The Math of Things

A cosa _serve_ la matematica? Non te lo _dico_!

Sat, 20 Jun 2026 00:00:00 +0000

Introduzione: la domanda che ritorna ogni settembre

Da quando insegno, ogni anno la stessa domanda fa capolino in aula — quasi sempre quando il materiale inizia a farsi complesso, quando le derivate sembrano simboli misteriosi o quando si vede per la prima volta una dimostrazione per assurdo.

“Prof, ma a cosa serve veramente la matematica?”

Risposte serie, risposte pratiche, risposte filosofiche. E seguendo il consiglio di un caro e vecchio professore di matematica, anche delle non-risposte. Un giorno mi disse: “A chi mi chiede a cosa serve la matematica, non rispondo più. Non lo ritengo neanche all’altezza di capire la mia risposta, qualsiasi essa sia, se fa una domanda del genere.”

Quella frase rimase. Non per elitarismo, ma perché la domanda nasconde qualcosa di più profondo: una ricerca di senso, non di utilità. Sono due cose diverse.

La matematica è talmente vasta, talmente radicata nella realtà e nel pensiero, che le risposte possibili sono infinite. Proviamo a raccoglierne alcune. Ironiche ma vere. Professionali ma accessibili. Sagge e universali.

Le risposte ironiche (che però vanno sul serio)

“Perché è nel programma”

Tecnicamente vera. La matematica è obbligatoria — ma per una ragione. Generazioni di educatori hanno concordato che il cervello umano ha bisogno di questa struttura. Imparare a dimostrare, a ragionare logicamente, a muoversi in un universo di astrazioni: non sono lussi, sono fondamenti.

“Serve a far perdere tempo”

Falso… e vero. Può sembrare una perdita di tempo finché non serve davvero. Ma quando serve — per capire un articolo scientifico, una notizia sulla probabilità, o semplicemente quando il mondo si rivela più complesso di quanto pensavamo — quel tempo si rivela un investimento nel cervello futuro.

“Così si capisce quando ci stanno fregando con le statistiche”

Questo è oro puro. Quanti articoli parlano di “aumento del 300%” senza specificare la base di partenza? Quante affermazioni sull’occupazione sono prive di contesto? La matematica è l’antidoto al nonsense. È il vaccino contro la stupidità altrui.

“Perché è bella, e basta”

Qui l’ironia si ferma. La matematica è bella. Una simmetria, una proporzione aurea, l’eleganza di una dimostrazione in due righe per un problema che sembrava impossibile. Questa bellezza non serve a niente in senso pratico, ma serve a tutto in senso umano. Perché siamo fatti di curiosità, e la curiosità è la cosa che ci rende vivi.

Le risposte professionali (ma restano umane)

1. La matematica modella la realtà

Ogni tecnologia che usiamo — dal telefono ai satelliti del GPS, dalle turbine eoliche ai sistemi di compressione video — esiste perché qualcuno ha usato la matematica per descrivere come il mondo funziona.

L’ingegnere che progetta un ponte non disegna il ponte: risolve equazioni differenziali. Il medico che legge una risonanza magnetica sta interpretando trasformate di Fourier. Non lo sa necessariamente, ma lo sta facendo.

2. Insegna a pensare logicamente

La matematica non riguarda i numeri. Riguarda il ragionamento. Insegna a:

Formulare ipotesi chiaramente
Dimostrare affermazioni con rigore
Affrontare problemi scomponendoli in parti gestibili
Riconoscere quando qualcosa non funziona logicamente

Queste abilità funzionano dappertutto: in diritto, in medicina, in economia, persino nella discussione politica.

3. Apre carriere

Il 60% dei lavori che crescono più velocemente in questo decennio richiede competenze STEM (Science, Technology, Engineering, Mathematics). Non perché “la società lo vuole”, ma perché il mondo è sempre più complesso, e gestire questa complessità richiede strumenti matematici.

4. Aiuta a distinguere il certo dall’incerto

In un mondo di fake news e incertezza, la matematica insegna la differenza fra:

ciò che sappiamo per certo (teoremi),
ciò che probabilmente è vero (statistica),
ciò che non sappiamo (il territorio ancora inesplorato).

Una distinzione cruciale per prendere decisioni consapevoli.

Quando i giganti rispondono

Lasciamo parlare chi ha fondato la scienza moderna.

Galileo Galilei

“Il libro della natura è scritto in linguaggio matematico. Le lettere di questo linguaggio sono triangoli, cerchi e altre figure geometriche; senza questi mezzi è umanamente impossibile comprendere una sola parola; senza questi non si può dare alcun significato alle cose.”

Cosa vuol dire: non si può descrivere la realtà senza la matematica. Non è che la matematica sia utile — è che è il linguaggio della realtà stessa.

Albert Einstein

“La matematica pura è, a suo modo, la poesia delle idee logiche. La scienza non è soltanto una raccolta di leggi, una collezione di strumenti che l’uomo può usare; la scienza è una creazione dello spirito umano, con i suoi concetti liberi e le sue idee.”

Cosa vuol dire: la matematica non è fredda. È il modo in cui l’uomo parla con l’universo. È creatività pura, racchiusa in simboli.

Richard Feynman

“Il valore della scienza non è tanto nei risultati pratici, ma nella straordinaria libertà di pensiero che conferisce. Capire come funziona il mondo è un privilegio affascinante.”

Cosa vuol dire: la matematica non è uno strumento, è una libertà. Una volta che sai come funzionano le cose, il mondo diventa tuo.

