{"id":4328,"date":"2026-09-05T12:51:21","date_gmt":"2026-09-05T10:51:21","guid":{"rendered":"https:\/\/www.cascolearning.it\/magazine\/?p=4328"},"modified":"2026-09-05T13:13:07","modified_gmt":"2026-09-05T11:13:07","slug":"genetic-algorithms-and-evolutionary-computation-in-education","status":"publish","type":"post","link":"https:\/\/www.cascolearning.it\/magazine\/2026\/09\/05\/genetic-algorithms-and-evolutionary-computation-in-education\/","title":{"rendered":"Tommaso Minerva e Annamaria De Santis – Genetic Algorithms and Evolutionary Computation in Education"},"content":{"rendered":"\n
\"\"<\/figure>\n\n\n\n

Oltre l\u2019IA generativa: progettare le decisioni educative nella complessit\u00e0<\/h3>\n\n\n\n

Il testo Genetic Algorithms and Evolutionary Computation in Education<\/em>, di Tommaso Minerva e Annamaria De Santis, propone di guardare oltre l\u2019attuale centralit\u00e0 degli LLM. Non per ridimensionare l\u2019IA generativa, ma per porre una diversa domanda a chi si occupa di educazione: come possiamo utilizzare l\u2019IA per sostenere decisioni complesse senza nascondere obiettivi, vincoli, valori e responsabilit\u00e0?<\/p>\n\n\n\n

In un momento in cui parlare di intelligenza artificiale in educazione significa quasi inevitabilmente parlare di ChatGPT e Large Language Models (LLM)<\/a><\/strong>, Genetic Algorithms and Evolutionary Computation in Education<\/em> fa un\u2019operazione controcorrente. Recupera una famiglia di tecniche che appartiene alla storia dell\u2019intelligenza artificiale \u2014 gli algoritmi genetici e, pi\u00f9 ampiamente, la computazione evolutiva \u2014 e la mette in relazione con Learning Analytics, Educational Data Mining e IA generativa.<\/p>\n\n\n\n

Il volume, scritto in inglese e pubblicato da Pearson nel 2026, nasce nell\u2019ambito del progetto EDUNEXT. La versione pubblicata dall\u2019editore \u00e8 disponibile liberamente in open access nel repository IRIS dell\u2019Universit\u00e0 di Modena e Reggio Emilia. (Iris Unimore<\/a>) Versione open access su IRIS Unimore<\/a><\/p>\n\n\n\n

Gli autori<\/h4>\n\n\n\n

Gli autori provengono da due campi scientifici differenti. Tommaso Minerva<\/strong>, professore ordinario di Statistica all\u2019Universit\u00e0 di Modena e Reggio Emilia e coordinatore scientifico di EDUNEXT, lavora dagli anni Novanta su algoritmi ispirati alla biologia e pi\u00f9 recentemente sulle applicazioni statistico-computazionali all\u2019educazione e alle Learning Analytics<\/a><\/strong>. Annamaria De Santis<\/strong>, 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\u2019attribuzione dei capitoli riflette questa complementarit\u00e0: Minerva \u00e8 autore principale dell\u2019introduzione e dei capp. 1-9 e 18; De Santis dei capp. 10-17, pur essendo il libro dichiaratamente frutto di un lavoro congiunto.<\/p>\n\n\n\n

Due prefazioni altrettanto complementari introducono il volume. La prima \u00e8 quella pedagogica ed \u00e8 firmata da Pier Cesare Rivoltella.<\/strong> La seconda \u00e8 statistico-computazionale ed \u00e8 a firma di Marcello Chiodi<\/strong>. Non si tratta di testi di circostanza e aiutano a comprendere perch\u00e9 un libro apparentemente molto tecnico possa interessare anche chi progetta formazione.<\/p>\n\n\n\n

1. L\u2019impianto generale: dall\u2019algoritmo genetico all\u2019\u201coptimization-as-design<\/em>\u201d<\/h3>\n\n\n\n

Il libro \u00e8 articolato in due parti nettamente riconoscibili.<\/p>\n\n\n\n

La Parte I, capp. 1-9, costruisce il fondamento metodologico: che cos\u2019\u00e8 un Genetic Algorithm (GA)<\/a><\/strong>, come si rappresentano le possibili soluzioni di un problema, come vengono valutate attraverso una fitness function<\/a><\/strong>, selezionate, ricombinate mediante crossover<\/em>, modificate attraverso mutation<\/em> e progressivamente migliorate. Vengono poi affrontati altri paradigmi della Evolutionary Computation (EC)<\/a><\/strong>, i problemi implementativi, la gestione dei vincoli e l\u2019ottimizzazione multi-obiettivo.<\/p>\n\n\n\n

