Non è solo un cappello: quando all’università nessuno vede il disegno

January 28, 2026January 30, 2026 ~ Marco Piovesan ~ Leave a comment

Nel Piccolo Principe un bambino mostra agli adulti un disegno che per lui rappresenta chiaramente un boa che ha inghiottito un elefante. Gli adulti, tutti, vedono soltanto un cappello. Non perché siano stupidi o distratti, ma perché guardano con categorie diverse. Non riescono più a vedere ciò che non rientra nelle loro mappe mentali. Questa scena descrive con sorprendente precisione ciò che accade oggi in molte aule universitarie. Gli studenti arrivano spesso con tre grandi mancanze strutturali.

Nel passato, conoscenze di base insufficienti, frammentate, spesso dimenticate.

Nel presente, una motivazione debole o puramente strumentale: superare l’esame, accumulare crediti.

Nel futuro, un’assenza quasi totale di visione: non sanno che lavoro faranno, che ruolo avranno, perché ciò che studiano dovrebbe contare davvero.

In queste condizioni, insegnare diventa estremamente difficile. Talvolta, semplicemente impossibile. Il professore entra in aula con una mappa ricca: concetti astratti, relazioni teoriche, modelli che si tengono insieme, applicazioni che aprono domande. Lo studente entra senza una mappa, o con pezzi sparsi che non comunicano tra loro. Non è solo una distanza di preparazione. È una distanza di senso.

Le scienze cognitive lo mostrano con chiarezza: l’apprendimento non è trasmissione di informazioni, ma integrazione di significato. Senza conoscenze pregresse solide, senza un orizzonte futuro che renda rilevante ciò che si studia, i contenuti non si agganciano. Restano superficiali, vengono memorizzati in modo fragile e rapidamente dimenticati. In altre parole: il professore mostra un disegno complesso, lo studente non vede né il boa né il cappello. Spesso non vede nulla. Di fronte a questo scenario, molti professori attenti e responsabili reagiscono in modo comprensibile. Abbassano il livello. Semplificano i contenuti. Banalizzano gli esempi. Facilitano gli esercizi. Riducono applicazioni e casi studio.

L’obiettivo è includere, non lasciare indietro nessuno, rendere il corso “accessibile”. Ma il prezzo di questa scelta è alto. La qualità del corso si abbassa. Il valore per gli studenti più preparati e motivati si riduce drasticamente.

Il valore aggiunto dell’università, ciò che dovrebbe distinguerla da qualunque altra forma di istruzione, si assottiglia fino quasi a scomparire. Il rischio è sistemico: eliminare la complessità, evitare la fatica cognitiva, rinunciare alla costruzione di idee. E quando questo accade, il lavoro diventa meno produttivo per tutti. Anche per chi si voleva aiutare. Semplificare non equivale a insegnare meglio. Spesso equivale solo a togliere ciò che rende l’apprendimento trasformativo.

L’università dovrebbe usare il tempo dei professori e degli studenti per fare tre cose precise: creare idee, far acquisire concetti, sviluppare abilità. Capacità di ragionare, collegare, argomentare, trasferire conoscenze in contesti nuovi. Questo è il suo valore distintivo. E invece sempre più spesso accade qualcosa di paradossale: si fa finta di insegnare e si fa finta di imparare. Come se si chiedesse a studenti ciechi di “toccare qualcosa”, sperando che il semplice contatto basti a generare comprensione.

Tornando al Piccolo Principe, il problema non è che gli studenti vedano un cappello invece del boa. Il problema è che non hanno ancora imparato a vedere. La soluzione, però, non è cancellare il disegno. Non è semplificarlo fino a renderlo irriconoscibile. È creare le condizioni perché lo studente possa costruire, passo dopo passo, una mappa che gli permetta finalmente di guardare. Questo significa lavorare sulle basi mancanti, esplicitare il senso di ciò che si studia, mostrare connessioni con il futuro possibile. Richiede tempo, intenzionalità, e una didattica coerente che non rinunci all’ambizione. Perché insegnare all’università non è adattarsi al livello più basso. È aiutare chi non vede ancora a sviluppare gli strumenti per vedere.

E solo così il disegno torna a essere ciò che dovrebbe essere: non un cappello innocuo, ma un boa che costringe a pensare.

