Tommaso Minerva e Annamaria De Santis – Genetic Algorithms and Evolutionary Computation in Education

Oltre l’IA generativa: progettare le decisioni educative nella complessità

Il testo Genetic Algorithms and Evolutionary Computation in Education, di Tommaso Minerva e Annamaria De Santis, propone di guardare oltre l’attuale centralità degli LLM. Non per ridimensionare l’IA generativa, ma per porre una diversa domanda a chi si occupa di educazione: come possiamo utilizzare l’IA per sostenere decisioni complesse senza nascondere obiettivi, vincoli, valori e responsabilità?

In un momento in cui parlare di intelligenza artificiale in educazione significa quasi inevitabilmente parlare di ChatGPT e Large Language Models (LLM), Genetic Algorithms and Evolutionary Computation in Education fa un’operazione controcorrente. Recupera una famiglia di tecniche che appartiene alla storia dell’intelligenza artificiale — gli algoritmi genetici e, più ampiamente, la computazione evolutiva — e la mette in relazione con Learning Analytics, Educational Data Mining e IA generativa.

Il volume, scritto in inglese e pubblicato da Pearson nel 2026, nasce nell’ambito del progetto EDUNEXT. La versione pubblicata dall’editore è disponibile liberamente in open access nel repository IRIS dell’Università di Modena e Reggio Emilia. (Iris Unimore) Versione open access su IRIS Unimore

Gli autori

Gli autori provengono da due campi scientifici differenti. Tommaso Minerva, professore ordinario di Statistica all’Università di Modena e Reggio Emilia e coordinatore scientifico di EDUNEXT, lavora dagli anni Novanta su algoritmi ispirati alla biologia e più recentemente sulle applicazioni statistico-computazionali all’educazione e alle Learning Analytics. Annamaria De Santis, ricercatrice in Pedagogia sperimentale nello stesso Ateneo, ha lavorato come Instructional Designer e si occupa di approcci quantitativi alla ricerca educativa e di progettazione di programmi e ambienti digitali. Anche l’attribuzione dei capitoli riflette questa complementarità: Minerva è autore principale dell’introduzione e dei capp. 1-9 e 18; De Santis dei capp. 10-17, pur essendo il libro dichiaratamente frutto di un lavoro congiunto.

Due prefazioni altrettanto complementari introducono il volume. La prima è quella pedagogica ed è firmata da Pier Cesare Rivoltella. La seconda è statistico-computazionale ed è a firma di Marcello Chiodi. Non si tratta di testi di circostanza e aiutano a comprendere perché un libro apparentemente molto tecnico possa interessare anche chi progetta formazione.

1. L’impianto generale: dall’algoritmo genetico all’“optimization-as-design”

Il libro è articolato in due parti nettamente riconoscibili.

La Parte I, capp. 1-9, costruisce il fondamento metodologico: che cos’è un Genetic Algorithm (GA), come si rappresentano le possibili soluzioni di un problema, come vengono valutate attraverso una fitness function, selezionate, ricombinate mediante crossover, modificate attraverso mutation e progressivamente migliorate. Vengono poi affrontati altri paradigmi della Evolutionary Computation (EC), i problemi implementativi, la gestione dei vincoli e l’ottimizzazione multi-obiettivo.

La Parte II, capp. 10-18, trasferisce questo apparato nel settore educativo affrontando temi quali adaptive learning, curriculum sequencing, timetabling, allocazione delle risorse, formazione dei gruppi, early warning, intelligent tutoring, Educational Data Mining, machine learning, LLM, privacy, fairness, governance e human-in-the-loop.

Il punto di partenza è tecnico. I metodi di Gradient Descent, fondamentali nel machine learning e nel deep learning contemporaneo, funzionano molto bene quando il problema è rappresentabile attraverso funzioni continue e differenziabili. Ma non tutti i problemi hanno questa struttura. Scegliere un’aula, assegnare un docente a un orario, rispettare prerequisiti, comporre gruppi, selezionare un sottoinsieme di risorse o contemperare obiettivi diversi implica spesso scelte discrete e combinatorie.

Gli autori sono prudenti su un punto che vale la pena sottolineare: non sostengono che gli algoritmi genetici siano “migliori”. La domanda più significativa è in realtà è un’altra: quando utilizzare i gradienti, quando gli algoritmi genetici e quando combinarli.

Per capire perché questo abbia a che fare con l’educazione possiamo immaginare un problema semplice. Un insegnante deve scegliere un percorso di recupero per uno studente. Vorrebbe massimizzare l’apprendimento, ma anche evitare il sovraccarico; deve rispettare alcuni prerequisiti, dispone di un numero limitato di ore e non può moltiplicare indefinitamente il proprio lavoro. Non esiste necessariamente una soluzione che massimizzi contemporaneamente tutto. Il problema non è quindi soltanto “trovare il percorso migliore”, ma decidere che cosa significhi migliore e quali compromessi siano accettabili.

