Obiettivi, programma e contenuti dell’insegnamento, promosso dal Collegio Nuovo e inserito nel corso di laurea triennale in Comunicazione, Innovazione, Multimedialità (CIM) dell’Università di Pavia
Big data e algoritmi di apprendimento automatico: conoscenza, informazione, potere è un insegnamento a scelta inserito nel 3° anno del corso di laurea triennale in Comunicazione, Innovazione, Multimedialità (CIM) dell’Università di Pavia. L’insegnamento, promosso dal Collegio Nuovo di Pavia, a parte del settore SPS-08 (Sociologia dei processi culturali e comunicativi) e dà adito a 6 CFU. La presentazione del corso è disponibile anche in lingua inglese. Per tutti i miei insegnamenti all’Università di Pavia, invece, vedi qui.
1. Prerequisiti
L’insegnamento non richiede competenze informatiche pregresse né conoscenze di programmazione, e non prevede propedeuticità formali. Poiché è offerto come attività a scelta dello studente e accoglie iscritti provenienti da percorsi diversi, le conoscenze e le abilità richieste in ingresso sono qui descritte per esteso.
Conoscenze richieste
Statistica descrittiva elementare. Saper riconoscere e interpretare: carattere e distribuzione; media aritmetica, mediana e moda, e le situazioni in cui l’una è più informativa dell’altra; scarto quadratico medio come misura di dispersione; correlazione, e la sua distinzione dal nesso causale; campione e inferenza. Non è richiesta la capacità di calcolo: è richiesta la capacità di riconoscere l’uso — e l’uso improprio — di queste nozioni in un testo giornalistico, in una ricerca di mercato o in un documento aziendale.
Comprensione dell’inglese scritto a livello B2 del QCER. Parte della bibliografia di approfondimento, la documentazione delle piattaforme utilizzate in laboratorio e una delle due monografie previste per il Percorso B d’esame sono in lingua inglese.
Abilità richieste
Competenze digitali di base a livello utente. Gestione di file e cartelle, uso consapevole di un browser, redazione di un documento di testo, preparazione di una presentazione, creazione e gestione autonoma di un account su una piattaforma web.
Capacità di lettura e sintesi di un testo argomentativo di media complessità e di ricerca autonoma di una fonte a partire da un riferimento bibliografico.
Strumenti necessari
Per la parte di laboratorio è sufficiente un account gratuito sulle piattaforme indicate a inizio corso: non è richiesto alcun abbonamento a pagamento e nessuna esercitazione presuppone funzionalità disponibili solo a pagamento.
Riallineamento dei prerequisiti
Agli studenti che ritengano di dover consolidare le nozioni statistiche si suggerisce la lettura dei capitoli introduttivi di uno dei manuali indicati nella sezione «Testi di riferimento». Nella prima settimana di lezione è disponibile su KIRO un test di autovalutazione anonimo e non valutativo (dieci domande, dieci minuti), utile a orientare la lettura; il test non incide in alcun modo sulla valutazione finale.
2. Obiettivi formativi e risultati di apprendimento
L’insegnamento si propone di fornire agli studenti gli strumenti concettuali per comprendere come la rappresentazione numerica del mondo e il principio di calcolabilità stiano riorganizzando la produzione dell’informazione, i mercati della comunicazione e le forme del potere, e la capacità pratica di utilizzare in modo competente e trasparente i sistemi di intelligenza artificiale generativa.