G.H. Hardy (matematico puro)

“La bellezza è il primo test: non c’è un posto durevole nel mondo per la matematica brutta.”

Cosa vuol dire: la matematica che risolve problemi reali è importante, ma quella che scopre la bellezza della struttura è immortale. La Teoria della Relatività è utile, ma la Geometria Euclidea è eterna.

Carl Friedrich Gauss

“La matematica è la regina delle scienze.”

Semplicemente: non serve dire altro.

Conclusione: una riflessione finale

La risposta vera alla domanda “A cosa serve la matematica?” dipende da chi sei e da cosa cerchi.

Se cerchi un lavoro: serve a qualificarti, a darti strumenti che pochi hanno, a farti guadagnare bene.

Se cerchi di comprendere il mondo: serve a decifrare il codice sottostante di come funzionano le cose.

Se cerchi bellezza: serve a riconoscerla, dentro e fuori di te.

Se cerchi libertà: serve a liberarti da superstizioni, da ragionamenti circolari, da chi vuole fregarti con statistiche fasulle.

E forse la cosa più importante: la matematica serve a comprendere che l’universo non è casuale. Che c’è un ordine, una struttura, una logica che attende di essere scoperta. E che, con la giusta preparazione, chiunque può essere chi la scopre.

Quindi quando arriva la domanda “Prof, a cosa serve?”, ormai la risposta è questa:

“Ti serve per capire quello che ancora non sai di non sapere. Ti serve per il futuro che non puoi prevedere. Ti serve per essere umano nel senso più profondo: curioso, libero, consapevole. Inoltre, tra tre mesi ci sarà il compito, quindi inizia a studiare.”

La matematica non serve a niente. Serve a tutto.

Approfondimento consigliato: Per vedere come la matematica descrive concretamente il mondo reale, leggi Studio di Funzione Razionale — una funzione che letteralmente salva vite.

I giganti citati — Galileo, Einstein, Feynman, Hardy, Gauss — rappresentano secoli di riflessione su questa domanda. Le loro risposte rimangono straordinariamente attuali.

Questo articolo è stato scritto con l'indispensabile contributo di Claude — il quale, va detto, non ha chiesto nulla in cambio. Per ora.

Chi ha paura dell'_Intelligenza Artificiale_?

Fri, 19 Jun 2026 00:00:00 +0000

L’intelligenza artificiale genera due reazioni opposte e ugualmente sbagliate: la fascinazione acritica e la paura paralizzante. Entrambe hanno in comune lo stesso difetto: l’assenza di consapevolezza su cosa sia davvero questo strumento, come funzioni, e — soprattutto — quanto costi.

Non è magia. È matematica con una bolletta enorme.

Un modello linguistico come GPT-4 non “pensa”. Esegue miliardi di operazioni su matrici numeriche, addestrate su quantità di testo che nessun essere umano potrebbe leggere in mille vite. Il risultato sembra intelligente perché è statisticamente coerente — ma dietro ogni risposta c’è un data center che consuma energia reale, acqua reale, e produce calore reale.

Addestrare GPT-3 ha richiesto circa 1.287 MWh di elettricità — l’equivalente del consumo annuo di 120 famiglie italiane — e ha emesso circa 552 tonnellate di CO₂. GPT-4 è ordini di grandezza più grande. I numeri esatti non vengono resi pubblici.

Una singola query a ChatGPT consuma circa 10 volte più energia di una ricerca su Google. Non è un problema in sé: è un dato che cambia la prospettiva su come e quanto si usa questo strumento.

Il costo ambientale che non vediamo

I data center globali consumano oggi circa il 2% dell’elettricità mondiale — una quota paragonabile all’intera industria aeronautica. Le proiezioni per il 2030 parlano di un aumento fino all’8%, trainato proprio dalla crescita dell’IA generativa.

L’acqua è l’altro fattore invisibile. I sistemi di raffreddamento dei data center richiedono volumi enormi: si stima che l’addestramento di GPT-3 abbia richiesto circa 700.000 litri d’acqua. Microsoft e Google pubblicano report di sostenibilità che mostrano consumi idrici in costante crescita, nonostante gli investimenti in efficienza.

Modello / attività	Energia stimata	Equivalente
Addestramento GPT-3	1.287 MWh	120 famiglie/anno
Query ChatGPT (singola)	~0,001-0,01 kWh	10× una ricerca Google
Data center globali (2023)	~460 TWh/anno	2% elettricità mondiale
Proiezione data center (2030)	~1.000 TWh/anno	~8% elettricità mondiale

Questo non significa che l’IA sia “cattiva”. Significa che ha un peso nel mondo fisico, come qualsiasi tecnologia industriale. E che ignorarlo è una forma di ingenuità che ci possiamo permettere sempre meno.

Il problema non è la macchina. È chi la usa senza guardarsi dentro.

Il 41% dei lavoratori che oggi usa strumenti di IA dichiara di fare cose che prima erano semplicemente fuori dalla sua portata — non per mancanza di intelligenza, ma di tempo e risorse. La macchina toglie il compito ripetitivo, e libera spazio per quello che conta.

Il rischio reale non è la sostituzione. È la delega inconsapevole: usare l’IA senza verificare, senza capire, senza chiedersi se l’output ha senso. Un testo generato e accettato senza lettura critica non è efficienza — è rumore travestito da contenuto.

