INNOVAZIONE DIDATTICA: NUOVI SCENARI PER UNA DIDATTICA ATTIVA NELLE DISCIPLINE STEAM

La presente ricerca si colloca nel quadro teorico e metodologico dell’innovazione didattica, con l’obiettivo di indagare i nuovi scenari della didattica attiva nei contesti scolastici e universitari, con particolare riferimento alle discipline STEAM. Il lavoro si fonda sull’ipotesi che le trasformazioni epistemologiche indotte dalla digitalizzazione, dall’integrazione delle tecnologie educative e dalla crescente diffusione dell’intelligenza artificiale stiano ridefinendo in profondità i processi di insegnamento-apprendimento, rendendo necessario un ripensamento sistemico delle pratiche didattiche, dei dispositivi formativi e delle competenze professionali dei docenti. Il quadro teorico integra i contributi sull’apprendimento significativo [1], sulle metodologie attive [2] e sulle epistemologie integrate proprie dell’approccio STEAM, concependo l’apprendimento come processo costruttivo, situato e socialmente mediato, in linea con le prospettive riflessive della formazione docente [1,8]. Metodologie quali il Problem-Based Learning (PBL) e l’Inquiry-Based Learning (IBL) assumono, quindi, un ruolo centrale nel promuovere processi cognitivi profondi, sviluppo del pensiero critico e capacità di trasferimento delle conoscenze a contesti reali [3], trovando ulteriore fondamento nelle ricerche di didattica della fisica orientate alla costruzione di modelli mentali e alla comprensione concettuale [3,9]. Il ruolo degli ambienti digitali, parallelamente, viene reinterpretato in chiave epistemica: le piattaforme per l’apprendimento, e in particolare Moodle, non sono considerate meri strumenti tecnologici, ma ambienti capaci di mediare e trasformare i processi di costruzione della conoscenza [4]. L’impianto metodologico della ricerca è articolato e differenziato in funzione dei contesti indagati. In particolare, nel contesto universitario, la ricerca ha coinvolto due gruppi di studenti impegnati in attività di PBL: uno in presenza e uno mediato dalla piattaforma Moodle. In questo caso, l’analisi si è basata sull’integrazione di due approcci quantitativi distinti ma complementari: da un lato, l’analisi inferenziale mediante t-test per campioni indipendenti (condotta con JASP), dall’altro, la cluster analysis k-means (realizzata con XLSTAT), finalizzata all’individuazione di profili differenziati di esperienza di apprendimento. I risultati dello studio universitario mostrano come l’introduzione dell’ambiente digitale non produca differenze statisticamente significative nelle medie dei punteggi tra i gruppi, ma determini una riorganizzazione interna delle esperienze di apprendimento, evidenziata dalla maggiore articolazione dei cluster. Questo dato suggerisce che la tecnologia agisce principalmente come fattore di trasformazione della struttura dell’esperienza didattica, piuttosto che come semplice amplificatore delle prestazioni medie. Diversamente, nel contesto scolastico è stato adottato il disegno mixed-methods all’interno di un percorso di ricerca-formazione rivolto a 21 docenti della scuola primaria e secondaria di primo grado. Tale scelta metodologica risponde alla necessità di indagare in modo integrato la presenza e l’evoluzione di specifici costrutti teorici legati alla didattica attiva e allo sviluppo professionale docente, attraverso la combinazione di dati quantitativi e qualitativi [5]. La componente quantitativa è stata realizzata mediante la somministrazione di questionari pre e post intervento, costruiti a partire da fattori latenti riconducibili a dimensioni chiave della didattica attiva: capacità di formulare domande significative (Asking), gestione dei processi di indagine (Investigate & Creation), promozione della discussione e riflessione (Discussion & Reflection), connessione con la vita quotidiana (Relation with Daily Life), competenza digitale professionale (TPDC), sviluppo di contenuti digitali (TDCD), readiness epistemica in ambito STEM (KN) e autoefficacia nell’integrazione STEM (PSE). L’analisi inferenziale è stata condotta mediante t-test per