2.1 Conoscenza e capacità di comprensione
Al termine dell’insegnamento lo studente è in grado di:
- ricostruire le tappe principali della storia dell’idea di computabilità dei problemi in filosofia e matematica, da Euclide ad Alan Turing, e collocarvi la nascita dell’informatica e dell’intelligenza artificiale;
- definire in modo corretto e distinguere fra loro le nozioni di dato, informazione e conoscenza; algoritmo, modello e soluzione; big data, cloud computing, ottimizzazione matematica, apprendimento automatico, apprendimento profondo, modello linguistico, intelligenza artificiale generativa, sistema agentico;
- spiegare in termini non tecnici il funzionamento di un transformer, con riferimento alla tokenizzazione, al meccanismo di attenzione e alla distinzione fra addestramento e uso, e descrivere che cosa cambia quando un modello passa dal generare testo all’eseguire azioni tramite strumenti esterni;
- descrivere i fattori che spiegano la pervasività del paradigma quantitativo — esplosione dei big data, datizzazione dell’esperienza, economia delle infrastrutture di calcolo — e i loro effetti su due domini specifici: informazione e giornalismo, marketing e pubblicità;
- illustrare l’assetto regolatorio europeo e italiano vigente in materia di intelligenza artificiale, con particolare riguardo agli obblighi di trasparenza sui contenuti sintetici e alla disciplina del diritto d’autore.
2.2 Conoscenza e capacità di comprensione applicate
Al termine dell’insegnamento lo studente è in grado di:
- progettare, eseguire, iterare e documentare istruzioni (prompt) rivolte a sistemi di intelligenza artificiale generativa, utilizzando almeno una piattaforma di generazione testuale e una di generazione di immagini fra quelle disponibili al momento dell’erogazione del corso;
- produrre un contenuto comunicativo originale (testo, immagine, audio o video) impiegando tali sistemi e documentandone il processo di realizzazione;
- applicare al proprio prodotto gli obblighi di trasparenza e di dichiarazione della natura sintetica dei contenuti previsti dalla normativa vigente;
- impostare un flusso di lavoro in più passaggi che integri un sistema generativo con fonti o strumenti esterni, riconoscendone limiti e punti di fragilità.
2.3 Autonomia di giudizio
Al termine dell’insegnamento lo studente è in grado di:
- valutare criticamente un’affermazione quantitativa incontrata nel discorso pubblico sull’intelligenza artificiale, risalendo alla fonte, riconoscendone la natura (dato rilevato, stima, proiezione, dichiarazione di parte) e individuando gli eventuali interessi del soggetto che la produce;
- riconoscere e discutere le forme di distorsione (bias) che possono manifestarsi nei dati di addestramento e negli output dei sistemi generativi, con specifico riferimento alla rappresentazione di genere e alle disuguaglianze;
- individuare gli errori, le omissioni e le affermazioni non verificate presenti nell’output di un sistema generativo, e decidere motivatamente se e come utilizzarlo.
2.4 Abilità comunicative
Al termine dell’insegnamento lo studente è in grado di:
- spiegare a un pubblico non specialistico, con lessico appropriato e senza semplificazioni fuorvianti, che cosa fa e che cosa non fa un sistema di intelligenza artificiale generativa;
- presentare e difendere le scelte compiute nella realizzazione di un prodotto comunicativo assistito dall’IA, rendendo conto del processo oltre che del risultato;
- dichiarare in modo chiaro e verificabile l’impiego di sistemi generativi nei propri prodotti.
2.5 Capacità di apprendere
Al termine dell’insegnamento lo studente è in grado di:
- aggiornare autonomamente le proprie conoscenze in un settore a obsolescenza rapida, individuando e privilegiando le fonti primarie — documentazione tecnica dei fornitori, testi normativi, report di ricerca con metodologia dichiarata — rispetto alla pubblicistica secondaria;
- trasferire il metodo di analisi appreso a strumenti e piattaforme non trattati a lezione;
autovalutare il proprio livello di competenza nell’uso di questi sistemi e riconoscere i limiti entro cui è ragionevole affidarsi ad essi.
3. Programma e contenuti
Il corso è articolato in tre parti, per complessive 40 ore: una parte introduttiva (8 lezioni, 16 ore), una di approfondimento (4 lezioni, 8 ore) e una di laboratorio (8 incontri, 16 ore).
