Navigazione – Mappa del sito
Sistemi sociotecnici, lavoro, formazione

Menti naturali e menti artificiali: nuove prospettive per la ricerca e i processi formativi (1988)

Luciano Gallino
p. 119-137

Testo integrale

In every age when men have struggled to learn more about themselves and the universe they inhabit, there have always been a few reflective thinkers who have tried to learn how men learn and by what right they claim that what they profess to learn is truly knowledge. This is reflective thinking in the literal sense: it is the thinking about thinking, doubting about doubting, learning about learning, and (hopefully) knowing about knowing.

Churchman, The Design of Inquiring Systems

 

When the understanding of scientific models and archetypes comes to be regarded as a reputable part of scientific culture, the gap between the sciences and the humanities will have been partly filled. For exercise of the imagination, with all its promises and its dangers, provides a common ground.

Max Black, Models and Metaphors

11. In una nota ricerca di oltre trent’anni fa, il sociologo francese Alain Touraine individuava due poli contrapposti del rapporto uomo/macchina, derivanti da stadi successivi del progresso tecnologico, ma spesso compresenti – allora come oggi – negli ambienti di lavoro. A un polo, le conoscenze necessarie per svolgere efficacemente una determinata attività risiedono per intero entro la mente umana: la macchina è soltanto uno strumento flessibile quanto passivo al servizio di questa. Al polo opposto, le medesime conoscenze sono state incorporate nella macchina, rendendola capace di compiere automaticamente quella stessa attività: l’uomo diventa così uno strumento asservito ad essa, adibito unicamente a fornirle i materiali e le informazioni che la macchina, per il momento, non riesce ancora a procurarsi da sola. In tal modo l’interazione tra la persona e la macchina viene configurata come una sorta di gioco a somma zero: le capacità che risiedono nella mente umana non possono risiedere nella macchina, e se in qualche misura questa se ne appropria, altrettante sono le capacità sottratte alla prima.

2Lo schema bipolare di Touraine riguardava il lavoro nell’industria, agli albori dell’automazione. A quel tempo gli elaboratori elettronici erano poche centinaia in tutto il mondo; il concetto di informatica – non quello di teoria dell’informazione – era di là da venire. Ad onta dei limiti insiti nelle sue origini, da quando l’elaboratore fa parte della realtà quotidiana di milioni di persone lo stesso schema è stato ed è correntemente utilizzato, anche da chi non ha mai udito parlare della ricerca da cui nacque, al fine di interpretare quanto avviene, o è possibile avvenga, nel rapporto persona/elaboratore. Quanto più questo nuovo tipo di macchina appare capace di memorizzare e applicare a svariati fini masse crescenti di informazioni e di conoscenze, tanto più si prevede, e si teme, che la mente umana ne venga come svuotata; o, più precisamente, che le sue conoscenze diventino superflue. E ciò perfino nell’ambito delle professioni a più alto contenuto intellettuale; tra le quali molte che, fino a ieri, solevano considerare superfluo l’elaboratore.

3Il perdurante successo dello schema bipolare, a somma zero, nel governare la concezione del rapporto uomo/macchina, nonché le emozioni espresse e inespresse che essa suscita, è riconducibile a due fattori. Anzitutto, sebbene si presenti come l’esito di una particolare ricerca empirica condotta a metà Novecento, esso appare riproporre in forma paradigmatica l’antica avversione per le macchine che interferiscono nelle attività intellettuali dell’uomo. In secondo luogo, è accaduto che lo schema bipolare si sia rivelato capace, finora, di previsioni sostanzialmente corrette. Sono infatti innumerevoli i casi, nei più diversi settori di attività – compresi vari aspetti della ricerca scientifica e dell’insegnamento – in cui la diffusione di sistemi informatici ha ridotto pressoché a zero l’utilità pratica, e con essa la rilevanza sociale e personale, di complesse conoscenze umane.

4Ad onta di questi precedenti, la cui inerzia non dobbiamo sottovalutare, è oggi possibile formulare un’ipotesi contraria. Si stanno infatti profilando le condizioni che, almeno in certi settori di attività, potrebbero rendere definitivamente inattuale lo schema bipolare, tuttora incombente, del rapporto uomo/macchina. Esse si intravvedono in vari campi, ma con particolare nettezza nel campo della ricerca scientifica e dei processi formativi: a livello universitario, ma non solo ad esso.

5Il punto ideale di arrivo delle tendenze in atto è una situazione di cooperazione sinergica tra la persona e la macchina – in realtà un tipo di macchina, come l’elaboratore, particolarissimo per la sua estrema plasticità – nella quale le menti naturali dello studioso e dello studente traggono entrambe beneficio da menti artificiali aventi forma concreta di sistemi cognitivi, così denominati perché incorporano forme di conoscenza. Beneficio che non è detto debba attendere la disponibilità di simili menti, ma che può derivare anche, e forse in maggior misura, dal tentativo stesso di costruirle; pur quando – va sottolineato – tale tentativo dovesse conseguire, in pratica, successi affatto limitati. È altresì possibile che da tale sinergia possa venire un contributo a quella crescita del dialogo fra le tre culture – le scienze naturali, le discipline filosofiche e letterarie, le scienze sociali – che alcuni considerano un nodo fondamentale per la futura organizzazione degli studi universitari.

6Nell’esplorare quest’ipotesi d’una sinergia inedita tra menti naturali e menti artificiali converrà partire menzionando alcuni sviluppi della cultura scientifica che da tempo paiono convergere verso tale destinazione, per quanto remota essa possa apparire.

 

72. Un dato che contrassegna l’intera storia delle idee scientifiche degli ultimi decenni è il crescente interesse portato alla conoscenza della conoscenza. In forme e con intensità diverse a seconda delle discipline, una mole di studi non inferiore a quella dedicata in ciascuna di esse al proprio oggetto di conoscenza è stata dedicata al soggetto della conoscenza e alle sue relazioni con l’oggetto – che si rivela essere sempre meno un oggetto – quali si attuano con l’ineludibile tramite di presupposti concettuali, di metodi, di strumenti di osservazione. Come risultato, l’idea di una autonoma datità della natura – si tratti della natura della natura o della natura della società –, la quale viene resa accessibile da una metodologia di ricerca che non ha bisogno di riflettere su se stessa perché è la natura medesima a dettarne presupposti e indirizzi, ha perso complessivamente terreno. A fronte di essa si è affermata l’idea che in ogni teoria scientifica la presenza dell’osservatore, dei suoi strumenti mentali e materiali, è inseparabile dalla descrizione dei fenomeni che la teoria costruisce a fini esplicativi e predittivi.

8Un altro sviluppo rilevante per il nostro tema è da vedersi, nel campo delle scienze umane, in quella che è stata definita la rivolta leibniziana contro il dominio lockiano (Tiryakian, cit. da Brittan, in 1, Shanin, p. 324). Discendente in ultimo da Locke è l’immagine dell’uomo come tabula rasa, sulla quale, attraverso successive associazioni di parole e di esperienze, cultura e società sono capaci di inscrivere qualsiasi atteggiamento e credenza. In diversissime forme, che vanno dal comportamentismo allo struttural-funzionalismo e alla teoria della personalità di talune varianti del marxismo, questa concezione ultrasocializzata dell’uomo ha dominato gran parte della psicologia, dell’antropologia e della sociologia del Novecento, tanto nel mondo anglosassone quanto nell’Europa continentale.

