From Prompt Engineering to Epistemic Prompting: Prompt Trajectories as AI-Mediated Problem Framing in Science Education

Sintesi Tecnica: Dal Prompt Engineering all'Epistemic Prompting

Problematica
Gli approcci attuali all'interazione con i Large Language Model (LLM) nell'educazione STEM trattano prevalentemente il "prompt engineering" come una competenza tecnica volta a ottimizzare la qualità, l'accuratezza o il formato dell'output. Sebbene questa logica di valutazione a valle sia necessaria per l'utilità dello strumento, essa è insufficiente per l'apprendimento. Il documento identifica una lacuna critica: la letteratura esistente non teorizza come i turni sequenziali dello studente funzionino come mosse di inquadramento disciplinare del problema (problem-framing) all'interno di un contesto conversazionale accumulato. Inoltre, esiste il rischio che gli output fluidi del modello possano celare modelli inappropriati, assunzioni non dichiarate o discrepanze tra rappresentazioni, portando a una riduzione dello sforzo cognitivo e all'accettazione di affermazioni non supportate. Il problema centrale è la mancanza di un framework che interpreti le traiettorie dei prompt non semplicemente come raffinamenti iterativi per ottenere risposte migliori, ma come pratiche epistemiche in cui gli studenti articolano, regolano e valutano come un compito di conoscenza venga costituito.

Metodologia
Questo articolo è un paper di modello concettuale (Jaakkola, 2020) che sintetizza la letteratura esistente da quattro filoni di ricerca primari: prompt engineering/AI literacy, tutoring conversazionale, metacognizione/autoregolazione ed epistemological framing/rappresentazioni multiple. Invece di presentare nuovi dati empirici, l'autore costruisce un framework teorico mappando i "problemi irrisolti" in questi campi adiacenti. La metodologia prevede:

1. Sintesi delle Definizioni: Integrare l'inquadramento epistemologico (l'interpretazione situata di attività, conoscenza e azione) con la meccanica del dialogo uomo-LLM.
2. Operazionalizzazione dei Concetti: Sviluppare un vocabolario funzionale (Tabella 2) per codificare i turni dello studente in base al loro impatto sull' "organizzazione epistemica" di un problema.
3. Modellazione dell'Interazione: Proporre un "Ciclo di Inquadramento-Prompting" (Framing-Prompting Loop) ricorsivo che visualizzi la relazione tra la funzione del prompt, il contesto accumulato, gli standard disciplinari e l'uptake dello studente.

Contributi Chiave
Il paper introduce il concetto di Epistemic Prompting, definito come la costruzione e la revisione deliberata dei prompt per articolare, regolare e valutare come un compito di conoscenza viene inquadrato. Il suo criterio primario è l' "adeguatezza epistemica" — ovvero se l'interazione renda disponibili gli oggetti, le relazioni, le assunzioni e la distribuzione del lavoro per l'analisi — piuttosto che la mera qualità dell'output.

I contributi principali includono:

• La Traiettoria del Prompt: Spostare l'unità di analisi dal singolo prompt isolato o dalla risposta finale all'intera sequenza di prompt, risposte del modello, uptake dello studente e controlli disciplinari.
• Il Ciclo di Inquadramento-Prompting: Un modello multi-turno in cui un prompt iniziale stabilisce un macro-frame provvisorio (selezione dei problemi, delle rappresentazioni, delle assunzioni e della distribuzione del lavoro), e i turni successivi mantengono, specificano, sfidano, riparano, trasformano o riformulano tale organizzazione.
• Tassonomia Funzionale: Un insieme di indicatori operativi per la codifica dei turni dello studente (Tabella 2), distinguendo tra:
  • Stabilire (definire il problema e il ruolo).
  • Mantenere (preservare il modello corrente).
  • Specificare (rendere espliciti gli elementi impliciti).
  • Sfidare (mettere in discussione l'evidenza o la validità).
  • Riparare (diagnosticare le incongruenze preservando gli elementi giustificati).
  • Trasformare la Rappresentazione (passare tra modalità, ad esempio da grafico a equazione, per scopi disciplinari).
  • Riformulare (introdurre nuovi modelli o criteri).
  • Chiudere/Sintetizzare (richiedere validazione e chiusura giustificata).
• Warranting Concetto-Decisione: Un criterio specifico che richiede che i prompt colleghino i concetti a decisioni concrete (ad esempio, come un concetto vincoli un calcolo o un criterio di validazione), andando oltre la semplice definizione o la ricerca di risposte.

Risultati e Rivendicazioni
Come paper concettuale, i "risultati" sono il framework proposto e le sue implicazioni teoriche per l'istruzione e la valutazione STEM:

• Distinzione dal Prompt Engineering: A differenza del convenzionale prompt engineering che cerca di ottimizzare l'output, l'epistemic prompting tratta il prompt come una traccia pubblica dell'agenzia epistemica dello studente. Un prompt è educativamente produttivo non perché produce una risposta perfetta, ma perché espone un malinteso, un conflitto rappresentazionale o un criterio di validazione mancante.
• Delega Regolata: Il framework sostiene una "delega regolata", in cui il modello contribuisce con rappresentazioni, calcoli o critiche, ma lo studente mantiene la responsabilità normativa di inquadramento, validazione e determinazione di quando una conclusione è giustificata.
• Implicazioni Didattiche: L'istruzione dovrebbe andare oltre i "template" per buoni output. Inveve, i compiti dovrebbero richiedere agli studenti di formulare prompt che dichiarino esplicitamente il contesto disciplinare, la distribuzione dei ruoli, il percorso metodologico e i criteri di validazione. Gli studenti dovrebbero essere addestrati a revisionare i prompt per sfidare le assunzioni o spostare le rappresentazioni, piuttosto che semplicemente riformulare per chiarezza.
• Implicazioni per la Valutazione: La valutazione dovrebbe analizzare la traiettoria del prompt (evidenza del processo) piuttosto che solo il prompt finale o la risposta. Le rubriche dovrebbero esaminare l'adeguatezza dell'inquadramento iniziale, la qualità dell'uptake, la funzione dei follow-up e la giustificazione della chiusura, cercando pattern di ricerca di risposte improduttiva rispetto a una produttiva regolazione epistemica.

Significatività e Limiti
Il paper sostiene che l'epistemic prompting estenda l'AI literacy collegando la competenza operativa alla responsabilità dell'indagine. Argomenta che, in un'era di IA generativa accessibile, la competenza decisiva è mantenere il controllo epistemico sul processo di indagine.

L'autore nota esplicitamente la modestia del paper riguardo alle proprie rivendicazioni:

• Nessuna Evidenza Empirica: L'articolo propone un framework ma non fornisce prove empiriche che l'istruzione all'epistemic prompting migliori la comprensione, il trasferimento o l'autoregolazione.
• Preoccupazioni per l'Equità: Il framework riconosce che l'elaborato prompting in linguaggio naturale può privilegiare studenti con un forte linguaggio accademico o una previa conoscenza disciplinare. Avverte di non confondere la fluidità linguistica con la competenza epistemica e suggerisce che l'istruzione debba fornire molteplici punti di ingresso (ad esempio, schizzi, codice, dialogo parlato).
• Direzioni Future: Il paper chiama a futuri studi per testare il framework attraverso diverse discipline, esaminare la relazione tra i tipi di traiettoria (ad esempio, sfida/riparazione rispetto alla ricerca di risposte) e la risoluzione indipendente dei problemi, e validare le categorie di codifica rispetto a misure indipendenti di comprensione concettuale.