Parte prima · Il vocabolario di base (8 lezioni, 16 ore)
Condivide il lessico necessario a comprendere l’oggetto dell’insegnamento.
Lezione 1: Dato, informazione, conoscenza: una distinzione che non è ovvia. Il trinomio dato–algoritmo–soluzione. Che cosa significa «rendere calcolabile» un problema.
Lezione 2: Breve storia dell’idea di computabilità: algoritmo e procedura effettiva da Euclide ad al-Khwarizmi; il progetto di una lingua del calcolo da Leibniz a Hilbert; la macchina di Turing, la decidibilità, il test di Turing.
Lezione 3: Il ciclo di vita del dato: raccolta, archiviazione, interrogazione. Dati strutturati e non strutturati; cenni ai database e ai sistemi per la loro gestione; che cosa rende «grandi» i big data.
Lezione 4: Elementi di storia dell’intelligenza artificiale: approccio simbolico e approccio connessionista; le stagioni di entusiasmo e di abbandono; la svolta dell’apprendimento profondo.
Lezione 5: Algoritmi di apprendimento automatico: apprendimento supervisionato, non supervisionato e per rinforzo. Addestramento, validazione, generalizzazione. Differenza fra machine learning e deep learning.
Lezione 6: Modelli linguistici e intelligenza artificiale generativa: che cosa fanno, con esempi per tre famiglie di compiti (classificare, rispondere, generare). Token e tokenizzazione; pre-addestramento e messa a punto; allucinazioni e limiti strutturali.
Lezione 7: Come funziona un transformer: il meccanismo di attenzione, l’architettura encoder–decoder. Multimodalità: testo, immagine, audio, video in un unico modello. Che cosa cambia con i modelli di ragionamento e con il calcolo al momento dell’inferenza.
Lezione 8: Dai chatbot agli agenti: uso di strumenti, accesso a fonti esterne, protocolli di interoperabilità, automazione di flussi in più passaggi. Che cosa cambia, sul piano del potere, quando il software agisce e non soltanto risponde.
Parte seconda · Approfondimento (4 lezioni, 8 ore)
Esplora la natura del fenomeno, le sue radici storiche e i fattori che ne determinano la pervasività, con particolare attenzione a due domini coerenti con il percorso di studi in Comunicazione.
Lezione 9: Datizzazione dell’esperienza e diffusione del principio di calcolabilità nella vita economica e sociale. Economia politica del calcolo: costi di addestramento e di inferenza, infrastrutture, consumo energetico, concentrazione industriale. Il dibattito pubblico sulla sostenibilità degli investimenti come oggetto comunicativo: chi produce le cifre e con quale interesse.
Lezione 10: Informazione e giornalismo. Come cambia l’accesso alle notizie: piattaformizzazione, video, creator, assistenti conversazionali. L’economia che ne consegue: dal traffico alla citazione. L’IA dentro la redazione: usi, garanzie, politiche di trasparenza. Fiducia, contenuti sintetici e verifica della provenienza.
Lezione 11: Marketing e pubblicità. Dalla ricerca alla risposta: che cosa succede alla visibilità di una marca quando l’intermediario non è più un elenco di link ma un sistema che seleziona. Commercio agentico e standard di interoperabilità; dati di prodotto leggibili da una macchina; personalizzazione, misurazione e nuovi intermediari.
Lezione 12: Conoscenza, informazione, potere. Bias e discriminazione algoritmica; effetti sul mercato del lavoro e sui ruoli d’ingresso; il quadro regolatorio europeo e italiano e gli obblighi di trasparenza; minori e sistemi conversazionali relazionali. Discussione conclusiva sui rischi e sulle opportunità con riferimento agli obiettivi 5, 10 e 16 dell’Agenda 2030.
Parte terza · Laboratorio (8 incontri, 16 ore)
Serie di esercizi guidati di progettazione delle istruzioni (prompt engineering) rivolte ai modelli generativi, finalizzati alla produzione di contenuti originali e significativi. Ogni incontro prevede una consegna breve, discussa collettivamente nell’incontro successivo.