9La rivolta leibniziana non è consistita in un attacco organico contro il comportamentismo, o contro la teoria del riflesso trasferita dai testi letterari ai processi mentali. Piuttosto essa ha preso forma d’una diffusa inclinazione a reinserire nella relazione tra stimolo e risposta, tra situazione e comportamento, un qualche tipo di schema mentale. Uno schema – vecchio termine kantiano oggi comune nel lessico del cognitivismo e dell’Intelligenza Artificiale – può essere sommariamente definito come una struttura intrapsichica che opera attivamente per rappresentare la situazione in cui l’individuo è collocato, per interpretarla, e per formulare dei piani di comportamento adeguati ad essa (Brittan, in 1, Shanin, pp. 325 sgg.).

10Un esito del dibattito circa il ruolo cruciale della riflessione sulla relazione osservatore/osservato, da un lato, e, dall’altro, delle strutture rappresentazionali intrapsichiche, può vedersi nella crescente rilevanza – dai due lati – della nozione di modello. Per un numero crescente di discipline – in tutt’e tre le culture – l’elaborazione di strutture simboliche le cui parti e relazioni sono formate da entità linguistiche, formali e naturali, di cui si postula una delimitata corrispondenza isomorfica o analogica con le parti e le relazioni del sistema studiato, è diventata uno strumento essenziale della ricerca (1, Cellier; Richardson). L’uso di simili strumenti, inoltre, è assoggettato a una misura un tempo insolita di critica metodologica. Dalla parte delle scienze umane, la spiegazione di classi di comportamento tra loro assai differenti viene ricondotta sempre più spesso alla funzione di modelli mentali, che sono anch’essi isomorfi simbolici di processi e situazioni reali (1, Johnson-Laird). L’individuo ricava alcuni di tali modelli dalla cultura e dall’interazione sociale; altri li costruisce combinando in modi nuovi percetti e concetti memorizzati, sulla base di strutture biologiche la cui maturazione e attività sono peraltro pur esse socialmente e culturalmente condizionate.

11Va qui ammesso che, in una prospettiva convenzionale, quel che spicca ove si accostino i modelli teorici o concettuali elaborati da un biologo, un economista, un fisico, ai modelli mentali utilizzati da individui comuni per rappresentarsi e interpretare situazioni comuni, sono anzitutto le loro immense differenze: di analiticità, di rigore, di complessità, di finezza previsiva. Per contro, nella prospettiva aperta dalle scienze cognitive e dalle ricerche di Intelligenza Artificiale, le differenze appaiono meno categoriche.

12Il comune modello mentale che il soggetto naturalmente si forma d’una situazione qualsiasi risulta, infatti, essere il prodotto di processi cognitivi – linguistici e iconici – e subcognitivi estremamente complessi (2, Hofstadter). Si è quindi fatta strada la supposizione che ove si riuscisse a modellizzare in forme adeguate la genesi naturale dei modelli mentali, si otterrebbe una miglior conoscenza dei processi mentali da cui nascono – diciamo artificialmente – anche i modelli scientifici. Formulando una simile affermazione, nella quale si accosta il linguaggio «alto» dei modelli scientifici a quello dei processi soggiacenti alla generazione di modelli mentali, si compie ovviamente un salto di livello referenziale (1, Gallino, 1987). Esso si può tuttavia giustificare con il vantaggio che si acquisisce concependo l’attività di modellizzazione scientifica come un’attività che è, sì, differente per orientamento, attrezzatura e risultati dalla modellizzazione naturale, ma ad essa è, come processo mentale, funzionalmente analoga.

13Detto vantaggio consiste nello stabilire una spirale ascendente tra l’attività mentale della modellizzazione; i modelli scientifici che ne sono il prodotto; infine la comprensione, per mezzo di adeguati modelli, della stessa attività. Da siffatta congiunzione potrebbero derivare benefici considerevoli per tutti i segmenti della spirale, e l’ombra del rapporto a somma zero tra l’uomo e la macchina comincerebbe a svanire. Per la costruzione di simile spirale sinergica l’Intelligenza Artificiale può offrire un contributo determinante: anche se – va osservato – non soltanto nelle forme, o per le ragioni, che sarebbero addotte a tal proposito da alcuni dei suoi esponenti più noti (4, Flores e Winograd).

 

143. Per un numero crescente di studiosi, appartenenti a tutt’e tre le culture dell’universo accademico, l’uso di modelli concettuali, con gradi di formalizzazione che variano a seconda delle discipline e della natura del problema, sta dunque diventando una pratica quotidiana. Molti di loro, inoltre, utilizzano frequentemente modelli computerizzati. L’avvento del computer, di per sé, ha rappresentato un rilevante salto qualitativo; esso ha permesso, tra l’altro, di indagare strutture fisiche, matematiche, sociali, che dianzi risultavano analiticamente intrattabili (1, Cellier). Che cosa può aggiungere all’attività di modellizzazione l’Intelligenza Artificiale? In quali direzioni, foriere di apporti originali alla ricerca come alla didattica, potrebbe contribuire a farla evolvere?

15Il fatto da cui partire è che anche un modello computerizzato, per quanto sofisticato, appare operare, di norma, come un sistema del tutto inerte dal punto di vista cognitivo. Rappresenta semplicemente una forma di meccanizzazione, seppur di grande utilità, d’una parte routinaria del lavoro intellettuale del ricercatore scientifico. Contiene una elevata intelligenza di disegno, ma una limitata intelligenza di processo (2, Gregory, pp. 311 sgg.). In altre parole non ragiona, né è previsto che lo faccia, sui dati che gli vengono forniti. Ad esempio, un economista, il quale lavori con un modello computerizzato della matrice delle interdipendenze settoriali d’una regione italiana, si attende da esso che dica rapidamente che cosa succederà in certi settori produttivi col variare della produzione o dei costi in un altro settore; ma sarebbe stupefatto se si sentisse dire dal modello stesso che, in base ai nuovi dati che gli son stati forniti, alcuni coefficienti d’interdipendenza tra settori sembrano – a lui modello – manifestamente distorti. Ora, è precisamente questo tipo di competenza e di reazione che segna il confine tra i modelli come sistemi cognitivamente inerti, e i modelli operanti come sistemi cognitivi; o anzi, ad un ulteriore stadio evolutivo, come sistemi indaganti (2, Churchman; Newell; Sowa).

16Più in dettaglio, che cosa si potrebbe chiedere ad una nuova generazione di modelli affinché questi risultassero capaci di cooperare sinergicamente con la mente del ricercatore come veri e propri sistemi cognitivi o indaganti? Anzitutto si potrebbe chiedere che fossero abili nella elaborazione simbolica. Con tale espressione si intende la capacità da parte di un sistema di computazione di compiere varie operazioni su enunciati linguistici, quali il riconoscimento di affinità e differenze; la classificazione; l’analisi della struttura sintattica e semantica (2, Arcuri et al.); l’esecuzione di forme di ragionamento inferenziale, induttivo, deduttivo e abduttivo (2, Charniak e McDermott).