OK SCIENZA: Fondamenti e Funzionamento del Metodo Scientifico

January 19, 2026January 19, 2026 ~ Marco Piovesan ~ Leave a comment

Analizziamo i principi cardine della scienza e del metodo scientifico, basandoci sulla serie divulgativa “OK Scienza” di Massimo Polidoro.

L’obiettivo primario della scienza è la comprensione del mondo naturale attraverso un approccio rigoroso, oggettivo e verificabile, contrapponendosi a forme di conoscenza basate sull’autorità, sul senso comune o sulla superstizione.

I pilastri fondamentali sono:

Il Metodo Scientifico: Un processo ciclico che parte dall’osservazione e giunge alla formulazione di leggi attraverso l’ipotesi e la sperimentazione.
Oggettività e Ripetibilità: La scienza si occupa di fatti indipendenti dalle opinioni individuali, i cui risultati devono poter essere riprodotti da chiunque in ogni luogo.
Falsificabilità: Un’affermazione è scientifica solo se è possibile immaginare un esperimento che possa smentirla. Il dubbio non è un limite, ma il motore del progresso.
Riconoscimento della Pseudoscienza: L’identificazione dei tratti tipici dei ciarlatani (mancanza di prove, vittimismo, linguaggio oscuro) è essenziale per difendersi dalle fandonie e dalle truffe, specialmente nell’era digitale.

La Natura della Scienza e il Ruolo del Mistero

La scienza, dal latino scientia (conoscenza), nasce dalla curiosità umana, definita come la “molla” che ha permesso l’evoluzione della specie. Contrariamente allo stereotipo dello scienziato freddo e privo di fantasia, la ricerca scientifica è alimentata dall’incontro con il mistero.

Lo scienziato come detective: Come Sherlock Holmes, lo scienziato utilizza il ragionamento e l’indagine per risolvere enigmi naturali.
L’emozione del mistero: Secondo Albert Einstein, l’esperienza del mistero è la culla della vera scienza e dell’arte.
Scopo della disciplina: La scienza non cerca di riscoprire ciò che è già noto, ma rivolge la sua attenzione a ciò che è ancora ignoto per fornirne una spiegazione razionale.

Limiti dei Metodi di Conoscenza Non Scientifici

Prima della nascita della scienza moderna, l’uomo si affidava a modalità di conoscenza limitate o fallaci. Il documento ne identifica quattro principali:

Metodo

Descrizione

Limite Fondamentale

Autorità

Credere a qualcosa perché affermato da fonti rispettate (Genitori, Governo, Testi Sacri, Aristotele).

Le autorità possono sbagliare o essere in disaccordo tra loro.

Logica

Trarre conclusioni esatte partendo da premesse (Sillogismi).

Se non supportata dall’osservazione dei fatti, può portare a conclusioni errate (es. il numero di denti di un cavallo).

Senso Comune

Basarsi su convinzioni consolidate (“si è sempre fatto così”).

Ostacola l’innovazione e non mette mai alla prova le proprie credenze.

Esperienza Mistica

Conoscenza derivante da visioni, sogni o stati spirituali.

Risultati soggettivi, non comunicabili e spesso smentiti dalla realtà fisica.

L’Evoluzione Storica e il Metodo Scientifico

I Precursori: Leonardo e Galileo

Leonardo da Vinci: Definito “discepolo dell’esperienza”, rifiutava le verità inconfutabili di Aristotele, sostenendo che ogni discorso che non passa per l’esperienza diretta è vano.
Galileo Galilei: Padre della scienza moderna nel XVII secolo, introdusse l’uso di strumenti (cannocchiale) per verificare i fatti, sfidando l’autorità della Chiesa che si basava sul dogma e non sulla prova.

Le Fasi del Metodo Scientifico

Il processo scientifico segue un iter preciso e rigoroso:

Osservazione: Analisi di un fenomeno e sua descrizione.
Domanda: Interrogativo sulla natura del fenomeno.
Ipotesi: Formulazione di una spiegazione provvisoria.
Esperimento: Messa alla prova dell’ipotesi in condizioni controllate.
Analisi dei Risultati:
- Se l’esperimento fallisce: si formula una nuova ipotesi.
- Se l’esperimento ha successo: si traggono conclusioni.
Formulazione di una Legge o Teoria: Definizione di principi generali.
Comunicazione: Condivisione dei risultati per consentire la verifica altrui.