Le aziende lo sanno. Secondo una ricerca Microsoft-LinkedIn del 2024, il 75% dei knowledge worker usa già strumenti di IA nel proprio lavoro. Ma solo una minoranza dichiara di avere ricevuto una formazione adeguata su come farlo bene.

Consapevolezza come competenza

La domanda giusta non è “l’IA mi sostituirà?” — è “cosa devo sapere per usarla senza esserne usato?”

Tre punti concreti:

1. Verificare sempre. I modelli linguistici allucinano — inventano citazioni, date, fatti. Non per malizia, per architettura. Il controllo critico non è un’opzione, è il minimo sindacale.

2. Considerare il costo. Usare l’IA per generare cinquanta varianti di un testo che poi non si legge è spreco energetico reale. La consapevolezza del costo ambientale dovrebbe influenzare le scelte d’uso, almeno un po'.

3. Capire almeno il principio di funzionamento. Non serve saper addestrare un modello. Serve capire che lavora per predizione statistica, non per comprensione — perché quella distinzione cambia radicalmente come si interpreta il suo output.

L’IA è inevitabile nel senso in cui è inevitabile internet: non ha senso ignorarla, ha senso imparare a starci dentro. Ma “starci dentro” non significa accettarla passivamente. Significa tenerla in mano, non lasciarsi tenere.

I dati citati provengono da: Patterson et al. (2021) — "Carbon and the Broad Landscape of Digital Work"; IEA — "Electricity 2024"; Microsoft Environmental Sustainability Report 2023; LinkedIn Workforce Report 2024.

Questo articolo è stato scritto con l'indispensabile contributo di Claude — il quale, va detto, non ha chiesto nulla in cambio. Per ora.

Materiali Riservati

Wed, 17 Jun 2026 00:00:00 +0000

Accedi ai materiali riservati della scuola. Usa la password fornita per visualizzare i documenti.

La _conservazione_ dell'energia

Tue, 16 Jun 2026 00:00:00 +0000

Introduzione

Il cosiddetto principio di conservazione dell’energia generalizzato è, in realtà, una denominazione impropria. Non si tratta infatti di un principio fondamentale della fisica, bensì di una generalizzazione del principio di conservazione dell’energia meccanica, valida anche in presenza di forze non conservative.

La relazione di partenza è il teorema dell’energia cinetica, che è sempre valido. Da esso si ricava:

$$ \Delta E_M = L_{\text{non c.}} $$

dove l’energia meccanica totale $E_M$ è definita come

$$ E_M = E_K + U $$

con $E_K$ energia cinetica e $U$ energia potenziale.

Questa espressione mostra che:

l’energia meccanica si conserva quando agiscono solo forze conservative (ad esempio la forza gravitazionale o la forza elastica);
l’energia meccanica varia quando sono presenti forze non conservative, come l’attrito, il cui lavoro è responsabile della variazione di $E_M$.

Il documento sviluppa in modo sistematico questa derivazione e si conclude con un esempio applicativo, in cui viene calcolato lo spazio percorso da un corpo soggetto a forza d’attrito.

Principio di Conservazione dell’Energia Generalizzato

Definizione

Nome improprio: non è un principio di conservazione, ma una generalizzazione del principio di conservazione dell’energia meccanica nel caso in cui agiscano forze non conservative.

Teorema dell’Energia Cinetica

$$ \Delta E_K = L_{A \to B}^{\text{tot}} $$

dove:

$E_K$ = energia cinetica
$L_{A \to B}^{\text{tot}}$ = lavoro totale compiuto da tutte le forze nel passaggio da $A$ a $B$

Questo teorema vale sia in presenza di forze conservative che di forze non conservative.

Scomposizione del Lavoro Totale

Il lavoro totale può essere scomposto in:

$$ L_{A \to B}^{\text{tot}} = L_{A \to B}^{\text{cons}} + L_{A \to B}^{\text{non c.}} $$

dove:

$L_{A \to B}^{\text{cons}}$ = lavoro delle forze conservative
$L_{A \to B}^{\text{non c.}}$ = lavoro delle forze non conservative

Collegamento con l’Energia Potenziale

Per le forze conservative vale la relazione:

$$ L_{A \to B}^{\text{cons}} = -\Delta U = -(U_B - U_A) = U_A - U_B $$

Unendo Tutto

Dal teorema dell’energia cinetica:

$$ \Delta E_K = L_{A \to B}^{\text{cons}} + L_{A \to B}^{\text{non c.}} $$

Sostituendo $L_{A \to B}^{\text{cons}} = -\Delta U$:

$$ \Delta E_K = -\Delta U + L_{A \to B}^{\text{non c.}} $$

Riorganizzando:

$$ \Delta E_K + \Delta U = L_{A \to B}^{\text{non c.}} $$

ovvero:

$$ \Delta (E_K + U) = L_{A \to B}^{\text{non c.}} $$

Definendo l’energia meccanica totale $E_M = E_K + U$:

$$ \Delta E_M = L_{A \to B}^{\text{non c.}} $$

Caso Speciale: Solo Forze Conservative

Se non agiscono forze non conservative, cioè:

$$ L_{A \to B}^{\text{non c.}} = 0 $$

allora:

$$ \Delta E_M = 0 $$

e quindi:

$$ E_M = E_K + U = \text{costante} $$

Questo è il vero principio di conservazione dell’energia meccanica.