17Utile in sé, la capacità di elaborazione simbolica è altresì un prerequisito per attuare altre due fondamentali competenze dei sistemi cognitivi. La prima consiste nel saper usare criteri intelligenti al fine di decidere, tra corsi d’azione alternativi dall’esito incerto, qual è il più promettente per raggiungere un determinato scopo o soluzione, accontentandosi eventualmente d’una soluzione sub-ottimale (2, Pearl). Questo modo di operare euristico è di norma assente negli ordinari modelli computerizzati. Una seconda competenza starebbe nel saper modellizzare i cosiddetti sistemi mal definiti, quali sono tipicamente molti sistemi biologici e tutti i sistemi sociali. In codeste classi di biosistemi, i confini e i relativi scambi con l’ambiente sono difficilmente controllabili; la varietà dei componenti è esorbitante; molte relazioni non sono quantificabili; il riconoscimento di forme è cruciale. Modellizzare sistemi mal definiti è perciò assai disagevole ove si tenti di procedere con tecniche convenzionali.

18Altrettanto disagevole è modellizzare sistemi la cui struttura è formata da una gerarchia di livelli, entro i quali i macroprocessi dei livelli superiori derivano da complicati effetti di composizione di microprocessi svolgentisi a livelli profondi (Müller, in 1, Cellier, pp. 87 sgg.). In tali sistemi – tra cui vanno nuovamente menzionati in primo luogo i sistemi sociali – il comportamento delle entità dei diversi livelli non è in alcun modo desumibile dalle leggi di comportamento delle entità di un qualsiasi altro livello (1, Boudon, 1981). Per meritare nel caso specifico il nome di sistema cognitivo, un modello dovrebbe essere in grado sia di rappresentare efficacemente tale tipo di sistemi, sia di avvertirci quando, nel manipolare il modello d’un tale sistema, noi compiamo inferenze indebite da un livello all’altro.

19È questa un’altra competenza di determinate classi di sistemi cognitivi che va sotto il nome di analisi della consistenza. L’analisi della consistenza, ovvero della compatibilità tra credenze, è come noto il campo proprio della logica. Nel linguaggio dei sistemi cognitivi essa assume tuttavia un significato più ampio, perché si estende alla valutazione d’una condizione non logica: se un dato valore o enunciato, ancorché logicamente consistente con altri sotto il profilo formale, appaia, nel contesto in cui è supposto operare, più o meno plausibile. Un modello dotato d’una simile competenza mediante le tecniche dell’Intelligenza Artificiale sarebbe invero assai attraente.

20Però gli esperti di sistemi cognitivi sono selettivi non meno del diavoletto di Maxwell, e per elevare un modello qualsiasi a tale rango, o a quello ancora superiore dei sistemi indaganti, avanzano in genere ulteriori richieste. Una di queste riguarda necessariamente la conoscenza tacita o inespressa, attinente al fenomeno – studiato fra i primi da Michael Polanyi, che era di formazione un fisico – per cui «noi possiamo conoscere più di quello che possiamo esprimere» (4, Polanyi, p. 20. Enfasi nel testo). Nella ricerca scientifica come in altre professioni – ma lo stesso fenomeno si ritrova con modalità diverse nella vita quotidiana – noi facciamo uso continuo di conoscenze assai estese che di solito non esponiamo a parole, e stentiamo a esporre anche se ci viene richiesto. Solo in condizioni particolari, e con tecniche ad hoc, diventa possibile ricostruire almeno in parte tale conoscenza inespressa.

21Senza di essa, d’altra parte, qualsiasi operazione cognitiva, fosse anche il riconoscimento d’una forma ben nota al soggetto, è destinata a fallire. È questa una delle principali ragioni per cui risulta impossibile costruire sistemi computazionali che simulino con efficacia ed efficienza le conoscenze di un esperto umano, ove si creda sia sufficiente allo scopo immettere nel sistema gli enunciati linguistici contenuti in un trattato di quella determinata materia (2, Schank). È anche una delle condizioni che tende ad essere sottovalutata da un vasto settore degli studi sull’Intelligenza Artificiale. La conoscenza inespressa non risiede infatti soltanto dentro le menti, ed è vano limitarsi a cercarla in esse. Essa sta anche nello spazio fra le menti; ovvero nelle relazioni sociali e nei processi di scambio simbolico che strutturano di istante in istante qualsiasi azione umana, compresa la ricerca scientifica (4, Wilden). Su questo punto, fondamentale per il nostro tema, ritornerò nelle conclusioni.

22Un sistema cognitivo – ossia un modello scientifico computerizzato che ambisca a tale status – dovrebbe inoltre essere dotato di robuste capacità di apprendimento. Sono già stati costruiti alcuni tipi di sistema dotati di due primi livelli di apprendimento:

  1. acquisizione automatica, da parte della memoria del sistema, di regole e metaregole (o altri tipi di enunciati linguistici), comunicategli dall’utente nel momento in cui, durante una sessione di lavoro, il sistema appare in difficoltà per risolvere un problema sulla base delle regole (o altri enunciati) di cui disponeva in precedenza;

  2. generazione automatica, da parte del modulo inferenziale del sistema, di nuove regole e metaregole (o altra forma di enunciati) per via deduttiva o induttiva, a partire da dati e conoscenze immessi nel sistema senza un ordine prestabilito (2, Davis e Lenat).

23Un terzo livello di apprendimento consiste nella capacità del sistema – e quindi, nel nostro caso, del modello – di procedere alla propria riorganizzazione, in misura variabile, ove esso scopra che l’oggetto a cui si applica appare mutato in misura considerevole rispetto a una precedente sessione; oppure che le proprie strategie cognitive – ad esempio un algoritmo di ricerca su alberi o grafi – appaiono inefficaci o inefficienti rispetto a un dato standard. Questo livello di apprendimento è oggetto di importanti studi e sperimentazioni, ma si tratta di una tecnica meno matura delle precedenti.

24Ove fosse dotato al massimo grado di tutte le competenze sin qui specificate, un modello teorico o concettuale andrebbe considerato, a buon diritto, non soltanto un sistema cognitivo, ma un vero e proprio sistema indagante: una sorta di mente artificiale capace di offrire alla mente del ricercatore una forma inedita di cooperazione transattiva, atta a sviluppare in modi nuovi tanto la sua produttività scientifica, quanto la sua stessa creatività. Infatti anche la mente artificiale sarebbe a modo suo creativa – ad esempio con lo scoprire da sé un ordine nel disordine apparente di un coacervo di conoscenze – e in tal modo il confine della creatività per la mente naturale sarebbe di continuo spostato in avanti, là dove la mente artificiale in quel momento non può ancora arrivare; ma dove arriverà allorché la mente naturale sarà riuscita a farle comprendere la struttura dello spazio che essa, avanzando, ha appena esplorato.

