L'insegnamento si propone innanzitutto di sviluppare un uso consapevole, critico e responsabile degli strumenti di intelligenza artificiale generativa, fornendo agli studenti le conoscenze di base necessarie per…
Scheda dell'insegnamento
Obiettivi formativi
L'insegnamento si propone innanzitutto di sviluppare un uso consapevole, critico e responsabile degli strumenti di intelligenza artificiale generativa, fornendo agli studenti le conoscenze di base necessarie per comprenderne il funzionamento, valutarne potenzialità, limiti e rischi e utilizzarla in modo appropriato nelle attività di studio e di ricerca. L'intelligenza artificiale rappresenta un tema trasversale dell'intero insegnamento e viene affrontata in relazione agli altri due principali ambiti formativi del corso: 1) la ricerca e gestione dell'informazione scientifica, finalizzata a sviluppare le competenze teorico-pratiche necessarie per cercare, recuperare, valutare, selezionare, archiviare e riutilizzare l'informazione scientifica, con particolare riferimento alle fonti e agli strumenti rilevanti per la psicologia; 2) la gestione e analisi dei dati quantitativi, finalizzata a fornire un'introduzione all'uso di Microsoft Excel e del linguaggio R, sviluppando competenze propedeutiche tanto ai successivi insegnamenti quantitativi del Corso di Studio (Statistica, Modelli di Analisi dei Dati) quanto alla preparazione della tesi di laurea. In entrambi gli ambiti, gli studenti saranno guidati a integrare criticamente gli strumenti di IA generativa nelle diverse attività, dalla ricerca bibliografica e valutazione delle fonti alla programmazione e analisi dei dati, mantenendo il controllo sul processo, verificando autonomamente l'affidabilità dei risultati prodotti e riconoscendo gli usi appropriati e inappropriati di tali tecnologie. Al termine dell'insegnamento lo studente dovrebbe essere in grado di utilizzare in maniera integrata e consapevole strumenti di intelligenza artificiale, risorse bibliografiche e strumenti informatici a supporto dello studio universitario e delle prime attività di ricerca scientifica. Per una descrizione analitica degli obiettivi formativi si rimanda alla sezione relativa ai risultati di apprendimento attesi.
Programma
I contenuti dell'insegnamento sono organizzati in tre macroaree, per complessivi 6 CFU. 1) Intelligenza artificiale, information literacy e studio universitario = 3 CFU Otto lezioni in aula: 1.1. Introduzione e presentazione del corso. 1.2. L'Epoca dell'IA: sviluppo recente dell'IA, impatto sociale, economico, culturale e scientifico; orientamenti geopolitici, normativi e istituzionali. 1.3. Basi dell'IA generativa: funzionamento dei Large Language Models; dati di addestramento, token, contesto e generazione probabilistica degli output. 1.4. Lati oscuri dell'IA: allucinazioni, bias, privacy, sicurezza, copyright, sostenibilità, uso improprio, dipendenza tecnologica e conseguenze cognitive e sociali. 1.5. Prompt Design: formulazione di prompt efficaci; compito, contesto, vincoli, formato dell'output, strategie iterative e verifica dei risultati. 1.6. IA per la ricerca bibliografica: opportunità e limiti dell'IA nella ricerca della letteratura; integrazione con motori di ricerca, database e strumenti AI-based; verifica di fonti e citazioni. 1.7. IA per la ricerca scientifica: applicazioni nella lettura critica, sintesi della letteratura, scrittura, revisione dei testi e analisi dei dati; integrità accademica, trasparenza e responsabilità. 1.8. IA per studiare: comprensione, sintesi e organizzazione dei contenuti; generazione di un manuale del corso su Gemini Notebook; domande, esercizi e simulazioni d'esame; IA come tutor e strumento di feedback. 2) Ricerca, recupero e gestione dell'informazione scientifica = 2 CFU Attività sincrone in aula virtuale: 2.1. Letteratura scientifica e tipologie di documenti. 2.2. Peer review. 2.3. Metadati e indicizzazione. 2.4. Indicizzazione bibliografica, full text e per citazioni. 2.5. Operatori booleani e strategie di ricerca. 2.6. Richiamo e precisione nell'information retrieval. 2.7. Valutazione qualitativa e quantitativa dei documenti scientifici. 2.8. Database biomedici e psicologici: MEDLINE/PubMed e PsycINFO. 2.9. Indici di citazioni: Web of Science, Scopus, Google Scholar, Scite. 2.10. Digital libraries, open archives, cataloghi e servizi UNIMORE per il recupero del full text. 2.11. Ricerca dell'informazione scientifica nel Web. 2.12. Uso critico dell'IA nella ricerca bibliografica: dalle stringhe di ricerca alle funzioni di deep research dei principali chatbot. 2.13. Gestione dell'informazione bibliografica con Zotero. 2.14. Introduzione allo stile APA. 3) Gestione e analisi dei dati quantitativi = 1 CFU Attività asincrone tramite videolezioni e videopillole disponibili dall'inizio del corso: 3.1. Organizzazione e gestione dei research data quantitativi. 3.2. Introduzione a Microsoft Excel. 3.3. Organizzazione, pulizia, trasformazione ed elaborazione dei dati. 3.4. Formule, funzioni e principali strumenti del foglio elettronico. 3.5. Introduzione al linguaggio R. 3.6. Importazione, manipolazione ed esplorazione dei dati con R. 3.7. IA generativa a supporto di programmazione, comprensione del codice e analisi dei dati. 3.8. Verifica critica dei risultati prodotti con strumenti automatici e di IA. La distribuzione dei contenuti può subire limitate variazioni per feedback degli studenti, esigenze organizzative e rapida evoluzione degli strumenti trattati.