In forma esplicita:

$$ E_{K,A} + U_A = E_{K,B} + U_B $$

oppure, nel caso della forza peso:

$$ \frac{1}{2} m v_A^2 + m g h_A = \frac{1}{2} m v_B^2 + m g h_B $$

Esempio: corpo con attrito

Dati

velocità iniziale: $v_i = 5,\mathrm{m/s}$
massa: $m = 1,\mathrm{kg}$
coefficiente di attrito: $\mu = 0.4$
determinare lo spazio percorso prima dell’arresto

Soluzione

In presenza di attrito l’energia meccanica non si conserva. Tuttavia è sempre valido il teorema dell’energia cinetica. Poiché l’unica forza che compie lavoro lungo il moto è la forza di attrito, si ha:

$$ \Delta E_K = L_{\text{attrito}} $$

La variazione di energia cinetica del corpo è:

$$ \Delta E_K = E_{K,f} - E_{K,i} = \frac{1}{2} m v_f^2 - \frac{1}{2} m v_i^2 $$

Poiché il corpo si arresta, $v_f = 0$, quindi:

$$ \Delta E_K = 0 - \frac{1}{2}(1)(5)^2 = -12.5,\mathrm{J} $$

Il lavoro della forza di attrito, opposta al moto, vale:

$$ L_{\text{attrito}} = -\mu \cdot m \cdot g \cdot s $$

Uguagliando la variazione di energia cinetica al lavoro dell’attrito:

$$ -\frac{1}{2} m v_i^2 = -\mu \cdot m \cdot g \cdot s $$

Sostituendo i valori numerici:

$$ \frac{1}{2}(1)(5)^2 = 0.4 \cdot 1 \cdot 9.8 \cdot s $$

$$ 12.5 = 3.92, s $$

da cui:

$$ s = \frac{12.5}{3.92} \approx 3.19,\mathrm{m} $$

Risultato: il corpo percorre circa $3.2,\mathrm{m}$ prima di fermarsi.

Schema Riassuntivo

Tipo di forze	Lavoro	Conseguenza sull’energia
Forze conservative	$L = -\Delta U$	$E_M$ costante (se agiscono da sole)
Forze non conservative	$L \neq -\Delta U$	$E_M$ varia

Caso	Relazione
Sempre valido	$\Delta E_K = L_{\text{tot}}$
Con attrito	$\Delta E_M = L_{\text{non c.}} \neq 0$
Senza attrito	$\Delta E_M = 0 ;\Rightarrow ; E_M$ costante

Le _derivate_: dal problema della tangente alla definizione formale

Tue, 16 Jun 2026 00:00:00 +0000

Il problema della tangente

Pendenza di una retta

Per stabilire la pendenza di una retta — o meglio la sua inclinazione — è sufficiente fissare due punti sulla retta ed effettuare il rapporto tra l’incremento in direzione $y$ (altezza) e l’incremento in direzione $x$ (lunghezza):

$$\text{inclinazione}=\dfrac{\Delta y}{\Delta x}= \dfrac{y_q - y_p}{x_q - x_p} \tag{1}$$

Questo viene definito anche tasso medio di cambiamento o variazione media.

Facendo riferimento all’equazione della generica retta $y = mx + q$, l’inclinazione della retta è chiamato coefficiente angolare:

$$m = \dfrac{y_q - y_p}{x_q - x_p}$$

Il problema con le curve

Quando però la funzione non è una retta, bensì una curva, diventa molto complicato stabilire l’inclinazione. Nel momento in cui si fissano due punti su una curva, l’inclinazione — così com’è stata definita più sopra — rappresenterebbe soltanto un’approssimazione del tasso di variazione reale.

Serve pertanto uno strumento che permetta di calcolare l’inclinazione della curva in ogni suo punto. Questo strumento — anche intuitivamente — non può non essere legato al concetto di limite.

Il rapporto incrementale

Dalla retta secante alla retta tangente

Consideriamo due punti $P$ e $Q$ situati sul grafico di una funzione, quindi appartenenti al suo Insieme di Definizione:

$P(x, f(x))$
$Q(x+h, f(x+h))$

La pendenza della retta passante per i due punti $P$ e $Q$ — chiamata retta secante — è:

$$\dfrac{\Delta y}{\Delta x}=\dfrac{f(x+h)-f(x)}{h} \tag{2}$$

Dal punto di vista della curva, questo rapporto rappresenta soltanto l’inclinazione di una retta secante passante per due punti appartenenti alla funzione.

Però notiamo qualcosa di cruciale:

L’intuizione chiave:

La precisione riguardo al calcolo della pendenza aumenta all’avvicinarsi di $Q$ a $P$

Nel momento in cui i due punti coincideranno esisterà un’unica retta passante per quel punto e quella retta non potrà che essere la tangente alla curva nel punto $P$. La sua inclinazione $m$ — il coefficiente angolare — è proprio quello che cerchiamo.

La secante si trasforma in tangente al limite!

La formula della retta secante

La retta passante per $P$ e $Q$ ha equazione:

$$y-y_p=(y_q-y_p) \cdot \dfrac{x-x_p}{x_q-x_p}$$

Sostituendo i nostri punti:

$$f(x) - f(x_0) = \dfrac{f(x_0 + h) - f(x_0)}{h} \cdot (x - x_0) \tag{3}$$

Il termine al numeratore della frazione rappresenta il coefficiente angolare della retta secante alla curva della funzione $f(x)$.

Definizione del rapporto incrementale

$$\text{Rapporto incrementale}=\dfrac{f(x_0 + h) - f(x_0)}{h} \tag{RI}$$

È il rapporto tra gli incrementi in $y$ e in $x$.