 

254. A questo punto occorre constatare che ci troviamo dinanzi a una situazione singolarmente squilibrata. La tecnologia necessaria per far evolvere gran parte della modellizzazione scientifica, nelle più diverse discipline, in direzione dei sistemi cognitivi e indaganti è già disponibile in gran parte, qui ed ora, nei centri dove si elaborano i fondamenti dell’Intelligenza Artificiale, tra i quali si colloca in primo piano il Dipartimento di Informatica della nostra Università. D’altro lato, benché nella maggior parte di esse vi siano studiosi che da varie angolazioni si vanno accostando al problema, sono finora poche le discipline entro le quali la riflessione specifica sul proprio modello di scienza, e quindi sui modelli utilizzati nel proprio ambito di ricerca, sia stata sviluppata in misura adeguata all’insolito compito di de-costruire questi ultimi, per poi ricostruirli in modi funzionalmente operativi. Tale riflessione è peraltro indispensabile per far assumere ai propri modelli, con l’ausilio dei metodi di Intelligenza Artificiale, il ruolo di sistemi cognitivi interattivi.

26Il problema, si noti, non riguarda la scarsità di esperti di AI, che pure sussiste. Anche se questi si moltiplicassero all’istante, non potrebbero mai sostituirsi agli esperti d’una qualsiasi disciplina nel compito di approfondire la conoscenza della conoscenza di quello specifico dominio. Gli enunciati cognitivi e non, come gli enunciati esprimenti stati intenzionali, incorporanti conoscenze e disposizioni tanto esplicite quanto tacite o inespresse nell’uso ordinario, quali sono indispensabili per sviluppare sistemi cognitivi interattivi, possono venire ricostruiti e strutturati solamente dall’interno di ciascuna disciplina. Caso per caso, si dovrebbero tradurre in enunciati linguistici espliciti – che in molti casi non è necessario formalizzare – particolari sotto-insiemi di conoscenze, metodi e disposizioni propri d’una data disciplina, in forma atta a realizzare le competenze sopra indicate di modelli divenuti cognitivamente attivi. In altre parole si tratterebbe, disciplina per disciplina, e ciascuna a suo modo, di costruire sistematicamente modelli «locali» della mente intenta a costruire modelli; non allo scopo trito, e comunque irrealizzabile, di automatizzare tale attività, bensì allo scopo di costruire modelli per vari aspetti più efficaci della ricerca e della didattica. Indice non ultimo della loro efficacia come sistemi cognitivi dovrebbe essere un’accresciuta capacità di dialogo con i modelli di altre discipline.

27Simile attività di de-costruzione e ri-costruzione mirata, in domini specifici, di conoscenze, metodi, disposizioni caratteristiche d’una disciplina richiederebbe l’attivazione di processi formativi specificamente indirizzati a questo scopo. Nel caso in cui, grazie a processi formativi ad hoc, arrivasse a diffondersi in modo non episodico, detta attività produrrebbe conseguenze di rilievo sulla stessa Intelligenza Artificiale. Anzitutto contribuirebbe a sviluppare nell’ambito di quest’ultima una visione meno mentalistica, e meno razionalistica, dei processi di comprensione del linguaggio e dell’azione umana. Mi riferisco ad una visione, sulla quale si registra attualmente una significativa convergenza della filosofia del linguaggio e della sociologia, in cui assumerebbe maggior rilevanza la struttura della situazione nell’operare quale selettore tra la molteplicità degli atti – inclusi gli atti linguistici – che di momento in momento il soggetto ha la possibilità di compiere (4, Coulter; Phillips; Searle).

28In secondo luogo, lungi dal rischiare di trasformare le varie discipline in altrettante branche dell’informatica, sarebbe proprio l’Intelligenza Artificiale, ri-orientata come appena detto, ad essere assimilata entro ciascuna disciplina come un’altra normale tecnica di interpretazione della propria azione conoscitiva; dei processi cui essa si applica; e delle relazioni transattive che si stabiliscono tra l’una e gli altri (3, Schank e Childers).

 

295. Esaminerò ora alcuni dei modi in cui una nuova specie di modelli, indotti ad evolversi in sistemi cognitivi interattivi dall’attività sopra indicata, potrebbero fornire un contributo diretto alla ricerca e alla didattica universitaria, e più in generale ai processi formativi che intersecano l’una e l’altra. Nella sezione conclusiva saranno brevemente menzionati alcuni loro contributi indiretti. I modelli di cui parliamo possono risiedere in computer di ogni dimensione e configurazione: in computer personali oppure in macchine più grandi d’uso comune; in macchine singole oppure in macchine collegate in rete. Ovviamente, maggiori sono la memoria e la potenza di elaborazione delle macchine a disposizione dello studioso o dello studente, maggiori le dimensioni e la complessità dei modelli che in essi possono risiedere; tuttavia le prestazioni dei computer personali sono ormai tali che prima di scontrarsi con i loro limiti v’è uno spazio amplissimo in attesa di modelli che lo occupino. Sono parecchi i settori, variamente interrelantisi, nei quali ricerca e didattica potrebbero trarre vantaggio dalla disponibilità di modelli della specie qui considerata. Attorno ad essi va crescendo l’attenzione di molte sedi universitarie, italiane e straniere.

a) La simulazione di sistemi complessi. – Accanto all’esposizione teorica e all’esperimento, la simulazione della struttura, dell’attività interna e del comportamento di sistemi troppo complessi perché questi loro aspetti possano venire colti intuitivamente, può essere un potente strumento della ricerca e della didattica (1, Aa. Vv.; Abelson; Cellier; Inbar e Stoll). Considerate queste sue potenzialità, la simulazione di sistemi complessi – siano essi biologici, culturali, fisici, psicologici, sociali o altro – potrebbe trovare maggior impiego in numerose discipline accademiche. Ad un suo uso più ampio si sono frapposti sinora ostacoli di non poco conto. In vari campi di ricerca non si dispone di metodi adeguati di modellizzazione, prerequisito di ogni simulazione. Al di fuori del linguaggio matematico, molti reputano impossibile elaborare simulazioni di qualche interesse; né fino a tempi recenti esistevano tecniche adeguate per costruire modelli, o parti di modelli, in possesso di elevate capacità di elaborazione simbolica. Dal canto loro, le simulazioni con un impianto esclusivamente matematico risultano non di rado poco comprensibili allo studente se sono complesse, e banali quando siano semplificate a fini didattici. All’insegnamento, inoltre, è per lo più estranea la prospettiva del «vediamo che cosa accade se», che rappresenta l’essenza stessa della simulazione. Queste e altre difficoltà all’uso della simulazione potrebbero venire ridotte laddove quest’ultima potesse fondarsi su modelli evolutisi in sistemi cognitivi interattivi. Codesti sistemi di simulazione potrebbero inoltre prestarsi come strumenti efficaci di addestramento in tutti quei campi, specifici delle scienze dell’uomo, in cui non è possibile, o rischioso, o troppo infrequente disporre a tale scopo di soggetti umani.