Requisiti Fondamentali della Ricerca Scientifica

Oggettività e Ripetibilità

Un fatto scientifico è oggettivo quando è vero indipendentemente da ciò che le persone credono (es. la forza di gravità). Un esperimento è ripetibile quando produce gli stessi risultati indipendentemente da chi lo esegue, dove e quando. Nel caso di discipline come l’astronomia o la geologia, dove gli esperimenti non sono replicabili a comando, si ricorre alla ripetibilità delle misurazioni (esperimenti naturali).

Il Principio di Falsificabilità

Introdotto da Karl Popper, stabilisce che una teoria è scientifica solo se può essere dimostrata falsa. Se una tesi non può essere sottoposta a controllo empirico (es. la teoria dei “folletti invisibili” nel motore), essa non appartiene al dominio della scienza.

Le Regole del Gioco

Per partecipare alla scienza, occorre accettare quattro presupposti:

Realismo: Il mondo esiste indipendentemente dalla nostra percezione.
Razionalità: Il mondo si comporta in modo comprensibile e segue leggi costanti.
Causalità: Ogni evento ha una causa che può essere scoperta per prevederne il ripetersi.
Scopribilità: Il mondo è un rompicapo risolvibile con mezzi ordinari, non un segreto mistico.

Strumenti Critici e Autocorrezione

Il Rasoio di Occam

Principio formulato da Guglielmo di Occam secondo cui, tra diverse spiegazioni alternative, la più semplice (quella che richiede meno ipotesi aggiuntive) tende a essere quella corretta. Questo strumento serve a eliminare speculazioni inutili.

Peer Review e Critica

La scienza possiede “anticorpi” naturali contro errori e frodi:

Referees (Arbitri): Esperti anonimi che valutano le ricerche prima della pubblicazione su riviste prestigiose.
Dissenso e Revisione: Le verità scientifiche sono provvisorie. Nuove scoperte possono smentire teorie consolidate (es. il passaggio dal dogma dell’ulcera da stress alla scoperta del batterio Helicobacter pylori da parte di Marshall e Warren).

Scienza vs. Pseudoscienza e Ciarlataneria

Il documento evidenzia la necessità di distinguere tra autentici rivoluzionari (come Einstein o Galileo) e pseudoscienziati.

Caratteristiche dei Ciarlatani

Mancanza di Prove: Non portano evidenze ma sfruttano la suggestione.
Onere della Prova Invertito: Sostengono che spetti agli scettici smentire le loro tesi (Paradosso della teiera di Russell).
Vittimismo e Complottismo: Denunciano congiure dei “poteri forti” o della “casta” per giustificare il rifiuto della comunità scientifica.
Canali Non Ufficiali: Preferiscono il web, la TV popolare o i social alle riviste scientifiche accreditate.
Linguaggio Oscuro: Utilizzo di termini tecnici fuori contesto (“latinorum” moderno) per apparire credibili agli occhi dei profani.

Scienza, Democrazia e Società

Esiste un diffuso fraintendimento sulla natura democratica della scienza:

È democratica perché è aperta a chiunque segua il metodo (es. Einstein era un semplice impiegato all’ufficio brevetti).
Non è democratica riguardo ai dati: la velocità della luce o le leggi della natura non si decidono per alzata di mano o a maggioranza.

Scienza e Felicità

La conoscenza scientifica può generare incertezza rimuovendo illusioni rassicuranti (come la Terra al centro dell’universo), ma offre in cambio:

Libertà di scelta: Basata su fatti e non su manipolazioni.
Meraviglia autentica: Una comprensione profonda della natura è più interessante e sorprendente della superstizione.
Progresso: La scienza è l’unico strumento che consente di migliorare concretamente le condizioni umane (es. la cura dello scorbuto tramite la vitamina C).

In conclusione, la scienza non possiede verità assolute, ma rappresenta lo strumento più prezioso e onesto di cui l’umanità dispone per indagare la realtà, fondandosi sull’umiltà del dubbio e sulla verifica costante dei fatti.

Slides (fatte con NotebookLM)

Coppa d’Africa, norme sociali ed economia

January 19, 2026January 19, 2026 ~ Marco Piovesan ~ Leave a comment

La finale di Coppa d’Africa è stata segnata da una sequenza di eventi che, presi singolarmente, potrebbero essere liquidati come episodi controversi di una partita tesa. Considerati nel loro insieme, però, questi eventi assumono un significato più profondo e rivelano dinamiche istituzionali che vanno ben oltre il calcio.