La derivata: dalla pendenza media alla pendenza puntuale

Dal limite nasce la derivata

La derivata di una funzione è definita come il limite — ove questo esista e sia finito — del rapporto incrementale:

$$f’(x) = \dfrac{dy}{dx} = \lim_{h \to 0} \dfrac{f(x + h) - f(x)}{h} \tag{D}$$

Questa definizione cattura l’idea fondamentale: quando avviciniamo infinitamente il secondo punto al primo, la retta secante diventa la retta tangente, e il suo coefficiente angolare diventa la pendenza della curva esattamente in quel punto.

Significati della derivata

La derivata di una funzione ha due interpretazioni parallele:

Geometricamente: rappresenta l’inclinazione — il coefficiente angolare — della retta tangente al grafico della funzione in un punto.
Analiticamente: rappresenta il tasso di variazione istantaneo della funzione in esame. È la velocità con cui la funzione cambia in quel preciso istante.

Un esempio dalla fisica

In fisica, l’accelerazione rappresenta il tasso di variazione della velocità — cioè la derivata della velocità rispetto al tempo. Allo stesso modo, la velocità è la derivata della posizione rispetto al tempo.

Conclusione

Il viaggio dalla semplice domanda “qual è la pendenza di una curva?” ci ha portato a scoprire uno dei concetti più potenti della matematica: la derivata.

Dalle rette alle curve, dai rapporti medi ai tassi istantanei, dalla geometria all’analisi — la derivata è il cuore pulsante del calcolo differenziale, uno strumento indispensabile non solo in matematica, ma in ogni disciplina dove il cambiamento è protagonista.

Meccanica Quantistica, una guida gentile

Sun, 14 Jun 2026 00:00:00 +0000

Violenza di Genere 2025

Tue, 25 Nov 2025 00:00:00 +0000

Costruire un manuale d'uso con _l'AI_ — Case Study Gestionale _Zucchetti_

Sun, 01 Jun 2025 00:00:00 +0000

Il problema

Gestionale 1 Zucchetti è un software di contabilità e amministrazione diffuso nelle scuole italiane. Robusto, ricco di funzioni — e, nella versione in uso nel nostro istituto, privo di un manuale d’uso aggiornato e accessibile.

La situazione concreta: dover formare personale nuovo su procedure operative complesse — registrazione presenze, gestione supplenze, rendicontazione — senza avere documentazione di riferimento. Il manuale ufficiale Zucchetti esiste, ma è voluminoso, generico, non calibrato sulle procedure specifiche dell’istituto.

L’approccio

Invece di produrre documentazione “a mano” — procedura lenta, soggetta a errori e difficile da mantenere aggiornata — ho usato Claude come co-autore strutturale.

Il flusso di lavoro:

Osservazione operativa — ho registrato le procedure reali, voce per voce, seguendo il personale durante le operazioni quotidiane.
Strutturazione con l’AI — ho descritto a Claude le procedure osservate in linguaggio naturale; Claude ha proposto una struttura modulare (capitoli, sezioni, note operative, avvisi).
Raffinamento iterativo — ogni sezione è passata attraverso cicli di revisione: io correggevo i dettagli tecnici specifici dell’istituto, Claude affinava la chiarezza espositiva e la coerenza del registro.
Output finale — un documento HTML interattivo con sommario laterale, ricerca, modalità chiara/scura, ottimizzato per la lettura su schermo.

Cosa ha funzionato

Velocità di scaffolding: la struttura del manuale — che avrei impiegato giorni a progettare — è emersa in poche ore.
Coerenza del registro: Claude mantiene il tono uniforme tra sezioni scritte in momenti diversi, cosa difficile da garantire in un documento collaborativo.
Note operative e avvisi: chiedendo esplicitamente di identificare i passaggi critici (“dove può andare storto qualcosa?”), il modello ha suggerito punti di attenzione che non avrei documentato spontaneamente.

I limiti

Accuratezza tecnica: l’AI non conosce il software. Ogni dato specifico — percorso di menu, nome esatto di un campo, comportamento di un pulsante — deve venire dall’osservazione diretta e non può essere delegato.
Aggiornamento: quando il software cambia, il manuale va aggiornato. L’AI accelera la riscrittura, ma non la sostituisce.
Verifica obbligatoria: tutto ciò che l’AI produce va validato da chi conosce le procedure reali. Il documento finale è mio — l’AI è uno strumento, non un autore autonomo.

Conclusione

Questo case study è un esempio concreto di quello che definisco uso efficiente dell’AI: non delegare il ragionamento, ma usare il modello per le parti del lavoro in cui è oggettivamente più veloce e preciso di un essere umano — struttura, coerenza, linguaggio — restando responsabili delle parti che richiedono conoscenza situata: procedure reali, contesto istituzionale, verifica.

Il manuale prodotto è accessibile al link qui sotto, protetto da password per uso interno.

Apri il Manuale Gestionale Zucchetti →

Funzioni Trascendenti tra Matematica e Realtà

Thu, 01 May 2025 00:00:00 +0000

Impronta Umana 2025

Tue, 22 Apr 2025 00:00:00 +0000

Il _dilemma_ di Monty Hall

Sat, 23 Jul 2022 00:00:00 +0000

The function of wisdom is to discriminate between good and evil
— Cicerone

Introduzione alla probabilità

In un popolare show televisivo americano il presentatore mostra al concorrente tre porte chiuse. Dietro a una di esse si cela il premio in palio, un’automobile; le altre due nascondono una capra. Il giocatore sceglie una delle tre porte, poi il conduttore, che sa qual è quella vincente, ne apre un’altra mostrando una capra. A questo punto il concorrente deve fare la scelta definitiva:

è più conveniente confermare oppure cambiare porta per ottenere il premio?

