ITALIANO

Non sono richieste conoscenze preliminari. Agli studenti stranieri è richiesta una buona conoscenza dell’italiano.

Il corso si strutturerà attraverso lezioni frontali, sostanziate da slides ed esercitazioni in classe.
Le lezioni a contenuto teorico saranno erogate anche in streaming attraverso il collegamento via Teams alla lezione erogata in aula (modalità telematica sincrona).

Al termine del corso lo studente sarà in grado di:
1. Conoscenze e comprensione
Descrivere i fondamenti della comunicazione umana, riconoscendo gli elementi impliciti che spesso diamo per scontati nei processi comunicativi.
Spiegare le principali cause del fallimento comunicativo e le loro manifestazioni nei diversi contesti.
Comprendere i principi di base dell’apprendimento automatico (supervisionato, non supervisionato, rinforzo) e le differenze tra i vari approcci.
Ricostruire l’evoluzione storica dei modelli linguistici: dai modelli di Markov e n-grammi ai modelli distribuzionali, fino ai Transformers e agli LLM contemporanei.
Conoscere le principali implicazioni etiche legate all’interazione con modelli linguistici generativi.
2. Capacità di applicazione
Analizzare episodi reali di comunicazione identificando errori, ambiguità o impliciti che possono condurre al fallimento comunicativo.
Valutare punti di forza e limiti degli LLM in scenari applicativi concreti.
Applicare strumenti critici per riconoscere bias, rischi di disinformazione e dipendenza cognitiva nelle interazioni uomo-modello.
3. Autonomia di giudizio
Formulare valutazioni personali e argomentate sulle implicazioni etiche, sociali e cognitive dei sistemi di IA generativa.
Riconoscere quando l’uso di un LLM è appropriato, quando è fuorviante e quando è necessario ricorrere a competenze umane.
4. Abilità comunicative
Comunicare in modo chiaro e rigoroso concetti complessi riguardanti comunicazione, machine learning e LLM, adattando il registro al pubblico di riferimento.
Presentare casi studio e analisi critiche in forma scritta o orale, utilizzando un linguaggio tecnico accurato ma accessibile.
5. Competenze trasversali
Sviluppare un atteggiamento metacognitivo che permetta di riconoscere i propri automatismi comunicativi e i potenziali fraintendimenti.
Collaborare con altri studenti nella discussione di casi o dataset, adottando una prospettiva interdisciplinare tra scienze della comunicazione e informatica.

Al termine del corso lo studente avrà compreso i principi essenziali della comunicazione, inclusi gli aspetti impliciti che spesso passano inosservati e che possono generare equivoci. Conoscerà le principali dinamiche del fallimento comunicativo e saprà riconoscerne le cause più frequenti.

Avrà inoltre una visione chiara dei concetti fondamentali dell’apprendimento automatico, distinguendo i diversi approcci (supervisionato, non supervisionato, rinforzo) e comprendendo come vengono utilizzati per analizzare e modellare dati.

Sarà in grado di ricostruire l’evoluzione dei modelli linguistici, dai primi modelli statistici come Markov e n-grammi fino ai modelli moderni basati su Transformers e Large Language Models, cogliendo i passaggi teorici che hanno portato alle tecnologie attuali. Infine, avrà una conoscenza solida delle principali implicazioni etiche legate all’uso e al dialogo con gli LLM, comprese questioni di bias, trasparenza e responsabilità.

Gli studenti acquisiranno una comprensione chiara dei meccanismi fondamentali della comunicazione, con particolare attenzione agli impliciti e alle assunzioni che spesso generano fraintendimenti. Impareranno a riconoscere le principali cause del fallimento comunicativo e a leggerle dentro contesti reali.
Sul versante tecnologico, il corso fornirà le basi dell’apprendimento automatico, distinguendo i diversi approcci e spiegando come vengono utilizzati per far apprendere modelli e sistemi intelligenti. Verrà inoltre ricostruito il percorso che ha portato dai primi modelli statistici del linguaggio ai moderni Transformers e agli LLM, evidenziando le idee chiave che hanno guidato questa evoluzione.
Infine, gli studenti comprenderanno le principali implicazioni etiche dell’interazione con modelli linguistici generativi, sviluppando una consapevolezza critica dei rischi e dei limiti di queste tecnologie.