È qui che entra il concetto centrale del libro: “optimization-as-design”. Gli algoritmi genetici costringono a esplicitare gli obiettivi — ciò cui attribuiamo valore —, i vincoli — ciò che deve essere rispettato — e le modalità di valutazione delle soluzioni. In educazione questa formalizzazione acquista un significato particolare perché efficacia, costo, tempo, equità e workload possono entrare in tensione.

Quando gli obiettivi sono più di uno interviene l’ottimizzazione multi-obiettivo. Il risultato può essere una Pareto front, cioè un insieme di soluzioni non dominate: soluzioni nelle quali non è possibile migliorare un obiettivo senza peggiorarne almeno un altro. La “frontiera di Pareto” non offre quindi un elenco di alternative “ideali”. Rende visibili differenti compromessi efficienti.

È questo il primo elemento di interesse per un educatore: l’ottimizzazione viene spostata dal terreno della pura efficienza a quello della progettazione delle scelte.

2. LLM sotto la lente: generare possibilità non equivale a decidere

La seconda tesi importante riguarda direttamente l’IA generativa. Il libro non è affatto una critica agli LLM in quanto tali. Minerva e De Santis sostengono, al contrario, che gli LLM intensifichino il bisogno di ottimizzazione.

Attorno a un modello generativo esiste infatti ciò che il libro definisce un “thick ring” di decisioni discrete: prompt, configurazioni dei sistemi di retrieval, soglie di fairness e sicurezza, rubriche, costi, latenza, routing fra strumenti. La Fig. I.2, “LLM ↔ GA integration architecture”, p. 5, rappresenta questa complementarità: i GA possono operare come outer loop intorno agli LLM, mentre un LLM può a sua volta generare candidati, funzionare come valutatore o contribuire alla riparazione di soluzioni all’interno di un processo evolutivo (vedi la figura ripresa da pag. 5 del testo, e tradotta con l’uso dell’IA)

La Fig. 10.2 (“Optimization-as-Design in education”, p. 65) porta la stessa architettura direttamente sul terreno educativo: l’LLM contribuisce a formulare o generare alternative; obiettivi e vincoli vengono esplicitati; la ricerca GA/MOEA confronta differenti possibilità; la Pareto front rende leggibili i trade-off; segue infine la scelta.

È questa probabilmente questa la parte del libro più rilevante per l’attuale dibattito sull’IA a scuola. La questione non consiste semplicemente nel ricordare che un LLM può produrre informazioni inesatte o allucinazioni. Il volume tratta anche questi rischi — insieme a provenienza dei dati, privacy, leakage ed explainability — (nel cap. 15, §15.2.2, p. 156). Ma la questione teorica è più radicale: una buona generazione non equivale a una buona decisione.

Un LLM può produrre cinque spiegazioni differenti dello stesso concetto. Può costruire un quiz, proporre un feedback o suggerire un percorso. Ma quale alternativa è preferibile? “Preferibile” in base a cosa? Massimo apprendimento? Minimo tempo? Maggiore motivazione? Minore carico cognitivo? Maggiore equità? Minore workload dell’insegnante?

Il libro vuole collocare uno strato di progettazione e governance proprio nello spazio fra produrre alternative e scegliere fra esse. Nel cap. 11 la distinzione viene sintetizzata efficacemente: gli LLM ampliano ciò che possiamo esprimere, mentre l’EC formalizza il modo in cui cerchiamo e decidiamo. (p. 73)

Ciò significa anche ridimensionare una concezione dell’IA educativa nella quale tutto finisce per coincidere con la qualità del chatbot. Il problema non è solo quanto sia sofisticata la risposta generata, ma quali decisioni essa alimenti e in quale sistema di vincoli venga inserita.

3. Che cosa cambia per apprendimento e insegnamento?

La prima conseguenza riguarda la personalizzazione. Nell’uso comune dell’IA generativa, personalizzare significa spesso produrre una spiegazione più semplice, cambiare tono, creare esercizi differenti. Nel volume la nozione è più complessa: l’adaptive learning diventa una continua riorganizzazione di contenuti, ritmo e valutazione sulla base delle traiettorie osservate. La personalizzazione diventa così un problema multi-obiettivo: si può voler aumentare la mastery senza aumentare eccessivamente il tempo, mantenere l’engagement senza sacrificare prerequisiti, sostenere studenti differenti senza rendere ingestibile il lavoro del docente. L’obiettivo non è necessariamente trovare una traiettoria perfetta, ma mantenere aperte e confrontabili alternative differenti.