Il quesito è noto come dilemma o paradosso di Monty Hall, dal nome del conduttore del celebre gioco a premi televisivo americano Let’s Make a Deal.

Quando nel 1990 un lettore della rivista Parade scrisse alla rubrica Ask Marilyn chiedendo quale fosse la strategia vincente, il problema si trasformò in un’accesa controversia.

La soluzione proposta da Marilyn Vos Savant, presente nel Guinness dei Primati per il suo altissimo quoziente d’intelligenza, scatenò una valanga di lettere di contestazione, molte delle quali provenivano da matematici e accademici che accusavano Vos Savant di ignorare la teoria della probabilità.
Il giornale diventò l’arena di un furente botta e risposta: da una parte Vos Savant, secondo la quale al giocatore conviene sempre cambiare porta; dall’altra chi sosteneva che è indifferente scegliere l’una o l’altra delle due porte rimanenti. Il caso finì persino in prima pagina sul New York Times, acquisendo in breve tempo un’enorme popolarità.

Chi aveva ragione?

Esaminiamo il problema:

secondo la definizione classica della probabilità di un evento, data dal rapporto tra il numero di casi favorevoli e il numero di casi possibili, quando il concorrente sceglie una delle tre porte chiuse ha una probabilità pari a $\dfrac{1}{3}$ di vincere il premio.
Dopo che il presentatore ha aperto una porta, mostrando una capra, si potrebbe pensare che la probabilità di aver indovinato la porta esatta salga da $\dfrac{1}{3}$ a $\dfrac{1}{2}$.
- Dopo tutto, restano due porte chiuse e una delle due nasconde l’auto. Pertanto, la probabilità che questa sia dietro l’una o dietro l’altra è identica e pari a $\dfrac{1}{2}$.
- A questo punto il giocatore può scegliere a piacimento, perché è indifferente cambiare o non cambiare.
Risposta sbagliata !
Infatti, il concorrente ha ancora una probabilità su tre di aver indovinato la porta esatta.
- La probabilità che l’automobile sia dietro una delle due porte non scelte è $\dfrac{2}{3}$ e, quando il presentatore rivela quale di queste due non nasconde il premio, la probabilità che l’automobile sia dietro l’altra porta è ancora $\dfrac{2}{3}$.
- Di conseguenza, se il giocatore mantiene la scelta iniziale, ha una probabilità di vincere pari a $\dfrac{1}{3}$, se cambia, pari a $\dfrac{2}{3}$.

un approccio diverso

Si può arrivare alla stessa conclusione seguendo un’altra argomentazione, che convincerà i più scettici.

Partiamo dal presupposto (fondamentale!) che il conduttore conosce qual è la porta che nasconde l’automobile e apre sempre una porta con dietro una capra.

Ora, supponiamo che la prima porta scelta dal giocatore sia sbagliata e nasconda una capra. Il conduttore non ha scelta e aprirà l’altra porta con la capra. In questo caso, se il giocatore cambia porta, vince.
Se invece la prima porta scelta dal giocatore è esatta e il giocatore cambia, ovviamente perde.
- Possiamo concludere che, se il giocatore cambia porta, vince se e solo se la sua prima scelta era sbagliata, evento che ha probabilità pari a $\dfrac{2}{3}$.
- Se la strategia del giocatore è di non cambiare mai, vince se e solo se la sua prima scelta è corretta, evento con probabilità $\dfrac{1}{3}$.
Anche se apparentemente contro-intuitiva, la risposta di Vos Savant era esatta.

Perché allora moltissime persone rimasero persuase del contrario?

Alla base della controversia c’è probabilmente un punto chiave del problema: il conduttore sa qual è la porta vincente.
Se il conduttore non sapesse dove si nasconde l’automobile (e quindi potesse anche aprire la porta fortunata), allora al giocatore resterebbero due porte con identica probabilità: cambiando o non cambiando, il concorrente avrebbe la stessa probabilità di vincere o perdere.

Questo paradosso è una variante del paradosso delle tre carte del matematico americano Warren Weaver (1950), il quale, a sua volta, deriva dal paradosso delle tre scatole, formulato per la prima volta nel 1889 dal matematico francese Joseph Bertrand.

BMI — Indice di Massa Corporea

Sun, 10 Jul 2022 00:00:00 +0000

" Faith in oneself is the best and safest course. "
— Michelangelo

L’indice di massa corporea (abbreviato IMC o BMI, dall’inglese body mass index) è un dato biometrico, espresso come rapporto tra peso e quadrato dell’altezza di un individuo ed è utilizzato come un indicatore dello stato di peso forma.

Storia

Adolphe Quetelet, matematico e statistico belga, nei suoi studi sui dati antropometrici della crescita umana concluse che “il peso cresce con il quadrato dell’altezza”, descrivendo nel 1832 il rapporto tra le due misure: l’indice Quetelet.

Oltre un secolo dopo l’indice Quetelet è stato utilizzato negli studi sull’obesità. Il nome Body Mass Index è stato introdotto dal fisiologo Ancel Keys nel 1972.