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

Il punto di partenza \u00e8 tecnico. I metodi di Gradient Descent<\/a><\/strong>, fondamentali nel machine learning e nel deep learning contemporaneo, funzionano molto bene quando il problema \u00e8 rappresentabile attraverso funzioni continue e differenziabili. Ma non tutti i problemi hanno questa struttura. Scegliere un\u2019aula, 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.<\/p>\n\n\n\n

Gli autori sono prudenti su un punto che vale la pena sottolineare: non sostengono che gli algoritmi genetici siano \u201cmigliori\u201d. La domanda pi\u00f9 significativa \u00e8 in realt\u00e0 \u00e8 un\u2019altra: quando utilizzare i gradienti, quando gli algoritmi genetici e quando combinarli.<\/p>\n\n\n\n

Per capire perch\u00e9 questo abbia a che fare con l\u2019educazione possiamo immaginare un problema semplice. Un insegnante deve scegliere un percorso di recupero per uno studente. Vorrebbe massimizzare l\u2019apprendimento, ma anche evitare il sovraccarico; deve rispettare alcuni prerequisiti, dispone di un numero limitato di ore e non pu\u00f2 moltiplicare indefinitamente il proprio lavoro. Non esiste necessariamente una soluzione che massimizzi contemporaneamente tutto. Il problema non \u00e8 quindi soltanto \u201ctrovare il percorso migliore\u201d, ma decidere che cosa significhi migliore<\/strong> e quali compromessi siano accettabili.<\/p>\n\n\n\n

\u00c8 qui che entra il concetto centrale del libro: \u201coptimization-as-design\u201d<\/strong>. Gli algoritmi genetici costringono a esplicitare gli obiettivi \u2014 ci\u00f2 cui attribuiamo valore \u2014, i vincoli \u2014 ci\u00f2 che deve essere rispettato \u2014 e le modalit\u00e0 di valutazione delle soluzioni. In educazione questa formalizzazione acquista un significato particolare perch\u00e9 efficacia, costo, tempo, equit\u00e0 e workload possono entrare in tensione.<\/p>\n\n\n\n

Quando gli obiettivi sono pi\u00f9 di uno interviene l\u2019ottimizzazione multi-obiettivo<\/a><\/strong>. Il risultato pu\u00f2 essere una Pareto front<\/a><\/strong>, cio\u00e8 un insieme di soluzioni non dominate: soluzioni nelle quali non \u00e8 possibile migliorare un obiettivo senza peggiorarne almeno un altro. La \u201cfrontiera di Pareto<\/em>\u201d non offre quindi un elenco di alternative \u201cideali\u201d. Rende visibili differenti compromessi efficienti.<\/p>\n\n\n\n

\u00c8 questo il primo elemento di interesse per un educatore: l\u2019ottimizzazione viene spostata dal terreno della pura efficienza a quello della progettazione delle scelte<\/strong>.<\/p>\n\n\n\n

2. LLM sotto la lente: generare possibilit\u00e0 non equivale a decidere<\/h3>\n\n\n\n

La seconda tesi importante riguarda direttamente l\u2019IA generativa. Il libro non \u00e8 affatto una critica agli LLM in quanto tali. Minerva e De Santis sostengono, al contrario, che gli LLM intensifichino<\/strong> il bisogno di ottimizzazione.<\/p>\n\n\n\n

Attorno a un modello generativo esiste infatti ci\u00f2 che il libro definisce un \u201cthick ring<\/em>\u201d di decisioni discrete: prompt, configurazioni dei sistemi di retrieval, soglie di fairness e sicurezza, rubriche, costi, latenza, routing fra strumenti. La Fig. I.2, \u201cLLM \u2194 GA integration architecture\u201d, p. 5<\/strong>, rappresenta questa complementarit\u00e0: i GA possono operare come outer loop<\/a><\/strong> intorno agli LLM, mentre un LLM pu\u00f2 a sua volta generare candidati, funzionare come valutatore o contribuire alla riparazione di soluzioni all\u2019interno di un processo evolutivo (vedi la figura ripresa da pag. 5 del testo, e tradotta con l\u2019uso dell\u2019IA)<\/p>\n\n\n\n