Non sono richieste conoscenze specialistiche preliminari. Sono sufficienti le competenze informatiche e informative di base normalmente acquisite nella scuola secondaria di secondo grado. Tutte le fonti utilizzate durante le lezioni e le esercitazioni (database, cataloghi e documenti), quando non disponibili in open access, sono comunque accessibili gratuitamente attraverso la rete UNIMORE grazie alle licenze acquisite dal Sistema Bibliotecario di Ateneo. Analogamente, i software richiesti sono open source (R, Zotero), oppure messi gratuitamente a disposizione degli studenti dall'Ateneo attraverso licenze campus (Microsoft 365, Gemini EDU).
L'insegnamento è erogato in modalità blended e in lingua italiana. La frequenza non è obbligatoria, ma la partecipazione alle attività sincrone è fortemente raccomandata. In ogni caso, la fruizione delle videolezioni e delle videopillole registrate disponibili sulla piattaforma didattica costituisce parte integrante del percorso formativo e della preparazione richiesta ai fini del superamento dell’esame. La didattica integra diverse modalità di erogazione e differenti strategie formative: - lezioni in presenza dedicate prevalentemente all'intelligenza artificiale, all'AI literacy e alle sue applicazioni nello studio, nella ricerca bibliografica e nella ricerca scientifica; - attività sincrone in aula virtuale dedicate prevalentemente alla ricerca, al recupero, alla valutazione e alla gestione dell'informazione scientifica; - videolezioni e videopillole asincrone, disponibili fin dall'inizio del corso, dedicate in particolare all'utilizzo di Microsoft Excel e del linguaggio R; - dimostrazioni pratiche di database, software e strumenti di intelligenza artificiale; - esercitazioni guidate, analisi di esempi e casi di studio; - attività di autovalutazione e simulazioni della prova d'esame; - materiali di studio, esercitazioni e ulteriori risorse disponibili sulla piattaforma didattica dell'insegnamento. L'integrazione tra attività sincrone e asincrone permette allo studente di organizzare parte dell'apprendimento secondo i propri tempi, mantenendo la possibilità di applicare e discutere le competenze acquisite nelle attività interattive.
Modalità d'esame
La verifica dell'apprendimento si svolge al termine dell'insegnamento, secondo il calendario ufficiale degli appelli, mediante una prova scritta della durata di 60 minuti somministrata attraverso la piattaforma didattica online. La prova comprende 30 quesiti a risposta multipla (5 opzioni, solo 1 corretta) relativi all'intero programma dell'insegnamento. I quesiti sono finalizzati a verificare: - la conoscenza e la comprensione dei concetti e degli strumenti presentati nel corso; - la capacità di applicare le conoscenze acquisite a semplici problemi e situazioni; - la capacità di distinguere fonti, strumenti, procedure e strategie appropriate; - la capacità di valutare criticamente l'affidabilità delle informazioni e degli output prodotti mediante strumenti digitali e di intelligenza artificiale. A ciascuna risposta corretta viene attribuito 1 punto. A ciascuna risposta errata sono attruibuiti -0.25 punti. Le risposte non fornite valgono 0 punti. Il voto è espresso in trentesimi e, ai fini del superamento dell'esame, è necessario conseguire almeno 18/30. È inoltre prevista una domanda aperta aggiuntiva, valutata esclusivamente ai fini dell'eventuale attribuzione della lode agli studenti che abbiano conseguito 30/30 nella sezione a risposta multipla. Tutte le domande d'esame saranno estratte da un deposito, in fase di allestimento, che sarà messo a disposizione degli studenti sulla piattaforma didattica online prima della conclusione delle lezioni. In tal modo gli studenti potranno familiarizzare con il contenuto e il livello di difficoltà dei test esercitandosi su domande "molto simili" a quelle che confluiranno nella prova finale. L'esito della prova finale è immediatamente visibile al termine della stessa e viene poi ufficialmente registrato dal docente sulla piattaforma ESSE3. Chi prende un voto minore di 18 deve rifare l'esame e può presentarsi direttamente alla sessione successiva (no salto d'appello). Chi prende un voto maggiore o uguale a 18 e intende rifiutarlo per ritentare l'esame deve comunicarlo immediatamente al termine della prova.
Testi di riferimento
Codice insegnamento 23721