Descrizione

Questo indice è di frequente utilizzato in maniera grossolana, in quanto non integrato da un fattore basilare come il sesso e da caratteristiche morfologiche di base quali larghezza delle spalle, larghezza ossea del bacino, circonferenza cranica, rapporto tra lunghezza delle gambe e lunghezza del tronco, corporatura di tipo tendenzialmente muscoloso o flaccido e altri fattori. È inoltre fondamentale considerare la percentuale di massa grassa e massa magra del soggetto.

Ad esempio, un paziente di $90 \mathrm{~kg}$ e $175 \mathrm{~cm}$ di altezza può essere normopeso, se ha una percentuale di massa magra (muscolare) maggiore della percentuale di massa grassa.

Operativamente l’indice di massa corporea si calcola come il rapporto tra la massa-peso, espressa in chilogrammi, e il quadrato dell’altezza, espressa in metri.

Esempio 1: Altezza 1,70 m; massa $62 \mathrm{~kg}$:

$$ \text { IMC }=\frac{\text { Massa }}{(\text { Altezza })^{2}}=\frac{62}{(1,7)^{2}}=\frac{62}{2,89}=21,5 \text { (peso regolare) } $$

Esempio 2 - il mio IMC: Altezza 1,90 m; massa $71 \mathrm{~kg}$:

$$ \text { IMC }=\frac{\text { Massa }}{(\text { Altezza })^{2}}=\frac{71}{(1,90)^{2}}=\dfrac{71}{3,61}=19,67 \text { (peso regolare) } $$

L’indice di massa corporea consigliato dipende da età e sesso, nonché da fattori genetici, alimentazione, condizioni di vita, condizioni sanitarie e altre.
L’Organizzazione Mondiale della Sanità (WHO) e la medicina nutrizionale usano delle tabelle come la seguente per definire termini come “magrezza” fino a “obesità”. Si ritiene che questa indicazione sia un importante indicatore per la mortalità (fattore rischio).

situazione peso	min	max
Obesità di III classe (gravissima)	$>40,00$	-
Obesità di II classe (grave)	$35,01$	$40,00$
Obesità di I classe (moderata)	$30,01$	$35,00$
Sovrappeso	$25,01$	$30,00$
Regolare	$18,51$	$25,00$
Leggermente sottopeso	$17,51$	$18,50$
Sottopeso	$16,01$	$17,50$
Grave magrezza (inedia)	-	$< 16,01$

Alcune organizzazioni diverse dalla WHO hanno introdotto altre suddivisioni, come quella del Super obeso (BMI >50) o Super super obeso (BMI >60).
Molto più importante della percentuale di massa grassa è la distribuzione dell’adipe nel corpo. Una serie di studi ha mostrato che il grasso viscerale, misurato dalla circonferenza addominale, determina il maggiore rischio di eventi cardiovascolari acuti.
- Avere un BMI normale e alta obesità addominale è risultato essere più pericoloso che avere un BMI totale da obesi. Il BMI è quindi un indice parziale che dovrebbe essere integrato o che può essere sostituito dal parametro della circonferenza addominale.
Secondo uno studio presentato il 27 agosto 2012 al congresso della Società Europea di Cardiologia condotto su 12.785 pazienti per un periodo di 14 anni, gli individui di peso normale con obesità addominale hanno una probabilità di morte maggiore del 50% rispetto a quelli con un normale indice di massa corporea e un normale rapporto girovita/fianchi.
- Simili risultati tramite lo studio IDEA, condotto da 6.407 medici di 63 nazioni su 177.345 pazienti di età compresa tra i 18 e gli 80 anni; lo studio INTERHEART, su 30.000 pazienti in unità di terapia intensiva in 52 Paesi; lo studio Kuopio Ischemic Heart Desease (KHID) Risk Factory Study, in Finlandia.

Il concetto di _Modello Matematico_

Wed, 30 Mar 2022 00:21:00 +0000

Il concetto di modello matematico

Probabilità e particelle

Nel 1820 Pierre Simon de Laplace, nel suo Théorie analytique des probabilités, scriveva: “Noi dobbiamo dunque considerare lo stato presente dell’universo come effetto del suo stato anteriore e come causa del suo stato futuro. Un’intelligenza che, per un dato istante, conoscesse tutte le forze di cui è animata la natura $[\ldots]$ abbraccerebbe nella stessa formula i movimenti dei più grandi corpi dell’universo e dell’atomo più leggero: nulla sarebbe incerto presente ai suoi occhi”

Laplace riteneva che il calcolo delle probabilità fosse utile in tutte quelle situazioni in cui è difficile ottenere informazioni molto precise sulle grandezze in gioco, ma che sarebbe possibile conoscere con esattezza posizione e velocità di ogni singola particella dell’universo.

Nel 1927 Werner Heisenberg enunciava il principio di indeterminazione, affermando che il prodotto delle incertezze di due grandezze coniugate (per esempio, posizione e quantità di moto) non può essere minore del rapporto fra la costante di Planck e $2 \pi$.

Nel mondo macroscopico gli effetti di questo principio sono irrilevanti, perché la costante di Planck è molto piccola.

Nel mondo atomico e subatomico, invece, le conseguenze sono significative e sorprendenti.

Per esempio, affermare che non è possibile conoscere con la precisione voluta sia la quantità di moto sia la posizione di una particella, implica che perde significato il concetto di traiettoria.

Non ha quindi senso parlare di traiettoria di un elettrone, ma solo di probabilità di trovare l’elettrone in una determinata posizione. A differenza di ciò che affermava Laplace, l’approccio probabilistico non è allora un utile stratagemma per ovviare alla nostra ignoranza, ma una necessità per comprendere la natura del mondo.

