Students using GenAI lag behind in problem-solving competence: an agent-based study of classroom networks

Sintesi Tecnica: Gli studenti che utilizzano la GenAI rimangono indietro nella competenza di problem-solving

Definizione del Problema
Lo sviluppo della Competenza di Problem-Solving (PSC) è fondamentale per preparare cittadini resilienti, tuttavia l'impatto collettivo dell'Intelligenza Artificiale Generativa (GenAI) su questo sviluppo all'interno degli ambienti scolastici rimane poco esplorato. Mentre la letteratura esistente copre ampiamente i risultati di apprendimento individuali e gli atteggiamenti verso la GenAI, manca una comprensione di come la distribuzione delle strategie di apprendimento — specificamente la scelta tra l'uso della GenAI, la collaborazione con i pari o il lavoro individuale — modelli l'evoluzione della PSC all'interno di una comunità di apprendimento. Esiste una lacuna critica nel determinare se la GenAI agisca come uno scaffold per l'apprendimento co-costruttivo o come un meccanismo di offloading cognitivo che ostacola l'apprendimento profondo, in particolare considerando l'interazione dinamica tra le scelte individuali e le strutture delle reti tra pari.

Metodologia
Per affrontare questo problema, gli autori hanno sviluppato un Modello Basato su Agenti (ABM) per simulare l'evoluzione della PSC in una classe di fisica di una scuola superiore nell'arco di 60 passi temporali (che rappresentano 60 esercizi).

• Agenti e Variabili di Stato: Il modello consiste in $N=30$ agenti studenti. Ogni agente $i$ è caratterizzato da tre variabili di stato:
  1. Competenza di Problem-Solving ($C_i^t$): La capacità di risolvere esercizi di fisica, inizializzata utilizzando distribuzioni empiriche dai dati delle valutazioni INVALSI italiane ($N(\mu=195.9, \sigma=1.28)$).
  2. Dipendenza dalla GenAI ($\alpha_i^t$): Un valore in $[0,1]$ che rappresenta l'affidamento all'IA, inizializzato a 0.5.
  3. Affidamento sui Pari ($\tau_i^t$): Un valore in $[0,1]$ che rappresenta la tendenza a cercare l'aiuto dei compagni, inizializzato a 0.5.
• Dati e Calibrazione: Il modello utilizza un dataset di 60 esercizi di fisica che coprono il curriculum del Liceo Scientifico italiano. Ogni esercizio è annotato con tre componenti: conoscenza matematica, ragionamento fisico e abilità di problem-solving cognitivo (CPSS). Fondamentalmente, il modello quantifica il "gap di punteggio" tra le soluzioni umane (senza IA) e le soluzioni GenAI (utilizzando OpenAI's GPT-5.5). I dati indicano che, sebbene la GenAI possa risolvere gli esercizi, produce guadagni inferiori in termini di CPSS rispetto al problem-solving umano.
• Dinamiche e Selezione della Strategia: Ad ogni passo temporale, gli agenti scelgono una strategia basata su una funzione di probabilità sigmoidea influenzata dalla difficoltà dell'esercizio, dal guadagno di competenza attuale, dalla dipendenza dall'IA e dall'affidamento sui pari.
  • Uso della GenAI ($S_i=1$): Gli agenti assumono che l'esercizio sia risolto, ma gli aggiornamenti della competenza sono limitati. Ottengono potenziali conoscenze matematiche e fisiche, ma sperimentano un potenziale decremento o guadagno nullo in CPSS, riflettendo l'offloading cognitivo.
  • Nessun Uso della GenAI ($S_i=0$): Gli agenti lavorano o indipendentemente o collaborando con un compagno della loro rete. La probabilità di successo è impostata a 0.54 (basata su dati nazionali). Il lavoro indipendente di successo produce guadagni di competenza completi. La collaborazione tra pari permette il trasferimento di conoscenza: se un compagno è più competente, la competenza dell'agente viene aggiornata a un valore casuale compreso tra il proprio e quello del compagno; se è meno competente, non avviene un apprendimento aggiuntivo.
• Strutture di Rete: Lo studio simula le interazioni attraverso quattro diverse topologie di rete per testare la robustezza strutturale:
  1. Reti casuali di Erdős–Rényi (ER).
  2. Reti small-world di Watts–Strogatz (WS).
  3. Modelli a Blocchi Stocastici (SBM) che rappresentano strutture di comunità.
  4. SBM modificati che incorporano l'omofilia basata sulla competenza (dove le connessioni iniziali tra pari sono formate in base a livelli di competenza simili).

Risultati Chiave
I risultati della simulazione, derivati da 1.000 esecuzioni indipendenti per condizione, rivelano impatti negativi significativi dell'accesso alla GenAI sulle dinamiche collettive della competenza:

1. Riduzione della Competenza Media: In tutte le topologie di rete, le classi con accesso alla GenAI hanno costantemente dimostrato un tasso di acquisizione delle abilità più lento e una PSC media finale inferiore rispetto alle classi senza GenAI.
2. Stallo della Mobilità Ascendente: In assenza di GenAI, gli studenti progrediscono verso livelli di competenza più elevati, con la distribuzione che si concentra nelle categorie "Alta" e "Molto Alta". Al contrario, l'accesso alla GenAI causa una stagnazione in cui una parte significativa degli studenti rimane nei livelli "Media", "Bassa" e "Molto Bassa".
3. Emergenza della Bimodalità: L'introduzione della GenAI ha trasformato la distribuzione finale della competenza da uno stato unimodale relativamente omogeneo a una distribuzione bimodale. La modellazione di miscela gaussiana ha mostrato che l'accesso alla GenAI ha aumentato la dimensione del cluster a bassa competenza da circa l'1–4% (negli scenari senza IA) all'8–12% della popolazione.
4. Stratificazione per Frequenza d'Uso: L'analisi della frequenza d'uso ha rivelato che gli studenti con la più alta frequenza di utilizzo della GenAI (75–100% degli esercizi) erano sproporzionatamente concentrati nel picco emergente di bassa competenza. Ciò suggerisce che l'elevato affidamento sulla GenAI sopprime attivamente il dominio delle abilità di problem-solving.
5. Interazione con l'Omofilia: Nelle reti con omofilia basata sulla competenza (SBM modificato), l'accesso alla GenAI sembra aver amplificato la stratificazione, riducendo la probabilità che gli studenti superino i propri vicinati di competenza iniziale.

Significatività e Rivendicazioni
L'articolo sostiene che l'impatto educativo della GenAI non può essere valutato esclusivamente attraverso i risultati di apprendimento individuali o il completamento immediato dei compiti. Invece, lo studio dimostra che la disponibilità della GenAI rimodella fondamentalmente le dinamiche collettive dello sviluppo della competenza all'interno delle comunità di apprendimento.

Gli autori sostengono che, sebbene la GenAI possa facilitare il completamento dei compiti, il suo uso come scorciatoia può portare a un offloading cognitivo che diminuisce lo sviluppo di abilità di problem-solving autonome. Questo effetto non è uniforme; crea una stratificazione in cui un sottoinsieme di studenti resta indietro, risultando in una classe polarizzata dove una parte significativa della popolazione non raggiunge un'alta competenza. Lo studio conclude che i rischi della GenAI vanno oltre i deficit individuali del pensiero critico e includono la riorganizzazione strutturale delle distribuzioni di competenza in classe, potenzialmente lasciando una quota maggiore di studenti in livelli di competenza inferiori rispetto a quanto avverrebbe in ambienti di apprendimento tradizionali.