campioni appaiati attraverso il software JASP, al fine di verificare la significatività delle variazioni tra le rilevazioni pre e post. A tale analisi si affianca una cluster analysis (k-means), realizzata mediante XLSTAT, che ha consentito di individuare configurazioni latenti di docenti e di analizzare le transizioni tra profili pre e post intervento. La scelta del numero ottimale di cluster è stata guidata da criteri di coerenza statistica, interpretabilità pedagogica e adeguata distribuzione delle numerosità. Questo approccio ha permesso di superare una lettura centrata sulle medie, evidenziando la natura differenziata e trasformativa dei percorsi di sviluppo professionale. La componente qualitativa, integrata nel disegno mixed methods, è stata sviluppata attraverso interviste e successiva analisi tematica [6], finalizzata a rilevare la presenza dei costrutti teorici (fattori latenti) all’interno delle pratiche didattiche descritte dai docenti. L’analisi è stata condotta mediante un processo di codifica sistematica e triangolazione tra ricercatori, al fine di garantire robustezza interpretativa. L’integrazione tra dati quantitativi e qualitativi ha consentito di costruire un quadro interpretativo articolato, in cui i cambiamenti rilevati nei punteggi trovano riscontro nelle trasformazioni delle pratiche e delle rappresentazioni professionali. Un ulteriore asse di indagine riguarda l’integrazione dell’intelligenza artificiale nella formazione dei docenti. L’analisi delle percezioni pre e post intervento, focalizzata sui fattori di competenza e utilità, evidenzia incrementi statisticamente significativi, confermando che percorsi formativi strutturati possono favorire un approccio più consapevole e pedagogicamente orientato all’uso delle tecnologie intelligenti [7]. Nel complesso, i risultati della ricerca evidenziano che l’innovazione didattica richiede un approccio sistemico che integri dimensioni epistemologiche, metodologiche e tecnologiche. La didattica attiva emerge come paradigma in grado di sostenere tale integrazione, promuovendo forme di apprendimento significativo, riflessivo e contestualizzato, in coerenza con modelli di sviluppo professionale basati sulla riflessività e sulla rielaborazione dell’esperienza [1,8] e il dispositivo di ricerca-formazione si configura come uno strumento efficace per accompagnare i docenti in processi di trasformazione professionale. Per quanto concerne i limiti, nel contesto scolastico si segnala la dimensione contenuta del campione, che non ha consentito l’applicazione di analisi fattoriali sui dati quantitativi, nonché le condizioni operative dei contesti educativi, che possono incidere sulla piena implementazione dei dispositivi di ricerca-formazione. In particolare, nella parte del percorso dedicata all’intelligenza artificiale, pur essendo inserita all’interno dello stesso disegno di ricerca-formazione, non è stata condotta un’analisi tematica sulle interviste ai docenti. Tale scelta è riconducibile a vincoli contestuali legati alla difficoltà di osservare e documentare pratiche didattiche con l’IA direttamente in aula, in quanto l’utilizzo di strumenti di intelligenza artificiale risulta ancora limitato o regolato nei contesti scolastici, rendendo meno accessibili dati osservativi diretti sulle interazioni didattiche. Di conseguenza, l’analisi si è concentrata prevalentemente sulla dimensione percettiva (competenza e utilità), senza un approfondimento qualitativo delle pratiche. Nel contesto universitario, emergono ulteriori criticità specifiche. In primo luogo, la rilevazione è stata effettuata esclusivamente in fase post-intervento, senza una misurazione pre, limitando la possibilità di analizzare variazioni intra-soggetto e di stabilire relazioni causali robuste. Tale scelta è stata tuttavia motivata dall’esigenza di evitare distorsioni legate alla non familiarità iniziale degli studenti con il modello PBL. Inoltre, gli studenti sono stati preliminarmente formati sulle caratteristiche e sulle sette fasi del PBL, condizione necessaria per un’implementazione consapevole, ma che introduce