b) Disegno e governo della ricerca e degli esperimenti. – Non sempre lo studente che effettua una ricerca, un esperimento o un’esercitazione, in laboratorio come sul campo, può avere sotto mano un docente per sottoporgli ogni problema nel momento stesso in cui sorge. Di conseguenza egli si trova sovente a dover affrontare da solo vari problemi e limiti che non sa come trattare. Sono problemi e limiti di risorse in bilancio; di attrezzature disponibili; di esperienza pratica; di informazioni sui passi da compiere; di possibilità di confronto rapido con ricerche o esperimenti analoghi effettuati da altri. Vari tipi di sistemi cognitivi, operanti su elaboratori personali, potrebbero essergli d’aiuto in tali frangenti. Ad esempio, egli potrebbe disporre d’un sistema guida per il disegno della ricerca o dell’esperimento, appropriato al dominio di cui si occupa e governante l’intervento di altri sottosistemi. Tale sistema presenterebbe allo studente una vista d’insieme dei vari stadi della ricerca o dell’esperimento, dall’individuazione preliminare della letteratura alla stesura del rapporto conclusivo; per ciascuno stadio, aiuterebbe lo studente a verificare se ha compiuto i passi essenziali; gli permetterebbe di confrontare immediatamente i propri dati con quelli ottenuti in altre ricerche e esperimenti affini; nel caso di palesi incongruenze tra le ipotesi e i dati, lo aiuterebbe a ricercarne le cause, discriminando tra gli errori veri e propri e l’uso di modelli non adeguati al problema.

Pare lecito presumere che sistemi del genere gioverebbero alla formazione scientifica in senso stretto, dato che permetterebbero di integrare in ogni momento l’impostazione ricevuta dal proprio docente con forme di consulenza d’alto livello, rappresentanti il distillato del sapere di molti altri docenti, e rese accessibili ad ogni studente nel momento preciso in cui gli occorrono.

È altresì possibile che essi servano a una maggior diffusione tra i giovani della capacità di ottimizzare l’impiego congiunto delle risorse economiche, tecniche e umane impegnate in una ricerca, quali che siano le sue dimensioni.

c) La creazione e l’uso di basi di modelli. – Le basi di informazioni – i depositi strutturati di informazioni che molti programmi applicativi debbono avere a disposizione per rendere all’utente i servizi che questi si attende – sono in rapida evoluzione. Le basi di dati tradizionali tendono a essere dotate sempre più spesso di interfacce in linguaggio naturale e di sistemi intelligenti di interrogazione, atti a riconoscere, ad esempio, il significato di un testo e non soltanto un certo numero di parole chiave. Ad esse cominciano ora ad affiancarsi le basi di conoscenze. Diversamente dalle prime, esse contengono enunciati linguistici, per lo più sotto forma di regole, incorporanti conoscenze attinenti a un dominio specifico. Le basi di conoscenze sono una componente necessaria di tutti i sistemi cognitivi, a partire da quelli su cui si appuntano oggi i maggiori interessi economici, i cosiddetti sistemi esperti. Un passo successivo, reso possibile dall’esperienza accumulata con le basi di conoscenze, consisterà nella creazione di basi di modelli (Oren, in 1, Cellier). L’uso di banche di modelli presuppone lo sviluppo parallelo di sistemi di gestione specifici per tal genere di base informazionale (SIGBM, per Sistemi di Gestione di Basi di Modelli), i quali dovrebbero possedere necessariamente struttura e competenze di sistemi cognitivi interattivi.

Supponiamo che un ricercatore abbia a disposizione una base di modelli, adeguata al dominio di cui si occupa, e governata – sotto il suo controllo – da un efficace SIGBM. Grazie a tale mezzo egli avrebbe acquisito, tra l’altro, la possibilità di procedere, con un agio e una completezza altrimenti impensabili, a tre fondamentali operazioni: i) farsi ripetutamente suggerire da svariati tipi di modello la natura e la quantità di osservazioni da compiere per confermare o falsificare determinate ipotesi; ii) selezionare rapidamente tra un gran numero di modelli quello che meglio si adatta alle osservazioni compiute; e soprattutto iii) porre in competizione tra loro, per spiegare gli stessi dati, differenti modelli.

È noto che numerose ricerche, in varie discipline, vengono impostate e condotte con l’ausilio di un singolo modello, e talora senza un modello chiaramente delimitato. In misura non lieve ciò è dovuto alla difficoltà di reperire e sottoporre a verifica in tempi accettabili, e con le risorse disponibili, più d’un modello adeguato ai propri fini. Le basi di modelli potrebbero contribuire a rimuovere siffatta difficoltà.

d) Sistemi intelligenti multimediali per l’insegnamento. – L’istruzione assistita dal calcolatore (CAI) è una realtà ai cui sviluppi in Italia hanno dato un apporto significativo docenti del nostro ateneo. Anch’essa è in evoluzione, sotto l’impatto combinato dell’Intelligenza Artificiale e della tecnologia. La prima offre la possibilità di sviluppare sistemi i quali, superata l’impostazione tradizionale per cui l’elaboratore si limita a segnalare se la risposta fornita è esatta, individuano le cause prevalenti di errore da parte di un dato studente; si costruiscono un modello interno del suo ritmo e tipo di apprendimento; scelgono percorsi espositivi graduati in base ad esso; formulano commenti variabili in termini di difficoltà e analiticità (3, Cantoni; Cerri). La tecnologia offre ora la possibilità, da un lato, di memorizzare su un supporto di piccolo ingombro, non soggetto a usura – il disco compatto – un numero enorme di testi, suoni e immagini; dall’altro, di «leggere» e analizzare testi, suoni e immagini prodotti dall’utente. In tal modo l’elaboratore diventa un mezzo multimediale bifronte, capace sia di presentare interattivamente ogni sorta di materiali didattici, sia di confrontare testi, suoni e immagini creati dallo studente con quelli inseriti nella sua memoria di massa; per segnalare a questi, volta a volta, i casi di affinità o identità, e le varianti o innovazioni ammissibili o meno, a seconda delle grammatiche inserite nel sistema.

e) Lo sviluppo di laboratori virtuali. – Esercitazione ed esperimento sono momenti insostituibili della didattica, ma in molti casi ardui da realizzare in modi didatticamente efficaci. Il fenomeno su cui esercitarsi può essere troppo rischioso per la natura dell’oggetto, come una centrale termoelettrica o nucleare; troppo veloce o invisibile nel suo decorso, come molti fenomeni fisici; formato da troppe variabili incontrollabili, come la dinamica dell’interazione sociale in un gruppo; troppo costoso a ripetersi causa la distruzione, ogni volta, di materiali o attrezzi da ripristinare a caro prezzo. In simili casi può risultare utile lo sviluppo di sistemi computerizzati i quali, emulando un laboratorio, permettono di compiere un numero indefinito di esperimenti con un costo unitario minimo. In un simile laboratorio virtuale l’esito dell’esperimento si presenta come un isomorfo simbolico, almeno negli aspetti che paiono essenziali per far comprendere la connessione tra variabili indipendenti (incluso l’intervento umano) e variabili intervenienti e dipendenti, dell’esito che l’esperimento avrebbe se eseguito in condizioni reali (3, Balkovich et al.).

In tutti i settori sin qui menzionati, per sviluppare molti componenti dei sistemi e sottosistemi in cui ognuno di essi verrebbe ad articolarsi sarebbe comunque indispensabile l’apporto dell’informatica – mi si consenta il termine – convenzionale. Tuttavia, alla base della loro concezione e architettura d’insieme dovrebbe sempre ritrovarsi l’idea, propria dell’Intelligenza Artificiale, di modelli che interagiscono cognitivamente e pragmaticamente con il proprio dominio di applicazione.

