Nella sessione plenaria dedicata alla Digital Education del cinquantesimo convegno A.M.A.S.E.S., il metodo didattico sviluppato al Decisions LAB dell’Università Mediterranea di Reggio Calabria è stato assunto come caso di studio nazionale per l’insegnamento dell’intelligenza artificiale nei corsi universitari. L’intervento, dal titolo “Research-Based Teaching in Artificial Intelligence: The Decisions LAB Experience and the Trustworthy AI Project”, è stato tenuto da Massimiliano Ferrara, professore ordinario di Matematica per l’Economia, Intelligenza Artificiale e Machine Learning e direttore scientifico del Decisions LAB.
Una tesi controcorrente
Il cuore della relazione è una inversione dell’ordine consueto. Nella prassi diffusa la ricerca è ciò a cui lo studente viene ammesso al termine di un lungo percorso formativo. La proposta illustrata a Roma capovolge questa sequenza: nell’intelligenza artificiale avanzata la ricerca non è il premio che segue la formazione, ma lo strumento attraverso cui la formazione avviene.
La motivazione è di natura strutturale, e riguarda ogni ateneo. Gli strumenti dell’intelligenza artificiale si rinnovano su un ciclo di mesi, i curricula universitari su un ciclo di anni. Da questo scarto derivano due risposte abituali, entrambe insufficienti: insegnare le librerie e i framework oggi in uso, formando laureati la cui competenza scade con la prossima release, oppure rifugiarsi nei fondamenti matematici in forma pura, formando studenti che possiedono astrazioni corrette senza averle mai viste applicate a un problema reale. La terza posizione difesa da Ferrara non è un compromesso tra le due: la ricerca è l’unica attività in cui fondamenti e strumenti attuali entrano necessariamente in contatto, perché una domanda di ricerca costringe la matematica a incontrare un’implementazione e l’implementazione a rispondere alla matematica.
Il referee report entra in aula
L’elemento che la sessione ha riconosciuto come innovazione metodologica più originale riguarda l’uso didattico del giudizio esterno. Un referee report è un oggetto raro nella didattica ordinaria: un giudizio esperto, scritto, che non proviene dal docente e che il docente non controlla. Nella traiettoria standard uno studente lo incontra per la prima volta anni dopo la laurea, e quasi sempre da solo. Al Decisions LAB quel documento viene anticipato dentro il percorso di studi e trattato come materiale didattico a tutti gli effetti.
La progressione attraversa tre stadi. Lo studente legge lavori pubblicati per individuarne il punto debole, pensando da revisore e non da consumatore. Assume poi la titolarità di una sezione definita di un lavoro reale, con la responsabilità che ciò comporta. Affronta infine il report esterno su quel lavoro e ne redige la risposta. Ciò che si apprende in quel passaggio non è una tecnica, ma la capacità di trattare la critica dura come input tecnico e non come verdetto sulla persona, separando il merito dal tono.
Un modello che scala oltre il dottorato
L’obiezione prevedibile, cioè che un impianto simile funzioni solo con i dottorandi, è stata affrontata frontalmente. L’invariante del metodo non è la rivista scientifica, ma la condizione che il giudizio sia esterno allo studente e fuori dal controllo del docente. A livello magistrale quella condizione viene soddisfatta da una peer review strutturata tra pari, organizzata in cinque fasi: un mini paper che enuncia domanda, metodo e risultato; l’assegnazione in doppio cieco a due revisori; un referee report redatto su griglia fissa; una lettera di replica punto per punto; una discussione in aula in cui il docente modera il ragionamento invece di emettere verdetti. La valutazione attribuisce peso uguale al lavoro, alle revisioni prodotte e alla replica, con un segnale esplicito: giudicare è una competenza da sviluppare, non un favore fatto a un collega.
