sostenere ogni eventualità: noi 
possediamo degli assunti sul mondo che sono impliciti nei nostri schemi e perciò 
spesso sfuggono alla nostra consapevolezza. Questi, per essere utilizzati in 
intelligenza artificiale
20
, devono essere resi espliciti e ciò inevitabilmente comporta 
                                            
20
 Il tema delle rappresentazioni esplicite in IA sarà affrontato anche nei paragrafi successivi. 
 13
delle difficoltà. Gli esseri umani infatti, hanno una conoscenza profonda del mondo 
che va oltre un qualsiasi insieme di circostanze che possa essere definito da un 
copione. Il problema per chi progetta intelligenza artificiale è allora, quanta di questa 
conoscenza generale è necessario che un programma possieda: se ne possiede 
poca, non possono essere prodotte inferenze corrette quando si hanno anche 
piccole deviazioni dalla norma; se ne possiede troppa, in modo da prevedere tutte le 
possibilità, la complessità del programma cresce enormemente. Inoltre, la risoluzione 
di problemi che prevede l’esplorazione di tutte le possibilità, non solo non è 
conveniente a livello computazionale (all’aumentare dei fattori aumenta in modo 
esponenziale il numero delle combinazioni possibili), ma non rispecchia la modalità 
umana di risolvere i problemi. Gli esseri umani infatti, non calcolano tutto, non 
conoscono tutto, ma usano ragionamento ed euristiche
21
, tecniche che aiutano la 
razionalità in circostanze imperfette (Castelfranchi e Stock 2000). 
Perciò, a partire negli anni ’70, anche nel contesto della ricerca in intelligenza 
artificiale, si elaborano delle euristiche che prevedono, nell’esplorazione di strutture 
di rappresentazione della conoscenza ad albero, la definizione di principi in base ai 
quali il sistema può utilizzare una combinazione del metodo di ricerca in profondità e 
in ampiezza, scegliendo la sequenza temporale da utilizzare o seguendo una 
sequenza preventivamente definita (Raphael 1976; Boden 1977; Nilsson 1980; Rich 
e Knight 1991). 
Il successo dei sistemi esperti, a cui si è precedentemente accennato, è proprio 
dovuto alla difficoltà di definire procedure euristiche generali, sia perché non è facile 
scomporre un problema in una gerarchia di passi successivi, sia perché le strategie 
migliori per la soluzione di un problema (e le stesse soluzioni) sono fornite da 
conoscenze specifiche relative al dominio in cui si situa una dato problema (Tabossi 
1988). 
Simile al concetto di schema è quello di modello mentale. Quest’ultimo fornisce una 
definizione più ampia di schema, in quanto specifica le azioni causali che si 
verificano tra gli oggetti che ne fanno parte (Mayer 1992). L’enfasi qui è posta, non 
tanto su come appaiono oggetti e eventi, ma come le loro relazioni sono codificate e 
immagazzinate in memoria. In questo senso, le convenzioni grafiche delle mappe di 
                                            
21
 Si tratta di un termine di derivazione greca che significa trovare, da cui deriva anche l’esclamazione 
di Archimede di Siracusa: eureka! (Y. Castelfranchi e O. Stock 2000). 
 14
informazione, a cui si è accennato precedentemente, utilizzano la metafora dello 
spazio per veicolare strutture semantiche (Winn e Salomon 1991). 
Al fine di facilitare la creazione di buoni modelli mentali da parte dei discenti, uno 
degli interessi primari degli studiosi di tecnologia dell’educazione è fare in modo che i 
materiali e gli eventi d’istruzione interagiscano con ciò che gli studenti già 
comprendono.  
Una tecnologia che permette di mostrare l’interazione dinamica di componenti 
possiede il potenziale adatto ad aiutare gli studenti a sviluppare modelli di 
rappresentazione del mondo accurati e accessibili. I computer multimediali, che 
permettono in modo relativamente semplice, di costruire materiali didattici interattivi e 
sono in grado, attraverso l’animazione, di rappresentare passaggi di stato e azioni 
causali, diventano oggetto di ricerca degli studiosi in tecnologia dell’educazione, che 
vedono in essi validi strumenti in grado di favorire l’apprendimento (Hueyching e 
Reeves 1992; Kozma et al. 1993; Seel e Dorr 1994).  
In una prospettiva cognitivista, l’apprendimento si verifica quando azioni cognitive 
modificano rappresentazioni mentali. I processi mentali, come precedentemente 
accennato, sono un ulteriore importante oggetto di ricerca della scienza cognitiva e 
hanno uno stretto rapporto con l’elaborazione dell’informazione, la manipolazione di 
simboli e la costruzione di conoscenza. I processi costituiscono la parte dinamica di 
un sistema cognitivo, le rappresentazioni, gli oggetti astratti a cui si applicano tali 
processi (Tabossi 1988). 
Secondo i modelli di elaborazione dell’informazione, che appaiono per la prima volta 
negli anni ’50, le persone, analogamente ai computer, traggono le loro informazioni 
dall’ambiente, le raccolgono in memorie tampone (buffer) e le elaborano prima di 
immagazzinarle nella memoria a lungo termine. Tali modelli descrivono la natura e la 
funzione di ipotetiche unità all’interno di sistemi percettivi e cognitivi e le modalità con 
cui esse interagiscono. Nella letteratura di tecnologia dell’istruzione il modello 
dell’elaborazione umana dell’informazione è piuttosto persistente (Gagné 1974; 
Gagné 1985).  L’impiego di strategie che possano indurre il chunking, l’articolazione 
degli elementi di un’unità in unità più piccole ai fini della memorizzazione, fa parte del 
repertorio standard di strumenti utilizzati dai progettisti didattici ed emerge proprio 
dalla constatazione dell’inefficienza umana nella memorizzazione dell’informazione, 
quando paragonata a quella di un computer.