LLM e RAG nella profilazione degli studenti: verso una progettazione didattica data-informed

Il contributo esplora il potenziale dei modelli di linguaggio di grandi dimensioni (Large Language Models, LLM) e delle architetture di Retrieval Augmented Generation (RAG) nella profilazione degli studenti universitari e nella progettazione didattica basata sui dati (data-informed). Partendo dal quadro teorico della learning analytics e della didattica evidence-based, il lavoro analizza come l’integrazione LLM–RAG possa supportare i professori universitari nella trasformazione dei dati educativi in evidenze operative, riducendo le barriere tecniche legate all’analisi statistica e favorendo una lettura riflessiva e pedagogicamente fondata dei risultati. La combinazione delle due tecnologie consente di unire la flessibilità interpretativa dei modelli linguistici con l’affidabilità delle fonti documentali controllate, garantendo coerenza terminologica, trasparenza metodologica e rispetto delle policy istituzionali. In questa prospettiva, i sistemi LLM–RAG agiscono come "assistenti di analisi e partner epistemici" del docente, promuovendo una cultura della progettazione didattica basata sull’evidenza, ma guidata dal giudizio professionale e dal contesto educativo. Il contributo affronta, inoltre, le implicazioni etiche, pedagogiche e organizzative dell’adozione di tali tecnologie, evidenziando la necessità di sviluppare competenze di data literacy, strategie di explainability e politiche istituzionali per un uso responsabile e sostenibile dell’intelligenza artificiale in educazione. Il contributo propone il paradigma dell’“analisi dialogica della formazione”, in cui l’itelligenza artificiale diventa uno strumento di riflessione e co-costruzione di conoscenza, volto ad amplificare — e non a sostituire — il docente.