Incontro 1: Anatomia di un prompt: ruolo, compito, contesto, vincoli, formato atteso, esempi. Il ciclo di iterazione e la registrazione delle versioni.
Incontro 2: Testi: generazione, riscrittura, sintesi, adattamento a destinatario e registro. Verifica sistematica dei fatti e delle citazioni prodotte dal modello.
Incontro 3: Immagini: costruzione del prompt visivo, controllo di stile e coerenza, limiti ricorrenti. Diritti sulle immagini, somiglianza a persone reali, marcatura.
Incontro 4: Audio e video: sintesi vocale, adattamento, montaggio assistito. Applicazione pratica degli obblighi di dichiarazione della natura sintetica del contenuto.
Incontro 5: Dati: uso di un sistema generativo per esplorare, interrogare e visualizzare un piccolo insieme di dati; verifica indipendente dei calcoli prodotti.
Incontro 6: Agenti e automazione: costruzione di un flusso in più passaggi che integri fonti o strumenti esterni; individuazione dei punti in cui il flusso si rompe.
Incontro 7: Valutazione critica: analisi in gruppo dell’output altrui alla ricerca di errori, omissioni, stereotipi e affermazioni non verificate. Esercizio dedicato al riconoscimento di distorsioni di genere e di rappresentazione (obiettivi 5 e 10). Incontro 8: Project work di gruppo: presentazione del prodotto comunicativo realizzato e del dossier di processo che lo accompagna; discussione fra pari.
4. Metodi didattici
I metodi sono scelti in funzione dei risultati di apprendimento attesi: la lezione dialogata, con supporto di presentazioni e rilevazioni in itinere tramite Wooclap, costruisce il lessico e i quadri concettuali (2.1); lo studio di caso e l’esercitazione guidata sviluppano la capacità applicativa (2.2); la discussione critica e il lavoro di gruppo sviluppano autonomia di giudizio e abilità comunicative (2.3 e 2.4); il dossier di processo sostiene la capacità di apprendere e di autovalutarsi (2.5).
Materiali e piattaforme
Le presentazioni utilizzate a lezione (PowerPoint o PDF) sono messe a disposizione nella sezione dedicata all’insegnamento sulla piattaforma KIRO. Il materiale è rilasciato in formato conforme ai principi di accessibilità per gli utenti con disabilità: struttura delle intestazioni, ordine di lettura, testo alternativo per le immagini, link autodescrittivi.
Le rilevazioni svolte in aula con Wooclap hanno funzione esclusivamente formativa: sono anonime, servono a verificare in tempo reale il livello di comprensione e a orientare la lezione successiva, e non concorrono in alcun modo alla valutazione finale.
Frequenza e materiali per chi non può partecipare in aula
La frequenza non è obbligatoria ma è fortemente consigliata, in particolare per la parte di laboratorio, che è di natura esperienziale e difficilmente sostituibile con lo studio individuale. In ogni caso:
- per la parte introduttiva e per quella di approfondimento è disponibile su KIRO la videoregistrazione di ciascuna lezione;
- per la parte di laboratorio non sono previste registrazioni: chi non può partecipare in aula sostiene l’esame secondo il Percorso B descritto nella sezione 6, che comprende un elaborato individuale sostitutivo delle attività laboratoriali.
Uso dell’intelligenza artificiale generativa nelle attività del corso
L’impiego di sistemi generativi nella preparazione degli elaborati non solo è consentito, ma è parte integrante del percorso formativo. È però richiesta la piena tracciabilità: ogni elaborato è accompagnato da un dossier di processo che riporta le piattaforme utilizzate, i prompt principali, le iterazioni significative e le verifiche compiute sull’output. L’uso non dichiarato è valutato come una mancanza di trasparenza professionale e incide negativamente sulla valutazione.