 

306. Quelli or ora indicati sono i contributi diretti che nuove specie di modelli scientifici sembrano capaci di rendere, in veste di sistemi cognitivi interattivi, alla ricerca e ai processi formativi. Per realizzare simili sistemi esistono le premesse teoriche, le tecnologie, i prototipi, mentre non risulta ancora avviata un’attività di progetto su scala apprezzabile. Nel migliore dei casi, inoltre, questa produrrebbe risultati significativi soltanto a lungo termine. Peraltro una caratteristica di tali sistemi è che l’attività stessa volta a produrli comporta effetti indiretti degni d’attenzione.

31Come si ricorderà, lo sviluppo di modelli interattivi deve necessariamente partire, in ogni disciplina, dall’analisi e dalla ricostruzione linguistica dei propri processi cognitivi e interpretativi, espressi ed inespressi. Si può discutere sul fatto che tale forma di autoanalisi e autoricostruzione – i cui fondamenti teorici risalgono, al di là dell’Intelligenza Artificiale, a particolari indirizzi della filosofia del linguaggio e della sociologia, quale l’interazionismo simbolico – sia ugualmente utile in tutte le discipline. Dopotutto, grandi scoperte sono state compiute senza che gli autori avessero alcuna coscienza riflessa della propria pratica scientifica.

32Si potrebbe pertanto sostenere che all’analisi dei propri processi cognitivi e interpretativi siano tenute esclusivamente le scienze umane, in quanto scienze che, in modo esplicito o implicito, fondano le loro teorie sulla conoscenza dei processi cognitivi e interpretativi altrui. Di certo è innegabile che le scienze umane per prime dovrebbero accrescere il loro impegno a tale scopo. Ma l’importanza cruciale che l’analisi dei processi cognitivi e interpretativi riveste in tali discipline non dovrebbe indurre a trascurare l’apporto che essa sembra atta a fornire a qualsiasi disciplina scientifica che desideri indagare via via con maggior consapevolezza sui mezzi e i metodi con i quali, e sul contesto simbolico entro il quale, essa perviene a produrre conoscenza.

33Non è da escludere che l’ulteriore sviluppo di tale consapevolezza metodologica e contestuale finirebbe per influire, in vari campi, sulla scelta delle direzioni di ricerca; di fatto, rispetto al passato, essa pare venir richiesta dalla crescente rilevanza pubblica assunta ai nostri tempi dalla scienza. Il vantaggio insito nel tentativo di costruire menti artificiali cooperanti sinergicamente con lo studioso – vantaggio destinato a rimanere anche nel caso di insuccesso parziale o totale del tentativo stesso – sta però altrove. Esso è da vedersi nel fatto che quella che parrebbe, così enunciata, un’intenzione astratta, in fondo perennemente rinviabile, di ripensamento epistemologico ed ermeneutico del proprio sapere – concetti per taluno contraddittori, ma non nella prospettiva qui assunta – viene sollecitata a trasformarsi, per tal via, in un’attività pratica metodicamente consolidata.

34Sulla didattica e sui processi formativi in generale, altre ricadute positive potrebbero aversi appunto dal praticare siffatta pratica. La costruzione di modelli intelligenti e interattivi non è soltanto un’attività che richiede un rigore implacabile; in ciò essa non differirebbe sostanzialmente dalle correnti attività di modellizzazione. Essa obbliga a ragionare in termini di processo; di problemi tradotti in spazi percorribili non solo per via logica, ma in funzione delle risorse effettivamente applicabili alla soluzione; di sequenze di stati e scopi iniziali, intermedi e finali. Obbliga a costruire – in un certo senso fisicamente, sebbene si abbia a che fare soltanto con simboli – dei sistemi cognitivi di cui sia possibile dimostrare, senza ambiguità o svicolamenti, anzitutto sulla carta, e poi sulla macchina, che partendo da uno specifico problema sono capaci di pervenire, dopo un determinato numero e tipo di passi, a una soluzione adeguata.

35Il constatare che si è riusciti a far capire alla mente artificiale residente nella macchina il problema che si vuol risolvere ha di per sé un cospicuo effetto di rinforzo sull’apprendimento. Ma l’essenza di questo, ove si tratti di costruire modelli con l’ambizione di crescere a sistemi cognitivi e indaganti, consiste nel processo sintetizzato dal detto di von Foerster: «Se vuoi vedere, impara come agire». Se vuoi comprendere come un sistema conosca se stesso e il proprio mondo – per quanto limitato sia il sistema e il suo mondo – prova a costruirne uno.

36La diffusione dell’attività pratico-intellettuale volta a far crescere menti artificiali come nuovi ausilii alle menti naturali potrebbe infine avere ricadute significative nel campo della comunicazione tra le scienze, e fra le tre culture. Secondo un’interpretazione corrente, sono le necessità della specializzazione – della inevitabile divisione del lavoro scientifico – ad aver generato linguaggi talmente particolari da rendere difficile la comunicazione tra gli addetti a differenti settori di ricerca, perfino all’interno delle singole discipline. Senza voler disconoscere le sue eccellenti ragioni, questa interpretazione sembra invero presupporre che le menti siano entità esclusivamente individuali – le monadi di Leibniz. Dinanzi ad essa, un sociologo pur critico delle concezioni ultrasocializzate dell’uomo è portato nuovamente a difendere una teoria sociale della mente.

37Da questa segue, con le parole di G.H. Mead, «che il campo della mente va considerato coestensivo con il campo sociale nel quale scorrono l’esperienza e il comportamento, e inclusivo di tutte le sue componenti. Tale campo è la matrice delle relazioni e interazioni sociali fra gli individui che la mente presuppone, e dal quale essa emerge o viene in essere. Se la mente è socialmente costituita, allora il campo o luogo d’una data mente individuale deve estendersi quanto si estende l’attività sociale o l’apparato di relazioni sociali che la costituisce; tale campo, perciò, non può essere limitato dalla pelle dell’organismo individuale a cui appartiene» (4, Mead, p. 223 n).

38Ove si accolga questa idea dell’intrinseca socialità della mente, che comporta il riconoscimento della sua estensione interindividuale, le difficoltà di comunicazione tra discipline scientifiche appaiono dovute, non meno che alla differenziazione dei linguaggi, anche alla segmentazione della loro pratica, alla frammentazione d’origine storica dell’apparato di relazioni sociali che le sottende. È tale apparato che occorrerebbe reintegrare con iniziative apposite: non come esito, bensì come prerequisito della elaborazione di almeno un livello di linguaggio comune, soggiacente alla necessaria molteplicità dei linguaggi specialistici.