\"Figure<\/figure>\n\n\n\n
\"Figura<\/figure>\n\n\n\n

La Fig. 10.2<\/strong> (\u201cOptimization-as-Design in education<\/em>\u201d, p. 65) porta la stessa architettura direttamente sul terreno educativo: l\u2019LLM contribuisce a formulare o generare alternative; obiettivi e vincoli vengono esplicitati; la ricerca GA\/MOEA confronta differenti possibilit\u00e0; la Pareto front<\/em> rende leggibili i trade-off; segue infine la scelta.<\/p>\n\n\n\n

\"Figure<\/figure>\n\n\n\n
\"Figura<\/figure>\n\n\n\n

\u00c8 questa probabilmente questa la parte del libro pi\u00f9 rilevante per l\u2019attuale dibattito sull\u2019IA a scuola. La questione non consiste semplicemente nel ricordare che un LLM pu\u00f2 produrre informazioni inesatte o allucinazioni. Il volume tratta anche questi rischi \u2014 insieme a provenienza dei dati, privacy, leakage ed explainability<\/em> \u2014 (nel ca<\/strong>p. 15, \u00a715.2.2, p. 156). Ma la questione teorica \u00e8 pi\u00f9 radicale: una buona generazione non equivale a una buona decisione<\/strong>.<\/p>\n\n\n\n

Un LLM pu\u00f2 produrre cinque spiegazioni differenti dello stesso concetto. Pu\u00f2 costruire un quiz, proporre un feedback o suggerire un percorso. Ma quale alternativa \u00e8 preferibile? \u201cPreferibile\u201d in base a cosa? Massimo apprendimento? Minimo tempo? Maggiore motivazione? Minore carico cognitivo? Maggiore equit\u00e0? Minore workload dell\u2019insegnante?<\/p>\n\n\n\n

Il libro vuole collocare uno strato di progettazione e governance proprio nello spazio fra produrre alternative<\/strong> e scegliere fra esse<\/strong>. Nel cap. 11 la distinzione viene sintetizzata efficacemente: gli LLM ampliano ci\u00f2 che possiamo esprimere, mentre l\u2019EC formalizza il modo in cui cerchiamo e decidiamo<\/strong>. (p. 73)<\/p>\n\n\n\n

Ci\u00f2 significa anche ridimensionare una concezione dell\u2019IA educativa nella quale tutto finisce per coincidere con la qualit\u00e0 del chatbot. Il problema non \u00e8 solo quanto sia sofisticata la risposta generata, ma quali decisioni essa alimenti e in quale sistema di vincoli venga inserita.<\/p>\n\n\n\n

3. Che cosa cambia per apprendimento e insegnamento?<\/h3>\n\n\n\n

La prima conseguenza riguarda la personalizzazione<\/strong>. Nell\u2019uso comune dell\u2019IA generativa, personalizzare significa spesso produrre una spiegazione pi\u00f9 semplice, cambiare tono, creare esercizi differenti. Nel volume la nozione \u00e8 pi\u00f9 complessa: l\u2019adaptive learning<\/a><\/strong> diventa una continua riorganizzazione di contenuti, ritmo e valutazione sulla base delle traiettorie osservate. La personalizzazione diventa cos\u00ec un problema multi-obiettivo: si pu\u00f2 voler aumentare la mastery senza aumentare eccessivamente il tempo, mantenere l\u2019engagement senza sacrificare prerequisiti, sostenere studenti differenti senza rendere ingestibile il lavoro del docente. L\u2019obiettivo non \u00e8 necessariamente trovare una traiettoria perfetta, ma mantenere aperte e confrontabili alternative differenti.<\/p>\n\n\n\n

Un secondo passaggio \u00e8 quello dalla previsione alla prescrizione<\/strong>. Le Learning Analytics hanno spesso concentrato molta attenzione sulla capacit\u00e0 di prevedere risultati, disimpegno o dropout. Ma sapere che uno studente ha un\u2019elevata probabilit\u00e0 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 \u00e8 ancora una sfida aperta e che servono pi\u00f9 studi sul campo e valutazioni longitudinali capaci di collegare le politiche suggerite agli effettivi percorsi degli studenti. (cap. 16, \u201cFrom prediction to prescription\u201d, p. 177; cap. 18, \u00a718.5, p. 188<\/em>).<\/strong><\/p>\n\n\n\n