Nel corso della gara si sono susseguite decisioni arbitrali incerte e tardive, un gol annullato dopo revisione, la concessione di un rigore fortemente contestato, proteste collettive, l’abbandono temporaneo del campo da parte di una squadra, il ritorno in campo solo dopo lunghe negoziazioni informali, e infine la prosecuzione della partita fino ai tempi supplementari. In altri momenti del torneo, si erano già verificati episodi di interferenza esterna, come la rimozione dell’asciugamano del portiere prima di una serie di rigori, un gesto formalmente vietato o quantomeno irregolare, ma tollerato senza conseguenze chiare.

Ciò che colpisce non è la presenza di regole violate, bensì l’assenza di un meccanismo credibile che coordini le aspettative degli attori su cosa accade quando una regola viene violata. Le regole del gioco esistono, sono note a tutti, ma non producono comportamenti stabili perché non sono sostenute da norme sociali condivise e da un enforcement prevedibile. Ogni decisione appare negoziabile, reversibile, esposta alla pressione collettiva.

La letteratura sulle norme sociali mostra che le regole funzionano solo quando gli individui si aspettano che gli altri le rispettino e che le violazioni siano sanzionate. In questo caso, invece, il comportamento degli attori sembra guidato da aspettative opposte: protestare, interrompere il gioco o forzare l’autorità arbitrale diventa una strategia razionale, perché spesso paga. La disorganizzazione osservata non è quindi un fallimento temporaneo, ma un equilibrio.

Questo equilibrio è tipico di contesti istituzionali deboli. Quando l’autorità non è percepita come legittima o vincolante, l’ordine formale viene sostituito da un ordine informale basato su pressione, negoziazione e forza relativa. Il risultato è un sistema costoso, inefficiente e imprevedibile, in cui le risorse vengono sprecate nel tentativo di influenzare decisioni anziché nel perseguire l’obiettivo principale del gioco.

Il parallelismo con le istituzioni economiche e giudiziarie di molti Paesi a basso reddito è immediato. Anche lì le leggi esistono, ma sono applicate lentamente, in modo selettivo e spesso sotto pressione politica o sociale. L’incertezza non deriva dall’assenza di norme, ma dall’assenza di credibilità. In tali contesti, l’opportunismo non è una deviazione morale, ma una risposta razionale agli incentivi.

Un ulteriore elemento riguarda il capitale umano. La finale ha mostrato atleti di altissimo livello operare in un contesto incapace di trasformare il talento individuale in coordinamento collettivo. Questo è uno dei paradossi centrali dello sviluppo: competenze elevate non generano crescita quando mancano istituzioni che consentano cooperazione, fiducia e rispetto delle regole. La bassa istruzione istituzionale e civica non implica ignoranza delle regole, ma incapacità di interiorizzarne la funzione di coordinamento.

In questo senso, la finale di Coppa d’Africa rappresenta una metafora empiricamente potente dell’arretratezza istituzionale ed economica. In poche ore di gioco si sono concentrati problemi che normalmente richiedono anni di dati per essere osservati: norme sociali fragili, enforcement debole, autorità contestata, incentivi distorti.

Se il Premio Nobel per l’Economia fosse assegnato alla capacità di rendere visibili i meccanismi profondi dello sviluppo mancato, questa manifestazione sportiva avrebbe fornito una dimostrazione esemplare. Non perché spieghi tutto, ma perché mostra con chiarezza cosa accade quando le regole non coordinano il comportamento e le istituzioni non riescono a vincolare gli attori. In quel vuoto, il caos non è un’eccezione: è l’equilibrio.

Intelligenza Artificiale e istruzione universitaria

November 20, 2025 ~ Marco Piovesan ~ Leave a comment

L’Intelligenza Artificiale sta entrando nei nostri corsi universitari con una rapidità che fino a pochi anni fa sarebbe sembrata fantascienza. Non è un’aggiunta marginale, né un semplice strumento utile per velocizzare qualche passaggio. È un cambiamento che riguarda le fondamenta stesse dell’insegnamento, soprattutto in discipline come l’economia, dove dati, modelli e scenari sono parte essenziale del metodo di lavoro. La novità più significativa non è che gli studenti possano generare grafici in pochi secondi o chiedere a un assistente digitale di riformulare un concetto. La vera trasformazione è nel modo in cui si costruisce l’apprendimento: meno lineare, meno uniforme, più dinamico e più adattabile.