39L’attività multidisciplinare – ma forse dovremmo dire transdisciplinare –, diretta alla progettazione di menti artificiali, potrebbe costituire nel prossimo futuro, e in base ad alcune prime esperienze già comincia a costituire, un terreno praticabile sul quale sperimentare simile reintegrazione di relazioni sociali tra discipline. Laddove essa fosse sostanziata da concrete iniziative progettuali, si perverrebbe contemporaneamente a sviluppare, in una prospettiva ch’è al tempo stesso classica e nuova, il dialogo fra le scienze e fra le tre culture. Quali potrebbero essere gli esiti, nessuno può dire. Ha scritto un grande filosofo del dialogo: «quanto più un dialogo è autentico, tanto meno il suo modo di svolgersi dipende dalla volontà dell’uno o dell’altro degli interlocutori. Il dialogo autentico non riesce mai come volevamo che fosse» (4, Gadamer, p. 441). Ma forse più importante delle sue possibili riuscite è l’intenzione di costruirlo.

Torna su

Bibliografia

1. Sull’evoluzione dei modelli scientifici

Aa. Vv., Simulating Society, sez. monotematica di «Byte», vol. 10, n. 10, 1985.

Abelson, R.P., Simulation of social behavior, in Lindzey, G. e Aronson, E. (a cura di), Handbook of Social Psychology, Addison-Wesley, Reading (Mass.), 19682, vol. II, pp. 274-356.

Badiou, A., Il concetto di modello, Jaca Book, Milano 1972.

Borillo, M., Informatique pour les Sciences de l’Homme, Mardaga, Bruxelles 1985.

Boudon, R., Effetti ‘perversi’ dell’azione sociale, Feltrinelli, Milano 1981.

Brodbeck, M., Models, Meaning, and Theories, in Brodbeck, M. (a cura di), Readings in the Philosophy of the Social Sciences, Macmillan, New York 1968, pp. 579-600.

Bruschi, A., La teoria dei modelli nelle scienze sociali, il Mulino, Bologna 1971.

Cellier, F.E. (a cura di), Progress in Modeling & Simulation, Academic Press, New York 1984.

Continenza, B., Cordeschi, R. et al., Evoluzione e modelli. Il concetto di adattamento nelle teorie dei sistemi biologici, culturali e artificiali, Editori Riuniti, Roma 1984.

Delattre, P., Thellier, M. (a cura di), Elaboration et justification des modèles, 2 voll., Maloine, Paris 1979.

Feldman, J.A., Ballard, D.H., Connectionist Models and Their Properties, «Cognitive Science», vol. 6, 1982, pp. 205-254.

Gallino, L., Mente comportamento e intelligenza artificiale, Comunità, Milano 1984.

Id., Livelli di realtà in un modello dell’attore, in L’attore sociale. Biologia cultura e intelligenza artificiale, Einaudi, Torino 1987.

Hesse, M.B., Modelli e analogie nella scienza, Feltrinelli, Milano 1980.

Inbar, M., Stoll, C.S., Simulation and Gaming in Social Science, Free Press, New York 1972.

Johnson-Laird, P.N., Mental Models. Towards a Cognitive Science of Language, Inference, and Consciousness, Cambridge University Press, Cambridge 1983.

Losand, M.G., Informatica per le scienze sociali, Einaudi, Torino 1985, p. vi.

Parisi, D., L’approccio simulativo allo studio della mente, mimeo, Istituto di Psicologia del CNR, Roma 1981.

Richardson, J. (a cura di), Models of Reality: Shaping Thought and Action, Lomond, Mount Airy 1984.

Shanin, T. (a cura di), The Rules of the Game. Cross-disciplinary Essays on Models in Scholarly Thought, Tavistock, London 1972.

Stachowiak, H., Allgemeine Modelltheorie, Springer, Vienna 1973.

Waddington, C.H., Strumenti per pensare. Un approccio globale ai sistemi complessi, Est Mondadori, Milano 1977.

2. Sistemi cognitivi e indaganti

Airenti, G., Bara, B.G., Colombetti, M., Knowledge and thought in a cognitive System, «Cybernetica», vol. 26, 1983, n. 1, pp. 23-41.

Arcuri, L., Job, R., Roncato, S. (a cura di), Studi sulla rappresentazione delle conoscenze, Unicopli, Milano 1985.

Boden, M., Artificial Intelligence and Natural Man, Harvester Press, Brighton 1977.

Charniak, E., McDermott, D., Introduction to Artificial Intelligence, Addison-Wesley, Reading (Mass.) 1985.

Churchman, C.W., The Design of Inquiring Systems. Basic Concepts of Systems and Organization, Basic Books, New York 1971.

Davis, R., Lenat, D.B., Knowledge-Based Systems in Artificial Intelligence, McGrawHill, New York 1982.

Dewey, J., Logica, teoria dell’indagine, Einaudi, Torino 1949.

Dreyfus, H.K., Alchemy and Artificial Intelligence, Rand Papers, 1965.

Elithorn, A., Banerji, R. (a cura di), Artificial & Human Intelligence, North-Holland, Amsterdam 1984.

Feigenbaum, A., Feldman, J. (a cura di), Computers and Thought, McGraw-Hill, New York 1963.

Gregory, R.L., Mind in Science. A History of Explanations in Psychology and Physics, Cambridge University Press, New York 1981.

Haugeland, J. (a cura di), Mind Design, Philosophy, Psychology, Artificial Intelligence, Bradford Books, Montgomery 1981.

Hofstadter, D.R., Analogies and Roles in Human and Machine Thinking, in Metamagical Themas: Questing for the Essence of Mind and Pattern, Basic Books, New York 1985, pp. 547-603.

Linguiti, G.L., Macchine e pensiero. Da Wiener alla terza cibernetica, Feltrinelli, Milano 1980.

McCorduck, P., Machines Who Think, Freeman, San Francisco 1979.

Minsky, M., A Framework for Representing Knowledge, in Winston, P.H. (a cura di), The Psychology of Computer Vision, McGraw-Hill, New York 1975.

Neisser, U., Conoscenza e realtà. Un esame critico del cognitivismo, il Mulino, Bologna 1981.

Newell, A., The knowledge level, «Artificial Intelligence», vol. 18, 1982, pp. 87-127.

Parisi, D., Menti artificiali che collaborano con menti naturali, mimeo, Istituto di Psicologia del CNR, Roma 1984.

Pearl, J., Heuristics. Intelligent Search Strategies for Computer Problem Solving, Addison-Wesley, Reading (Mass.) 1984.

Pribram, K.H., Natural Intelligence in the Science of Mind/Brain, in Atti del convegno «Mente naturale-mente artificiale», a cura dell’Istituto di Filosofia e Metodologia della scienza, Torino 1985.

Pylyshyin, Z.W., Computation and Cognition. Issues in the Foundations of Cognitive Science, «Behavioral and Brain Sciences», n. 3, pp. 111-169.

Raphael, B., Il computer che pensa. Le basi dell’Intelligenza Artificiale, Muzzio, Padova 1986.

Ringle, M.D. (a cura di), Philosophical Perspectives in Artificial Intelligence, Humanities Press, Atlantic Highlands 1979.

Schank, R.C., Conceptual Information Processing, Elsevier, Amsterdam 1975.

Schank, R.C., Abelson, R.P., Scripts Plans Goals and Understanding. An Inquiry into Human Knowledge Structures, Erlbaum, Hillsdale 1977.

Searle, J.R. et al., Menti cervelli e programmi. Un dibattito sull’intelligenza artificiale, a cura di G. Tonfoni, CLUP-CLUED, Milano 1984.