Il terzo cambiamento riguarda il docente<\/strong>. Nel paragrafo \u00a716.4 (pp 168-170),intitolato  \u201cHuman-in-the-loop design and teacher augmentation\u201d, il libro formula un principio molto chiaro: \u201cDecision support, not decision replacement\u201d<\/strong>. L\u2019insegnante non dovrebbe limitarsi a controllare ex post il risultato prodotto dall\u2019algoritmo. Il suo giudizio deve entrare nella definizione stessa del problema. Pu\u00f2 stabilire priorit\u00e0, definire zone non negoziabili, escludere trade-off ritenuti inaccettabili, esplorare scenari what-if<\/em>, bloccare alcune decisioni e utilizzare funzioni di override,<\/em> ovvero un intervento manuale che prevale sulla decisione o sulla proposta del sistema.<\/p>\n\n\n\n

\u00c8 significativo che gli autori motivino questa scelta riconoscendo che molto di ci\u00f2 che conta nell\u2019educazione \u2014 intenzionalit\u00e0 formativa, contesto socio-emotivo, politiche locali \u2014 \u00e8 tacito, situato e non completamente rappresentato dai dati<\/strong>.<\/p>\n\n\n\n

\u00c8 proprio qui che la prefazione di Rivoltella diventa essenziale. L\u2019introduzione di uno strumento, osserva Rivoltella, non produce un cambiamento soltanto funzionale: cambia anche il modo di pensare. Gli algoritmi evolutivi possono diventare design devices<\/em> 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\u2019apprendimento resta adattivo, non lineare e situato. (pag. IX-X).<\/p>\n\n\n\n

Questo, a mio parare, permette anche di individuare una dimensione problematica del volume. Genetic Algorithms and Evolutionary Computation in Education<\/em> \u00e8 molto forte come proposta per la progettazione, l\u2019orchestrazione e la governance di sistemi educativi complessi<\/strong>; lo \u00e8 meno se lo si cerca come nuova teoria dell\u2019apprendimento umano. Timetabling, curriculum sequencing, allocation, grouping, early warning e tutoring<\/em> sono problemi educativi importanti, ma molti riguardano l\u2019organizzazione dell\u2019ambiente entro il quale l\u2019apprendimento avviene.<\/p>\n\n\n\n

E rimane una questione pedagogica decisiva che nessuna Pareto front pu\u00f2 risolvere: chi stabilisce ci\u00f2 che merita di essere misurato?<\/strong><\/p>\n\n\n\n

Una funzione di fitness pu\u00f2 includere apprendimento, equit\u00e0, workload e tempo solo dopo che qualcuno li ha trasformati in variabili o indicatori. Ma relazione educativa, senso attribuito allo studio, benessere, curiosit\u00e0, partecipazione o sviluppo dell\u2019autonomia non sono sempre facilmente traducibili in metriche. Il rischio non \u00e8 quindi soltanto che un algoritmo ottimizzi male. \u00c8 che ottimizzi benissimo ci\u00f2 che siamo riusciti a misurare, marginalizzando ci\u00f2 che non abbiamo saputo formalizzare<\/strong>. Questa \u00e8 una questione che il libro rende visibile, anche quando non la risolve.<\/p>\n\n\n\n

4. Dalla generazione alla decisione: governare la complessit\u00e0 educativa<\/h3>\n\n\n\n

Il volume, come si \u00e8 certamente compreso leggendo sino qui, \u00e8 decisamente tecnico e complesso. E\u2019 quindi doveroso chiedersi se e quanto le proposte e riflessioni del testo sono spendibili a scuola. Per rispondere \u00e8 necessario distinguere almeno tre livelli: adottare la filosofia del libro, utilizzare prodotti EdTech che implementano logiche simili, costruire un\u2019infrastruttura istituzionale GA\/EC + Learning Analytics + LLM<\/strong>. Si tratta, con tutta evidenza, di tre cose molto diverse.<\/p>\n\n\n\n

Il primo livello \u00e8 gi\u00e0 ampiamente praticabile<\/strong>. Un docente non ha bisogno di conoscere NSGA-II o programmare in R per utilizzare una logica multi-obiettivo: pu\u00f2 gi\u00e0 interrogarsi esplicitamente su risultati attesi, limiti, equit\u00e0, tempo disponibile, sostenibilit\u00e0 e possibili effetti indesiderati. Molto diversa \u00e8 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.<\/p>\n\n\n\n

Nella scuola primaria<\/strong>, quindi, la proposta sembra oggi pi\u00f9 forte come cultura progettuale che come sistema autonomo di profilazione. Pu\u00f2 aiutare a ragionare sulla differenziazione delle attivit\u00e0, sull\u2019inclusione o sulla composizione dei gruppi; sarebbe invece necessario essere molto pi\u00f9 cauti nell\u2019utilizzo di dati individuali per automatizzare decisioni sulla traiettoria di bambini.<\/p>\n\n\n\n