Un secondo passaggio è quello dalla previsione alla prescrizione. Le Learning Analytics hanno spesso concentrato molta attenzione sulla capacità di prevedere risultati, disimpegno o dropout. Ma sapere che uno studente ha un’elevata probabilità di abbandonare non risolve il problema educativo. Occorre stabilire quale intervento attivare, quando, attraverso quali risorse e con quali effetti sul sistema. Gli autori riconoscono peraltro che questo passaggio è ancora una sfida aperta e che servono più studi sul campo e valutazioni longitudinali capaci di collegare le politiche suggerite agli effettivi percorsi degli studenti. (cap. 16, “From prediction to prescription”, p. 177; cap. 18, §18.5, p. 188).

Il terzo cambiamento riguarda il docente. Nel paragrafo §16.4 (pp 168-170),intitolato  “Human-in-the-loop design and teacher augmentation”, il libro formula un principio molto chiaro: “Decision support, not decision replacement”. L’insegnante non dovrebbe limitarsi a controllare ex post il risultato prodotto dall’algoritmo. Il suo giudizio deve entrare nella definizione stessa del problema. Può stabilire priorità, definire zone non negoziabili, escludere trade-off ritenuti inaccettabili, esplorare scenari what-if, bloccare alcune decisioni e utilizzare funzioni di override, ovvero un intervento manuale che prevale sulla decisione o sulla proposta del sistema.

È significativo che gli autori motivino questa scelta riconoscendo che molto di ciò che conta nell’educazione — intenzionalità formativa, contesto socio-emotivo, politiche locali — è tacito, situato e non completamente rappresentato dai dati.

È proprio qui che la prefazione di Rivoltella diventa essenziale. L’introduzione di uno strumento, osserva Rivoltella, non produce un cambiamento soltanto funzionale: cambia anche il modo di pensare. Gli algoritmi evolutivi possono diventare design devices attraverso i quali rendere visibili vincoli, chiarire obiettivi e negoziare i compromessi implicati nelle scelte educative. Educare, dice Rivoltella richiamando Biesta, non significa cercare un optimum, ma accompagnare una traiettoria; l’apprendimento resta adattivo, non lineare e situato. (pag. IX-X).

Questo, a mio parare, permette anche di individuare una dimensione problematica del volume. Genetic Algorithms and Evolutionary Computation in Education è molto forte come proposta per la progettazione, l’orchestrazione e la governance di sistemi educativi complessi; lo è meno se lo si cerca come nuova teoria dell’apprendimento umano. Timetabling, curriculum sequencing, allocation, grouping, early warning e tutoring sono problemi educativi importanti, ma molti riguardano l’organizzazione dell’ambiente entro il quale l’apprendimento avviene.

E rimane una questione pedagogica decisiva che nessuna Pareto front può risolvere: chi stabilisce ciò che merita di essere misurato?

Una funzione di fitness può includere apprendimento, equità, workload e tempo solo dopo che qualcuno li ha trasformati in variabili o indicatori. Ma relazione educativa, senso attribuito allo studio, benessere, curiosità, partecipazione o sviluppo dell’autonomia non sono sempre facilmente traducibili in metriche. Il rischio non è quindi soltanto che un algoritmo ottimizzi male. È che ottimizzi benissimo ciò che siamo riusciti a misurare, marginalizzando ciò che non abbiamo saputo formalizzare. Questa è una questione che il libro rende visibile, anche quando non la risolve.

4. Dalla generazione alla decisione: governare la complessità educativa

Il volume, come si è certamente compreso leggendo sino qui, è decisamente tecnico e complesso. E’ quindi doveroso chiedersi se e quanto le proposte e riflessioni del testo sono spendibili a scuola. Per rispondere è necessario distinguere almeno tre livelli: adottare la filosofia del libro, utilizzare prodotti EdTech che implementano logiche simili, costruire un’infrastruttura istituzionale GA/EC + Learning Analytics + LLM. Si tratta, con tutta evidenza, di tre cose molto diverse.

Il primo livello è già ampiamente praticabile. Un docente non ha bisogno di conoscere NSGA-II o programmare in R per utilizzare una logica multi-obiettivo: può già interrogarsi esplicitamente su risultati attesi, limiti, equità, tempo disponibile, sostenibilità e possibili effetti indesiderati. Molto diversa è la realizzazione di un sistema adattivo che raccolga dati, generi alternative, le valuti e aggiorni continuamente le decisioni: qui servono piattaforme, dati sufficientemente affidabili, competenze tecniche, monitoraggio e governance.