un elemento di mediazione tra dispositivo didattico e percezione dell’esperienza. Un ulteriore limite riguarda l’organizzazione del corso sulla piattaforma Moodle, in cui i contenuti disciplinari sono stati veicolati anche attraverso risorse esterne, in particolare i video scientifici di JoVE. Sebbene tali materiali siano altamente qualificati, la loro integrazione può aver influenzato l’esperienza di apprendimento, introducendo una variabilità legata alla modalità di fruizione e al grado di mediazione didattica. Infine, la natura quasi-sperimentale del disegno e la possibile eterogeneità dei gruppi limitano la generalizzabilità dei risultati. Le prospettive future di ricerca, tuttavia, risultano particolarmente rilevanti e superano i limiti evidenziati, delineando traiettorie di sviluppo sia per il contesto scolastico sia per quello universitario. In ambito scolastico, appare prioritario ampliare il campione e strutturare disegni longitudinali che consentano di osservare l’evoluzione dei costrutti nel tempo, integrando in modo più sistematico strumenti quantitativi e qualitativi. In particolare, sarà possibile rafforzare la componente qualitativa attraverso l’estensione dell’analisi tematica anche ai percorsi legati all’intelligenza artificiale, nel momento in cui le condizioni di accesso e utilizzo in classe permetteranno una documentazione più diretta delle pratiche didattiche. Un ulteriore sviluppo riguarda l’integrazione con strumenti osservativi validati, al fine di consolidare la triangolazione tra percezioni, pratiche e comportamenti osservabili. Nel contesto universitario, le prospettive future includono l’introduzione di disegni pre-post, che permettano di analizzare in modo più robusto le variazioni nei processi di apprendimento, nonché l’adozione di strategie di assegnazione più controllata dei gruppi, al fine di ridurre l’influenza di variabili intervenienti. Inoltre, risulta particolarmente promettente l’approfondimento dell’analisi dei cluster in chiave longitudinale, per osservare come i profili degli studenti evolvano nel tempo e in relazione a diverse configurazioni didattiche. Un ulteriore sviluppo riguarda la progettazione di ambienti digitali più integrati, in cui le risorse esterne, come i contenuti di JoVE, siano pienamente armonizzate con la struttura pedagogica del corso. In una visione più ampia, la ricerca apre alla possibilità di costruire modelli didattici integrati tra scuola e università, in cui la didattica attiva, le tecnologie digitali e l’intelligenza artificiale siano concepite come elementi interdipendenti di un ecosistema formativo complesso. In tale direzione, il dispositivo di ricercaformazione può evolvere verso modelli scalabili e trasferibili, contribuendo alla definizione di pratiche didattiche innovative fondate su evidenze empiriche e capaci di rispondere alle sfide educative contemporanee. Bibliografia (APA, coerente con citazioni nel testo) [1]Ausubel, D. P. (1968). Educational psychology: A cognitive https://scholar.google.com/scholar?q=Ausubel+Educational+Psychology+A+Cognitive+View view. [2]Freeman, S., et al. (2014). Active learning increases student performance in STEM. PNAS. https://doi.org/10.1073/pnas.1319030111 [3]Hmelo-Silver, C. E. (2004). Problem-based learning. Educational Psychology Review. https://doi.org/10.1023/B:EDPR.0000034022.16470.f3 [4]Means, B., et al. (2010). Evaluation of evidence-based practices in online learning. https://scholar.google.com/scholar?q=Means+online+learning [5]Creswell, J. W., & Plano Clark, V. L. (2018). Designing and conducting mixed methods research. https://scholar.google.com/scholar?q=Creswell+Plano+Clark [6]Braun, V., & Clarke, V. (2006). Thematic analysis. https://doi.org/10.1191/1478088706qp063oa [7]Holmes, W., et al. (2019). Artificial intelligence in education. https://doi.org/10.1787/eedfee77-en [8]Mignosi, E. (2007). La formazione come pratica riflessiva. FrancoAngeli. https://scholar.google.com/scholar?q=Mignosi [9]Fazio, C., Battaglia, O. R., & Di Paola, B. (2013). Physics Education Research. https://doi.org/10.1103/PhysRevSTPER.9.020101