Nella secondaria di primo grado<\/strong> acquistano plausibilit\u00e0 sistemi teacher-facing<\/em> per sequencing di esercizi, recupero, materiali alternativi o formazione dei gruppi. L\u2019elemento decisivo rimane la possibilit\u00e0 del docente di comprendere, modificare e rifiutare le proposte.<\/p>\n\n\n\n

Nella secondaria di secondo grado<\/strong> aumentano gli spazi per adaptive learning, recupero, grouping ed early warning<\/a><\/strong>. Il libro riporta, per esempio, studi nei quali l\u2019Evolutionary Computation viene utilizzata per selezionare variabili e ottimizzare sistemi di individuazione precoce del rischio di abbandono. Ma \u00e8 proprio qui che occorre evitare un passaggio pericoloso: la previsione non deve trasformarsi in un\u2019etichetta n\u00e9 la probabilit\u00e0 in destino scolastico (\u00a710.2, pp. 66-67).<\/p>\n\n\n\n

\u00c8 nell\u2019universit\u00e0<\/strong> che l\u2019impianto complessivo del volume appare oggi pi\u00f9 immediatamente traducibile in sistemi reali. LMS, grandi popolazioni di studenti, MOOCs, Learning Analytics, disponibilit\u00e0 di strutture ICT e competenze di data science rendono pi\u00f9 plausibile l\u2019integrazione 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.<\/p>\n\n\n\n

La sfida italiana, per\u00f2, non riguarda soltanto la tecnologia.<\/p>\n\n\n\n

Le Linee guida per l\u2019introduzione dell\u2019IA nelle istituzioni scolastiche<\/strong>, pubblicate dal MIM nel 2025, distinguono IA al servizio degli studenti, a supporto dei docenti e a sostegno dell\u2019organizzazione, e richiedono alle istituzioni di partire dall\u2019analisi dei bisogni e del contesto, coinvolgendo i diversi stakeholder e seguendo il sistema lungo il suo ciclo di vita. \u00c8 un\u2019impostazione che, pur provenendo da un documento differente, presenta una consonanza evidente con l\u2019idea di governance e co-design proposta dal volume.<\/p>\n\n\n\n

Gli autori stessi, d\u2019altra parte, non suggeriscono un\u2019adozione indiscriminata. Nel \u00a718.4, \u201cPatterns for practice: from sandbox to institution<\/em>\u201d (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 scalabilit\u00e0. La Fig. 18.1, \u201cRoadmap from pilot to institutionalization of EC in education\u201d, p. 188, rappresenta una progressione da piccoli pilot a rollout successivi, intervallati da verifiche e governance gates<\/em>.<\/p>\n\n\n\n

\"Figure<\/figure>\n\n\n\n
\"Figura<\/figure>\n\n\n\n

La questione che rimane aperta<\/h3>\n\n\n\n

Il valore pi\u00f9 interessante del volume non consiste allora nella promessa che gli algoritmi genetici possano finalmente individuare \u201cla soluzione migliore\u201d per l\u2019educazione. Sarebbe, tra l\u2019altro, una lettura opposta alla stessa prefazione di Rivoltella.<\/p>\n\n\n\n

La proposta pi\u00f9 fertile \u00e8 un\u2019altra: usare la computazione per rendere pi\u00f9 esplicita la complessit\u00e0 invece di fingere di eliminarla<\/strong>.<\/p>\n\n\n\n

Ma proprio questa ambizione apre la domanda politicamente e pedagogicamente pi\u00f9 difficile. Una Pareto front<\/em> pu\u00f2 mostrarci che per migliorare un obiettivo dobbiamo sacrificarne parzialmente un altro; non pu\u00f2 dirci quale sacrificio sia giusto<\/strong>. Un algoritmo pu\u00f2 rispettare perfettamente una funzione di fitness; non pu\u00f2 decidere autonomamente se quella funzione rappresenti una buona idea di educazione.<\/p>\n\n\n\n

Per questo il capitolo conclusivo insiste su \u201cEthics as design, not decoration\u201d<\/em><\/strong>.<\/em> Fairness, privacy, monitoraggio e governance non devono essere controlli apposti alla fine del processo, ma elementi incorporati nella progettazione. La formula scelta dagli autori \u00e8 particolarmente efficace: \u201cresponsibility is engineered, not asserted\u201d<\/strong>. (cap. 18, \u00a718.3, pp. 186-187).<\/p>\n\n\n\n