Nella scuola primaria, quindi, la proposta sembra oggi più forte come cultura progettuale che come sistema autonomo di profilazione. Può aiutare a ragionare sulla differenziazione delle attività, sull’inclusione o sulla composizione dei gruppi; sarebbe invece necessario essere molto più cauti nell’utilizzo di dati individuali per automatizzare decisioni sulla traiettoria di bambini.

Nella secondaria di primo grado acquistano plausibilità sistemi teacher-facing per sequencing di esercizi, recupero, materiali alternativi o formazione dei gruppi. L’elemento decisivo rimane la possibilità del docente di comprendere, modificare e rifiutare le proposte.

Nella secondaria di secondo grado aumentano gli spazi per adaptive learning, recupero, grouping ed early warning. Il libro riporta, per esempio, studi nei quali l’Evolutionary Computation viene utilizzata per selezionare variabili e ottimizzare sistemi di individuazione precoce del rischio di abbandono. Ma è proprio qui che occorre evitare un passaggio pericoloso: la previsione non deve trasformarsi in un’etichetta né la probabilità in destino scolastico (§10.2, pp. 66-67).

È nell’università che l’impianto complessivo del volume appare oggi più immediatamente traducibile in sistemi reali. LMS, grandi popolazioni di studenti, MOOCs, Learning Analytics, disponibilità di strutture ICT e competenze di data science rendono più plausibile l’integrazione fra modelli predittivi, LLM ed Evolutionary Computation. Non a caso una parte significativa delle applicazioni discusse riguarda higher education, piattaforme online, tutoring, curriculum e allocazione delle risorse.

La sfida italiana, però, non riguarda soltanto la tecnologia.

Le Linee guida per l’introduzione dell’IA nelle istituzioni scolastiche, pubblicate dal MIM nel 2025, distinguono IA al servizio degli studenti, a supporto dei docenti e a sostegno dell’organizzazione, e richiedono alle istituzioni di partire dall’analisi dei bisogni e del contesto, coinvolgendo i diversi stakeholder e seguendo il sistema lungo il suo ciclo di vita. È un’impostazione che, pur provenendo da un documento differente, presenta una consonanza evidente con l’idea di governance e co-design proposta dal volume.

Gli autori stessi, d’altra parte, non suggeriscono un’adozione indiscriminata. Nel §18.4, “Patterns for practice: from sandbox to institution” (pp. 187-188), propongono di partire multi-obiettivo, incorporare i vincoli nel design, documentare le decisioni, coinvolgere docenti e studenti nel co-design e pianificare accuratamente la scalabilità. La Fig. 18.1, “Roadmap from pilot to institutionalization of EC in education”, p. 188, rappresenta una progressione da piccoli pilot a rollout successivi, intervallati da verifiche e governance gates.

La questione che rimane aperta

Il valore più interessante del volume non consiste allora nella promessa che gli algoritmi genetici possano finalmente individuare “la soluzione migliore” per l’educazione. Sarebbe, tra l’altro, una lettura opposta alla stessa prefazione di Rivoltella.

La proposta più fertile è un’altra: usare la computazione per rendere più esplicita la complessità invece di fingere di eliminarla.

Ma proprio questa ambizione apre la domanda politicamente e pedagogicamente più difficile. Una Pareto front può mostrarci che per migliorare un obiettivo dobbiamo sacrificarne parzialmente un altro; non può dirci quale sacrificio sia giusto. Un algoritmo può rispettare perfettamente una funzione di fitness; non può decidere autonomamente se quella funzione rappresenti una buona idea di educazione.

Per questo il capitolo conclusivo insiste su “Ethics as design, not decoration”. Fairness, privacy, monitoraggio e governance non devono essere controlli apposti alla fine del processo, ma elementi incorporati nella progettazione. La formula scelta dagli autori è particolarmente efficace: “responsibility is engineered, not asserted”. (cap. 18, §18.3, pp. 186-187).

È forse questo il messaggio del libro che più direttamente interpella docenti e formatori. La qualità dell’IA educativa non si misura soltanto dalla qualità dei contenuti che riesce a generare. Occorre chiedersi quali decisioni ci sta aiutando a prendere, rispetto a quali obiettivi, con quali dati, rendendo visibili quali conseguenze e lasciando a chi la responsabilità finale.

Se l’IA generativa ha enormemente ampliato lo spazio delle possibilità, il problema educativo dei prossimi anni potrebbe essere proprio imparare a governare quello spazio senza consegnare alla macchina la definizione di ciò che vale la pena perseguire.

Aluisi Tosolini