5. Testo di riferimento
5.1 Testi d’esame (obbligatori per il Percorso B: uno a scelta)
Alfio Quarteroni, L’intelligenza creata. L’AI e il nostro futuro, Milano, Hoepli, 1a ed., 2025, 224 pp., ISBN 9788836020089.
Christopher Summerfield, These Strange New Minds. How AI Learned to Talk and What It Means, New York, Viking, 1a ed., 2025, 384 pp., ISBN 9780593831717 (edizione britannica: London, Penguin, 2025, ISBN 9781405966160).
Avvertenza per la scelta. I due volumi non sono equivalenti: il primo è in italiano ed è di 224 pagine, il secondo è in inglese ed è di 384 pagine e alla data di redazione non risulta disponibile in traduzione italiana. La scelta è libera e non va comunicata in anticipo al docente.
5.2 Testi per il riallineamento dei prerequisiti (consigliati, non d’esame)
David S. Moore, Statistica di base, Milano, Apogeo Education (si adotti l’edizione italiana più recente disponibile): capitoli introduttivi su distribuzioni, indici di posizione e di dispersione, correlazione e inferenza.
5.3 Letture di approfondimento (non obbligatorie)
Al termine di ogni lezione viene indicata su KIRO una bibliografia specifica sugli argomenti trattati. I titoli seguenti costituiscono l’ossatura di quella bibliografia e coprono le tre linee del corso.
Viktor Mayer-Schönberger, Kenneth Cukier, Big data. Una rivoluzione che trasformerà il nostro modo di vivere, Milano, Garzanti, 2013.
Nello Cristianini, La scorciatoia. Come le macchine sono diventate intelligenti senza pensare in modo umano, Bologna, Il Mulino, 2023.
Nello Cristianini, Machina sapiens. L’algoritmo che ci ha rubato il segreto della conoscenza, Bologna, Il Mulino, 2024.
Kate Crawford, Né intelligente né artificiale. Il lato oscuro dell’IA, Bologna, Il Mulino, 2021.
Cathy O’Neil, Armi di distruzione matematica. Come i big data aumentano la disuguaglianza e minacciano la democrazia, Milano, Bompiani, 2017.
Shoshana Zuboff, Il capitalismo della sorveglianza. Il futuro dell’umanità nell’era dei nuovi poteri, Roma, Luiss University Press, 2019.
Luciano Floridi, Etica dell’intelligenza artificiale. Sviluppi, opportunità, sfide, Milano, Raffaello Cortina, 2022.
5.4 Fonti primarie e documenti ad accesso aperto
Regolamento (UE) 2024/1689 del Parlamento europeo e del Consiglio, del 13 giugno 2024 (AI Act), con particolare riferimento all’art. 50 (obblighi di trasparenza).
Regolamento (UE) 2026/1744 (Digital Omnibus sull’intelligenza artificiale), pubblicato il 24 luglio 2026, che modifica termini e disposizioni del Regolamento (UE) 2024/1689.
Legge 23 settembre 2025, n. 132, «Disposizioni e deleghe al Governo in materia di intelligenza artificiale», in vigore dal 10 ottobre 2025.
Reuters Institute for the Study of Journalism, Digital News Report 2026, Oxford, 16 giugno 2026 (disponibile online).
6. Modalità di verifica dell’apprendimento
L’esame consiste in una prova orale individuale della durata di circa 20–25 minuti, che può essere sostenuta in italiano o in inglese. Sono previsti due percorsi alternativi (Percorso A e Percorso B), entrambi finalizzati ad accertare tutti i risultati di apprendimento indicati nella sezione 2 di questo syllabus. La scelta è libera, non richiede alcuna comunicazione preventiva ed è dichiarata dal candidato all’inizio della prova.