Sloman, A., The Computer Revolution in Philosophy. Philosophy, Science and Models of Mind, Harvester Press, Brighton 1978.

Somenzi, V., Cordeschi, R. (a cura di), La filosofia degli automi. Origini dell’intelligenza artificiale, Boringhieri, Torino 1986.

Sowa, J.F., Conceptual Structures. Information Processing in Mind and Machine, Addison-Wesley, Reading (Mass.) 1984.

Torrance, S. (a cura di), The Mind and the Machine. Philosophical Aspects of Artificial Intelligence, Ellis Horwood, Chichester 1984.

Wilenski, R., Planning and Understanding. A Computational Approach to Human Reasoning, Addison-Wesley, Reading (Mass.) 1983.

Winograd, T., Language as a Cognitive Process, vol. I, Syntax, Addison-Wesley, Reading (Mass.) 1983.

3. L’AI nella ricerca e nei processi formativi

Balkovich, E., Lerman, S., Parmelee, R.P., Computing in Higher Education: The Athena Experience, «Computer», vol. 18, 1985, n. 11, pp. 112-125.

Bertasio, D., Educazione e intelligenza artificiale. Processi culturali e tecnologia dell’informazione, Li Causi, Bologna 1984.

Cantoni, L., Uno studio sul CAI (Computer Aided Instruction), Toso, Torino 1979.

Cerri, S.A., Sistemi intelligenti per insegnare, mimeo, Istituto di scienze dell’informazione, Pisa 1981.

Id., The Intersection of AI and Education, in Collaborative Papers on Future and Impacts of Artificial Intelligence, International Institute for Applied Systems Analysis, Laxenburg 1983.

De Grada, E., Innovazione informatica e cambiamento psicologico: problemi e implicazioni, in Ruberti, A. (a cura di), Tecnologia domani. Utopie differite e transizione in atto, Laterza, Bari 1985, pp. 129-160.

Ercoli, P., Formazione e ricerca, in Ruberti, Tecnologia, cit., pp. 161-223.

Goldstein, I., Papert, S., Artificial Intelligence, Language, and the Study of Knowledge, «Cognitive Science», vol. 1, 1977, pp. 84-123.

Hawridge, D., Learning Processes and New Communication Technologies, in Atti del convegno «Nuove tecnologie della comunicazione», Istituto dell’Enciclopedia Italiana, Roma 1983.

Hewitt, C., The Challenge of Open Systems, «Byte», vol. 10, n. 4, pp. 223-242.

Hofstadter, D.R., Si può meccanizzare la creatività?, in Longo, G.O. (a cura di), Intelligenza Artificiale, «Le Scienze quaderni», 1985, n. 25.

Lawler, R.W., The Progressive Construction of Mind, «Cognitive Science», vol. 5, 1981, pp. 1-30.

Miller, L., Has Artificial Intelligence Contributed to an Understanding of the Human Mind? A Critique of Arguments For and Against, «Cognitive Science», vol. 2, 1978, pp. 111-127.

Schank, R.C., Childers, P., The Cognitive Computer. On Language, Learning, and Artificial Intelligence, Addison-Wesley, Reading (Mass.) 1984.

Turkle, S., Computer as Rorschach: Subjectivity and Social Responsibility, mimeo, MIT, Program in Science, Technology, and Society, Boston 1979.

Id., Il secondo io, Frassinelli, Milano 1985.

4. Sulla comunicazione tra le scienze

Barnes, B., Scientific Knowledge and Sociological Theory, Routledge & Kegan, London 1974.

Bloor, D., Knowledge and Social Imagery, Routledge & Kegan, London 1976.

Blum, A.F., Theorizing, Heinemann, London 1974.

Brittan, A., Meanings and Situations, Routledge & Kegan, London 1973.

Cicourel, A.V., Cognitive Sociology. Language and Meaning in Social Interaction, Penguin, Harmondsworth 1973.

Coulter, J., Transparency of Mind: The Availability of Subjective Phenomena, «Philosophy of the Social Sciences», vol. 7, 1977, pp. 321-350.

Douglas, M. (a cura di), Rules & Meanings. The Anthropology of Everyday Knowledge, Penguin, Harmondsworth 1973.

Flores, C.F., Winograd, T., Calcolatori e conoscenza, Mondadori, Milano 1987.

Gadamer, H.G., Verità e metodo, Bompiani, Milano 1983.

Gallino, L., Comunicazione, in Dizionario di Sociologia, UTET, Torino 19842, pp. 138-144.

Id., Scienza, sociologia della –, in Dizionario di sociologia, cit., pp. 589-604.

Gilbert, G.N., Heath, C. (a cura di), Social Action and Artificial Intelligence, Gower, Aldershot 1985.

Lepenies, W., Die Drei Kulturen, Soziologie zwischen Literatur und Wissenschaft, Hansar, München 1985.

Maruyama, M., Mindscapes and Science Theories, «General Systems», vol. 26, 1981, pp. 41-60.

Mead, G.H., Mind, Self, and Society from the standpoint of a social behaviorist, University of Chicago Press, Chicago 1934.

Negrotti, M. (a cura di), Intelligenza artificiale e scienze sociali, Franco Angeli, Milano 1984.

Perelman, C., Olbrechts-Tyteca, L., Trattato dell’argomentazione. La nuova retorica, Einaudi, Torino 1966.

Phillips, D.L., Wittgenstein e la conoscenza scientifica. Un approccio sociologico, il Mulino, Bologna 1981.

Polanyi, M., La conoscenza inespressa, Armando, Roma 1979.

Riedl, R., Die Spaltung des Weltbildes. Biologische Grundlagen des Erklärens und Verstehens, Parey, Berlin 1985.

Rorty, R., La filosofia e lo specchio della natura, Bompiani, Milano 1986.

Rubinstein, D., Marx e Wittgenstein. Social Praxis and Social Explanation, Routledge & Kegan, London 1981.

Schutz, A., Luckmann, T., The Structures of the Life-World, Heinemann, London 1974.

Searle, J.R., Della intenzionalità. Un saggio di filosofia della conoscenza, Bompiani, Milano 1985.

Wilden, A., System and Structure. Essays in Communication and Exchange, Tavistock, London 1972.

Torna su

Per citare questo articolo

Notizia bibliografica

Luciano Gallino, « Menti naturali e menti artificiali: nuove prospettive per la ricerca e i processi formativi (1988) », Quaderni di Sociologia, 70-71 | 2016, 119-137.

Notizia bibliografica digitale

Luciano Gallino, « Menti naturali e menti artificiali: nuove prospettive per la ricerca e i processi formativi (1988) », Quaderni di Sociologia [Online], 70-71 | 2016, online dal 01 novembre 2016, consultato il 21 ottobre 2017. URL : http://qds.revues.org/782 ; DOI : 10.4000/qds.782

Torna su

Autore

Luciano Gallino

Articoli dello stesso autore

Torna su

Diritti d'autore

Licenza Creative Commons
Quaderni di Sociologia è distribuita con Licenza Creative Commons Attribuzione - Non commerciale - Non opere derivate 4.0 Internazionale.

Torna su
  • Logo Rosenberg & Sellier
  • Revues.org