\u00c8 forse questo il messaggio del libro che pi\u00f9 direttamente interpella docenti e formatori. La qualit\u00e0 dell\u2019IA educativa non si misura soltanto dalla qualit\u00e0 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 responsabilit\u00e0 finale<\/strong>.<\/p>\n\n\n\n

Se l\u2019IA generativa ha enormemente ampliato lo spazio delle possibilit\u00e0, il problema educativo dei prossimi anni potrebbe essere proprio imparare a governare quello spazio senza consegnare alla macchina la definizione di ci\u00f2 che vale la pena perseguire.<\/p>\n\n\n\n

Aluisi Tosolini<\/em><\/p>\n\n\n\n

\n

Piccolo glossario per orientarsi<\/h3>\n\n\n\n

Large Language Model (LLM)<\/strong> \u2014 Modello di IA addestrato su grandi quantit\u00e0 di dati capace di elaborare e generare linguaggio e, nei sistemi multimodali, anche altri formati. Nel volume viene associato soprattutto alla capacit\u00e0 di generare, sintetizzare e proporre alternative.<\/p>\n\n\n\n

Genetic Algorithm (GA) – algoritmo genetico<\/strong> \u2014 Metodo di ricerca e ottimizzazione che lavora su una popolazione di soluzioni candidate: le valuta, seleziona le pi\u00f9 promettenti, le ricombina e introduce variazioni per esplorare nuove possibilit\u00e0. (cap. 3, pp. 21-28).<\/p>\n\n\n\n

Evolutionary Computation (EC) – computazione evolutiva<\/strong> \u2014 Famiglia di metodi di ottimizzazione basati su popolazioni, selezione e variazione, della quale gli algoritmi genetici costituiscono una componente.<\/p>\n\n\n\n

Gradient Descent – discesa del gradiente<\/strong> \u2014 Famiglia di metodi che migliora progressivamente una soluzione utilizzando la pendenza matematica della funzione da ottimizzare. \u00c8 centrale nel deep learning e particolarmente efficace su problemi continui e differenziabili. (pp. 3-4; Fig. I.1, p. 4).<\/p>\n\n\n\n

Fitness function – funzione di fitness<\/strong> \u2014 Criterio mediante il quale vengono valutate le soluzioni candidate. In educazione la sua definizione \u00e8 particolarmente importante, perch\u00e9 implica stabilire che cosa debba contare come risultato desiderabile.<\/p>\n\n\n\n

Ottimizzazione multi-obiettivo<\/strong> \u2014 Ricerca che considera contemporaneamente pi\u00f9 obiettivi, anche conflittuali: per esempio apprendimento, equit\u00e0, costo, tempo e workload.<\/p>\n\n\n\n

Pareto front – frontiera di Pareto<\/strong> \u2014 Insieme delle soluzioni non dominate: per migliorare una soluzione rispetto a un obiettivo occorrerebbe peggiorarla rispetto ad almeno un altro. Non identifica quindi soluzioni perfette, ma differenti compromessi efficienti.<\/p>\n\n\n\n

Outer loop<\/strong> \u2014 Ciclo di ottimizzazione che opera intorno a un altro sistema. Nel volume pu\u00f2, per esempio, confrontare e modificare prompt, politiche o configurazioni utilizzate da un LLM.<\/p>\n\n\n\n

Learning Analytics (LA)<\/strong> \u2014 Analisi dei dati e delle tracce prodotte nelle esperienze educative allo scopo di comprendere e supportare apprendimento e decisioni.<\/p>\n\n\n\n

Adaptive learning<\/strong> \u2014 Sistema nel quale contenuti, ritmo, difficolt\u00e0 o attivit\u00e0 successive vengono modificati sulla base delle prestazioni e della traiettoria dello studente.<\/p>\n\n\n\n

Early warning<\/strong> \u2014 Sistema di allerta precoce che cerca di individuare segnali di possibile difficolt\u00e0, disimpegno o abbandono per consentire interventi tempestivi.<\/p>\n\n\n\n

Human-in-the-loop (HITL)<\/strong> \u2014 Approccio nel quale il giudizio umano rimane parte integrante del processo: la persona pu\u00f2 definire criteri e vincoli, interpretare le alternative, modificare o respingere le raccomandazioni ed esercitare un override. (\u00a716.4, pp. 168-170).<\/strong><\/p>\n<\/div>\n\n\n\n