6.1 Percorso A — contenuti del corso e laboratorio
È il percorso destinato a chi ha seguito le lezioni e partecipato alle attività di laboratorio. La prova si articola in tre momenti e il punteggio massimo complessivo è di 30 punti:
Discussione del prodotto realizzato nel project work e del relativo dossier di processo, consegnati su KIRO almeno sette giorni prima dell’appello (punti max: 9)
Tre domande su tre argomenti distinti, scelti dal docente fra i contenuti della parte introduttiva e di quella di approfondimento (6 punti ciascuna) (punti max: 18)
Una domanda di raccordo, che chiede di valutare criticamente un caso, un dato o un’affermazione tratti dal dibattito pubblico (punti max: 3)
Totale 30
Il calcolo è quindi: 9 + (6 × 3 = 18) + 3 = 30 punti.
6.2 Percorso B — monografia ed elaborato individuale
È il percorso destinato a chi non ha potuto partecipare alle attività in aula. La prova si articola come segue, sempre su un massimo di 30 punti:
re domande sulla monografia scelta fra quelle indicate al punto 5.1 (5 punti ciascuna, punti max: 15)
Discussione dell’elaborato individuale sostitutivo del laboratorio: tre esercizi di prompt design documentati (un testo, un’immagine, un flusso in più passaggi) accompagnati da un commento critico di 1.500–2.000 parole, consegnati su KIRO almeno sette giorni prima dell’appello (punti max: 12)
Una domanda di raccordo fra la monografia e l’elaborato (punti max: 3)
Totale 30
Il calcolo è quindi: (5 × 3 = 15) + 12 + 3 = 30 punti.
6.3 Criteri di valutazione
Ogni componente è valutata secondo quattro criteri di pari peso9
Correttezza e proprietà di linguaggio (esattezza dei contenuti e uso appropriato del lessico tecnico e disciplinare)
Profondità e capacità di integrazione (grado di approfondimento e capacità di collegare fra loro le conoscenze acquisite nelle diverse parti del corso)
Autonomia di giudizio (capacità di argomentare una posizione, di risalire alle fonti e di riconoscere gli interessi in gioco in un’affermazione)
Efficacia comunicativa (chiarezza dell’esposizione e adeguatezza al destinatario)
6.4 Soglia di sufficienza, lode e condizioni
La prova è superata con un punteggio complessivo pari o superiore a 18/30.
La prova non è superata, indipendentemente dal totale, se una delle domande sui contenuti riceve punteggio zero o se l’elaborato previsto dal percorso scelto non è stato consegnato nei termini.
La lode è attribuita a chi consegue il punteggio massimo dimostrando, in aggiunta, autonomia di giudizio ed efficacia comunicativa di livello eccellente.
6.5 Materiali ammessi e restituzione dell’esito
Durante la prova non è ammesso alcun materiale di consultazione. Fa eccezione l’elaborato oggetto di discussione, che il candidato può avere davanti a sé nel momento in cui lo presenta.
L’esito è comunicato oralmente al termine della prova, accompagnato da una motivazione sintetica che indica il punteggio attribuito a ciascuna componente. La verbalizzazione avviene secondo le procedure d’Ateneo.
Gli elaborati e i dossier di processo sono conservati dal docente per l’anno accademico in corso e restano consultabili dallo studente su richiesta.
Gli studenti saranno interrogati rigorosamente nell’ordine di iscrizione online. Non è possibile fissare appelli straordinari oltre a quelli indicati nell’area riservata del sito di Ateneo. Gli studenti stranieri potranno sostenere il colloquio in inglese. Non sono ammesse altre lingue, oltre all’italiano e all’inglese.
Appelli di esame
Le date degli appelli d’esame saranno rese note all’interno dell’area riservata del sito dell’Università, non appena fissate dalla segreteria di CIM-CoD.
Sede e orario di ricevimento
Ricevo su appuntamento. Invito gli studenti a contattarmi preventivamente via e-mail: paolo.costa@unipv.it.
Bibliografia di approfondimento
Per una bibliografia tascabile su big data e intelligenza artificiale, si rimanda qui.