Chi insegna economia sa bene quanto sia difficile bilanciare le differenze di preparazione tra gli studenti. Alcuni arrivano già forti in matematica o statistica, altri faticano con le basi. C’è chi comprende i modelli astratti con naturalezza e chi ha bisogno di molti più passaggi intermedi. L’IA rende possibile affrontare questa eterogeneità in modo nuovo, offrendo spiegazioni personalizzate e modulando la complessità del contenuto sulla base delle difficoltà individuali. Questo non sostituisce il lavoro del docente, anzi lo valorizza: liberati dal compito di ripetere definizioni e procedure standard, possiamo concentrarci sul cuore dell’insegnamento, cioè sul far pensare gli studenti.

La parte più interessante del cambiamento riguarda il ruolo del docente. Per decenni l’università ha funzionato con un modello che metteva al centro la trasmissione frontale del sapere. Oggi questo modello non basta più. L’IA fornisce informazioni, esempi e persino bozze di ragionamento. Quel che manca, e che resta competenza esclusiva dell’insegnante, è la capacità di dare forma a un percorso intellettuale coerente. È il docente a interpretare gli errori degli studenti, a capire da dove nascono, a individuare gli snodi concettuali, a insegnare cosa significa davvero ragionare in termini causali, costruire un modello, distinguere un risultato plausibile da un errore elegante ma infondato.

Con l’IA, il tempo in aula diventa molto più prezioso. Non serve dedicarlo alle parti meccaniche di un corso, che possono essere gestite fuori dall’aula con strumenti intelligenti. Quando ci si vede di persona, si può lavorare su ciò che richiede confronto, intuizione, giudizio: le implicazioni dei modelli, l’interpretazione dei dati, le domande che non hanno una risposta unica, i dilemmi di policy, le dinamiche strategiche. L’economia torna a essere un laboratorio intellettuale, non un percorso a tappe fisse.

C’è poi un’altra dimensione che spesso non viene colta subito, ma che ha un valore enorme: l’IA costringe gli studenti a diventare più critici. I modelli generativi producono risposte convincenti ma non sempre corrette; sanno usare un linguaggio impeccabile ma possono proporre analisi fuorvianti. In un contesto così, gli studenti devono imparare a verificare, a controllare le fonti, a riconoscere la coerenza interna di un ragionamento. Devono, in altre parole, sviluppare una competenza epistemica più profonda. Non basta più conoscere una definizione: occorre saper valutare il processo che porta a una conclusione. Questo è un cambiamento pedagogico decisivo, e nessuna macchina lo può sostituire.

Infine, l’IA introduce un elemento di giustizia educativa. In corsi sempre più eterogenei, dove gli studenti arrivano da percorsi scolastici e background molto diversi, la tecnologia può offrire un sostegno personalizzato e continuo, disponibile in ogni momento. Non elimina le differenze, ma permette di ridurne l’impatto, offrendo a tutti la possibilità di recuperare lacune e approfondire ciò che non è chiaro senza paura di esporsi o di rallentare il gruppo.

L’università, quella di qualità, non sta diventando meno umana. Sta diventando più umana nel senso più interessante del termine, perché mette al centro ciò che le macchine non possono fare: guidare la formazione del pensiero, stimolare la curiosità, coltivare il dubbio, costruire mappe concettuali solide. L’economia, con il suo equilibrio tra astrazione e realtà, tra modelli e scelte, è uno dei campi dove questo potenziale appare più evidente.

L’IA non sostituisce il docente. Trasforma il docente in ciò che avrebbe dovuto essere sempre: un architetto dell’apprendimento, capace di costruire percorsi complessi, interpretare gli errori, creare connessioni e allenare le competenze che contano davvero. Chi saprà abbracciare questa trasformazione potrà offrire ai propri studenti un’esperienza più ricca, più stimolante, più formativa. E l’università, invece di temere la tecnologia, potrà finalmente usarla per avvicinarsi alla sua missione più autentica: insegnare a pensare.