Protom presenta CLASSEMATE ROBOT: un Robot per amico in classe

Un Robot per amico in classe. Un amico dotato di Intelligenza Artificiale per supportare la didattica e l’esperienza di crescita in aula. La nuova frontiera della tecnologia per la didattica l’ha disegnata Protom, la prima KTI Company italiana che, anche grazie al supporto dell’Università Federico II, ha avviato una sperimentazione con le scuole unica al mondo.

Stiamo parlando di Social Robot, ossia un robot autonomo capace di interagire e comunicare con gli esseri umani seguendo comportamenti sociali e regole. Ne esistono già alcuni esempi ma mai nessuno, prima di oggi, ne aveva ideato e sviluppato uno per le scuole

CLASSMATE ROBOT è la nuova sfida lanciata da Protom. Secondo i visionari e gli innovatori dell’azienda che ha sede a Napoli, in un futuro ormai prossimo in ogni classe potrà esserci un nuovo compagno, molto speciale, la cui funzione sarà quella di migliorare la vita dello straordinario ecosistema classe.

Anche il progetto ha seguito una logica nuova: sotto la guida del Dipartimento di Scienze Sociali della Università Federico II, cinque scuole distribuite sull’intero territorio nazionale, hanno definito quali funzioni affidare al robot. E, partendo da ciò, gli ingegneri di Protom hanno progettato il device e il software in grado di soddisfare le attese.

In questo autunno “ClassMate Robot” è entrato nel vivo della sua fase implementativa, con un primo step di sperimentazione in contesti educativi reali. Ognuna delle cinque istituzioni scolastiche coinvolte nel progetto (ITIS G. Marconi – Dalmine, Liceo Vittoria Colonna – Roma, IC Oderda Perotti – Carrù, Scuole alle Stimate – Verona e Napoli) è stata dotata di un device di Intelligenza Artificiale che viene utilizzato nelle classi che partecipano al progetto. Questo device realizzato a partire dal “voice kit” del progetto “Do-It-Yourself Artificial Intelligence” di Google, ad attivazione manuale, consente di avere uno “assistente smart  in ogni classe ed essere utilizzato sia da studenti che da docenti. A gennaio, invece, partirà il secondo step: fino a giugno, infatti, nelle 5 classi verranno introdotti i robot e verranno sperimentati nel contesto reale, sotto il monitoraggio del Dipartimento di Scienze Sociali.

Obiettivo ultimo è quello di portarli al mercato già a partire dal prossimo anno scolastico.

“A molti finora è capitato di avere esperienze con i robot umanoidi e, a parte l’iniziale stupore, pochi ne conserviamo particolare memoria. Questo probabilmente perché, oltre a salutarci e scambiarci qualche parola, ci offrivano poche altre possibilità. Noi abbiamo invertito il processo: abbiamo scelto un contesto affascinante quale quello della scuola, abbiamo chiesto loro cosa avrebbero voluto che un robot, posto in classe, facesse e lo abbiamo realizzato – ha detto Salvatore Rionero, Amministratore Delegato di Protom. “Oggi è possibile operare una straordinaria convergenza tra le diverse conoscenze, per offrire  servizi che non esistevano, attraverso algoritmi, realtà virtuale, intelligenza artificiale e molto altro.   L’obiettivo che ci si pone con questa sperimentazione è quello di esplorare l’utilizzo che ne faranno i docenti e gli alunni “naturale” del nostro social robot, intendendo la classe quale ecologia sociale di pratiche asimmetriche interdipendenti. 

Ormai da anni stiamo investendo convintamente sul futuro della scuola; lo facciamo perché questo ci consente di coniugare due elementi fondamentali del nostro modo di fare business: etica ed innovazione. I nostri prodotti, come da esempio SCUOLAB, sono in grado di innescare una scuola più inclusiva, più partecipata e più coinvolgente e CLASSMATE ROBOT non sarà da meno. Ciò che rende particolarmente emozionate questa nuova sfida è la convizione che il suo successo avrà un impatto “disruptive” sul futuro dell’educazione scolastica”

Il metodo della sperimentazione, il Disegno di Valutazione del Dipartimento di Scienze Sociali della Federico II

Il Disegno di Valutazione è costruito secondo un prisma valutativo multi-prospettico, tanto sensibile ai differenti punti di vista degli attori coinvolti.

Vengono analizzati i dati provenienti da tre differenti fonti: 

–  i docenti delle classi coinvolte nella sperimentazione; 

–  gli studenti delle classi coinvolte nella sperimentazione; 

–  i device posti nelle classi coinvolte nella sperimentazione. 

Per le tecniche di produzione dei dati vengono utilizzate l’intervista semi-strutturata ai coordinatori di classe (o con i referenti del progetto); il questionario strutturato somministrato digitalmente agli studenti e le analitiche prodotte dal device, con particolare riferimento alle trascrizioni delle domande postegli dagli interlocutori umani. 

1) In ogni scuola viene realizzata un’intervista semi-strutturata con il coordinatore di classe (o con il referente del progetto) al termine della sperimentazione. Chiederemo al coordinatore (o al referente) di svolgere un ruolo di sintesi dei differenti docenti coinvolti. L’intervista è finalizzata alla produzione di dati utili a comprendere gli utilizzi del device e, in particolare: 

• cosa è stato fatto; 
• quali siano stati, dal punto di vista degli attori coinvolti, gli episodi significativi, in positivo e in negativo; 
• gli impatti del device sul “clima di classe”, tanto in relazione agli altri docenti quanto in relazione agli studenti; 
• quali sono le opinioni sul futuro uso dell’AI nella classe (effettuando una messa in prospettiva ed in vista della sperimentazione del CMR). 

2) Inoltre viene somministrato un questionario strutturato agli studenti delle classi coinvolte nella sperimentazione. Il questionario sarà̀ fondamentale per produrre dati di rilievo in relazione a tre tipi di percezioni maturate dagli studenti e dalle studentesse: 

• quella relativa al device, quale attore della (e nella) classe; 
• quella sull’utilità̀ del device, in relazione alle pratiche di apprendimento; 
• quella sui tipi e sulle modalità̀ di utilizzo prevalente del device, nelle dinamiche di classe. 

3) Infine, le trascrizioni delle domande poste al device di AI saranno sottoposte a tecniche di analisi multidimensionale del contenuto, quali analisi delle occorrenze e delle co-occorrenze, nonché́ Analisi delle Corrispondenze Lessicali, al fine di esplorare gli utilizzi effettivi del device e di sintetizzare le variabili rilevanti in efficaci visualizzazioni di costellazioni lessicali.  

Tutto questo consentirà̀ per la prima volta di offrire contezza e misura delle aree tematiche in cui è maggiore l’utilizzo del device; offrire contezza e misura dei termini di linguaggio naturale con cui avviene l’interazione col device; visualizzare l’organizzazione delle semantiche impiegate, definendo i potenziali stili relazionali instauratasi.