Il corso aiuterà gli studenti a sviluppare una maggiore consapevolezza dei propri processi comunicativi, imparando a riconoscere automatismi, impliciti e possibili aree di fraintendimento nelle interazioni quotidiane. Verranno potenziate anche le capacità di pensiero critico, soprattutto nella valutazione dell’affidabilità delle informazioni e dei limiti delle tecnologie basate su IA.
Gli studenti eserciteranno inoltre competenze di collaborazione e confronto interdisciplinare, unendo prospettive provenienti dalla comunicazione, dalla linguistica, dall’informatica e dall’etica. Infine, svilupperanno la capacità di affrontare problemi complessi con un approccio flessibile, combinando intuizione, analisi dei dati e riflessione sulle conseguenze sociali delle scelte tecnologiche.

1. Fondamenti della comunicazione
Modello base della comunicazione: emittente, messaggio, codice, canale, contesto.
Gli impliciti comunicativi: ciò che diamo per scontato quando comunichiamo.
Ambiguità, presupposizioni e inferenze.
2. Il fallimento comunicativo
Tipologie di fraintendimenti: semantici, pragmatici, culturali, cognitivi.
Come si generano e come si riconoscono i fallimenti comunicativi.
Strategie per prevenirli e gestirli.
Casi reali e analisi di esempi.
3. Introduzione all’apprendimento automatico
Che cos’è il machine learning: intuizioni, limiti e applicazioni.
Apprendimento supervisionato: classificazione, regressione, concetto di dataset.
Apprendimento non supervisionato: clustering, estrazione di strutture latenti.
Apprendimento per rinforzo: agenti, ricompense, policy.
Overfitting, generalizzazione, qualità dei dati.
4. Evoluzione dei modelli linguistici
Dai primi modelli statistici: catene di Markov, n-grammi, modelli basati su frequenze.
Modelli distribuzionali: word embeddings, Word2Vec, GloVe.
Reti neurali ricorrenti e LSTM.
L’ascesa dei Transformers: attenzione, encoder-decoder, architetture moderne.
Dati, pre-training e fine-tuning dei Large Language Models (LLM).
Perché gli LLM “sembrano” dialogare: generazione autoregressiva e pattern probabilistici.
5. Implicazioni etiche e sociali
Bias nei dati e nei modelli: come si generano e perché sono difficili da eliminare.
Trasparenza, interpretabilità e accountability.
Rischi comunicativi: disinformazione, overtrust, antropomorfizzazione del modello.
Impatti sociali, cognitivi e professionali dell’uso degli LLM.
Linee guida per un uso consapevole e critico.

L’esame consiste nella stesura di un elaborato scritto in cui lo studente è chiamato a integrare una o più delle conoscenze affrontate durante il corso con esperienze tratte dalla propria pratica professionale, dai propri studi o dalla vita quotidiana.
L’elaborato dovrà mostrare la capacità di:
comprendere i concetti teorici presentati;
applicarli in modo critico a situazioni reali, personali o osservate;
argomentare con chiarezza, rigore e consapevolezza;
collegare aspetti comunicativi, tecnologici o etici in modo coerente.

Prova scritta e/o orale.
Per gli di studenti con disabilità/invalidità o disturbo specifico di apprendimento (DSA),
che abbiano fatto debita richiesta di supporto per affrontare lo specifico esame di profitto
all’Info Point Disabilità/DSA dell’Ateneo. le modalità di esame saranno adattate alla luce
di quanto previsto dalle linee guida di Ateneo
(https://www.univpm.it/Entra/Accoglienza_diversamente_abili).

La valutazione terrà conto della pertinenza dei contenuti, della capacità di elaborazione personale, della qualità della scrittura e della coerenza complessiva dell’analisi proposta.

Esame scritto con domande aperte relative agli argomenti trattati in classe, opportunamente integrate con lo studio dei testi di riferimento

Il voto sarà attribuito secondo i criteri seguenti.
I voti di eccellenza (29-30 Lode) equivalgono al raggiungimento di una visione critica dei temi affrontati, esposti in sede di esame con piena padronanza del linguaggio specialistico.
I voti intermedi (25-28) risultano da una buona conoscenza dei temi affrontati, non sempre esposti con piena padronanza del linguaggio specialistico.
I voti sufficienti o appena sufficienti (18-24) risultano da conoscenze minime dei temi oggetto di studio e dall'impiego di un linguaggio inappropriato.
L’esame non è superato là dove emergano gravi lacune nella preparazione o un'inadeguata conoscenza della disciplina.

Ferrara A. (2025), Le machine del linguaggio. L’uomo allo specchio dell’intelligenza artificiale, Einaudi