Proprio qui il modello intercetta la questione più discussa dell’anno accademico. Un mini paper oggi può essere redatto con strumenti generativi, e nei corsi del Decisions LAB questo è ammesso e dichiarato. Il valore formativo si sposta semplicemente altrove, sulla revisione e sulla replica, che richiedono un giudizio che gli strumenti non forniscono. L’uso acritico di un modello generativo viene smascherato dalla revisione di un pari attento assai più efficacemente che da qualunque divieto.
Dal laboratorio all’hardware quantistico
La dimensione infrastrutturale del metodo è stata illustrata attraverso l’esperienza al Barcelona Supercomputing Center, dove il framework Soft Quantum Kernel sviluppato al Decisions LAB è stato validato sulla QPU Ona in collaborazione con il gruppo della Facultat d’Economia i Empresa. Gli studenti hanno formulato la costruzione del kernel, implementato la codifica circuitale, eseguito l’esperimento con allocazione limitata, confrontato i risultati con baseline classiche e difeso la sezione sperimentale in sede di revisione. Non cinque esercizi, ma cinque fasi di un unico atto professionale.
Da questa esperienza è emersa un’osservazione controintuitiva destinata a far discutere: il vincolo hardware è una risorsa didattica. L’allocazione limitata di tempo macchina costringe a progettare l’esperimento prima di eseguirlo, e buona parte della trascuratezza metodologica osservabile negli studenti potrebbe essere un sottoprodotto dell’abbondanza computazionale più che una mancanza di attenzione.
La grammatica dell’affidabilità
A tenere insieme l’impianto è il volume Intelligenza Artificiale Affidabile (EGEA, seconda edizione, 2026), con prefazione di Paolo Benanti, che tratta geometria, teoria dei giochi e quantum computing come un unico framework e articola i criteri di affidabilità di un sistema di intelligenza artificiale. Quei criteri diventano in aula quattro domande che lo studente impara a porre a ogni modello: se sia robusto fuori dai dati di addestramento, se sia trasparente nel senso di essere ricostruibile da chi ne subisce gli effetti, chi risponda dell’esito, e se il beneficio giustifichi la delega. L’affidabilità, in questa impostazione, non è un modulo aggiuntivo ma il criterio che ordina il curriculum.
Trasferibilità e questioni aperte
Coerentemente con il metodo, la relazione ha dedicato spazio ai limiti. Sono trasferibili per costruzione il ciclo di apprendimento chiuso su un output esterno verificabile, i referee report come materiale didattico, la coautorialità come responsabilità e il vocabolario dell’affidabilità come struttura del corso. Non sono trasferibili per decreto una produzione scientifica preesistente, una rete internazionale, l’accesso a infrastrutture di calcolo avanzate e il tempo docente, che è considerevole. Restano aperte quattro questioni: la scalabilità oltre il livello dottorale, i sistemi di valutazione che catturano male questo tipo di apprendimento, il rischio di selettività verso studenti già motivati, e il disallineamento tra cicli di pubblicazione e calendario accademico.
Il riconoscimento e il valore per l’Ateneo
L’indicazione del modello reggino come caso di studio nazionale rappresenta un risultato di rilievo per l’Università Mediterranea di Reggio Calabria e per il Dipartimento DiGiES. La sede AMASES, che riunisce la comunità italiana di matematica applicata alle scienze economiche, sociali e attuariali, ha scelto di guardare a un laboratorio del Mezzogiorno per discutere di come si insegna oggi l’intelligenza artificiale nelle università italiane. Il riconoscimento premia una linea di lavoro costruita nel tempo, che collega la ricerca di frontiera su geometria, ottimizzazione e metodi quantistici a una pratica didattica verificabile, e conferma la collocazione del Decisions LAB in una rete internazionale che comprende ICRIOS dell’Università Bocconi e il Barcelona Supercomputing Center.
L’intervento si è chiuso con tre proposizioni destinate a restare nel dibattito: l’intelligenza artificiale si insegna meglio praticandola come ricerca che descrivendola come tecnologia; l’affidabilità non è un modulo aggiuntivo ma il criterio che ordina il curriculum; un laboratorio didattico ha valore formativo nella misura in cui espone gli studenti a un giudizio che il docente non controlla.