Nei casi concreti, l’analisi e la modellizzazione di un fenomeno casuale avviene solitamente secondo le fasi sintetizzate nel seguente schema.

graph TD A[Esperimento Casuale] --> B(osservazione) B --> |statistica descrittiva| C[analisi dati] C --> D{confronto} A --> E(modello) E -->|Calcolo delle Probabilità| G[Previsioni] G --> D D --> H[validazione o
correzione del modello]

La costruzione del modello del fenomeno casuale consiste nel definire alcune variabili aleatorie che descrivono il fenomeno in esame e assegnare a tali variabili aleatorie una distribuzione di probabilità.
- Questa fase è la più delicata perché comporta un certo grado di arbitrarietà nella scelta della distribuzione più adeguata.
Naturalmente, nella costruzione del modello non si procede arbitrariamente, ma si cerca di descrivere nel miglior modo possibile gli aspetti d’interesse del fenomeno che si sta studiando.
Tuttavia, dopo aver trovato un modello che, almeno a priori, sembra ragionevole, esso dovrà essere messo alla prova, confrontando le previsioni che consente di effettuare con i dati empirici.
- Nel caso si riscontrino delle significative discrepanze con i dati reali, occorre cercare di modificare il modello per renderlo più aderente alla realtà;
- nel caso in cui, invece, si abbia conferma di aver trovato un buon modello, non è tuttavia detto che esso sia necessariamente l’unico valido o che non sia ulteriormente migliorabile.

Si intravede così la moderna concezione di modello matematico come rappresentazione formale di un fenomeno, che non pretende di spiegarlo o di scoprirne l’intima essenza, ma solo di darne un’immagine che descriva bene alcuni suoi aspetti.

Un modello va dunque valutato soltanto in base alla sua efficacia e un buon modello non è detto che sia l’unico possibile. Si tratta di un approccio opposto a quello della fisica classica:
- per Newton l’obiettivo fondamentale non era l’utilità ma la ricerca della verità, la scoperta delle cause di un fenomeno, la loro spiegazione, fino a giungere alla causa prima.
- Non è un caso, quindi, che la moderna modellistica matematica e la diffusione dei modelli matematici anche nell’ambito di discipline diverse dalla fisica abbiano avuto origine proprio con la crisi di uno dei principi fondamentali della fisica classica: quello del determinismo, secondo cui la conoscenza della posizione e della velocità di un punto materiale, nonché della legge del suo moto, determinano in modo univoco la sua evoluzione.
A scardinare questo principio fu principalmente la scoperta, da parte di Werner Karl Heisenberg (1927), che a livello microscopico la posizione e la velocità di una particella non possono essere determinate simultaneamente; si può soltanto determinare la probabilità che la particella si trovi in un punto anziché in un altro, oppure che abbia una velocità piuttosto che un’altra.

Il comportamento della particella non può dunque essere previsto in modo certo, come normalmente accadeva nella fisica classica.

Ne seguì una progressiva crisi della concezione puramente deterministica, che lasciò gradualmente spazio a un approccio nuovo ai problemi, di tipo modellistico e probabilistico, ben sintetizzato dalle parole di uno dei massimi scienziati del novecento, John von Neumann (1903-1957):

“Le scienze non cercano di spiegare, a malapena tentano di interpretare, ma fanno soprattutto dei modelli. Per modello si intende un costrutto matematico che, con l’aggiunta di certe interpretazioni verbali, descrive dei fenomeni osservati. La giustificazione di un siffatto costrutto matematico è soltanto e precisamente che ci si aspetta che funzioni, cioè che descriva correttamente i fenomeni di un’area ragionevolmente ampia”.

Epitaffio di _Diòfanto_

Fri, 19 Nov 2021 00:21:00 +0000

There is not one big cosmic meaning for all, there is only the meaning we each give to our life.
— Anaïs Nin

Diofanto di Alessandra

Diofanto di Alessandria (in greco: Διόφαντος ὁ Ἀλεξανδρεύς) fu un grande matematico greco e, anche se della sua vita si sa ben poco e pare sia vissuto nel periodo tra il $II$ e il $III$ secolo d.C. ad Alessandria d’Egitto in epoca romana, alcuni ritengono che sia stato l’ultimo dei grandi matematici ellenistici.
In un epigramma della “Antologia Palatina”, attribuito a Metrodoro di Bisanzio, grammatico e aritmetico vissuto nel $VI$ secolo d.C., si legge una curiosa indicazione dalla quale è possibile trarre l’età del grande matematico greco Diofanto.
L’indovinello che, secondo la leggenda, Diofanto stesso volle venisse scritto sulla propria tomba sotto forma di epitaffio, è un problema aritmetico proposto sotto forma appunto di epigramma¹, e che fa parte della raccolta di 45 indovinelli, corrispondenti ad equazioni di primo grado ad un’incognita, che l’epigrammista greco Metrodoro incluse nell’Antologia Greca.
Infatti il libro XIV dell’Antologia Palatina contiene $150$ epigrammi, di cui $45$ sono i problemi aritmetici raccolti da Metrodoro.

epitaffio di Diofanto

A Diofanto si deve un famoso problema, che egli stesso volle venisse scritto sulla propria tomba sotto forma di epitaffio:

«Οὑτός τοι Διόφαντον ἔχει τάφος· ἆ μέγα θαῦμα!
καὶ τάφος ἐκ τέχνης μέτρα βίοιο λέγει.
Ἕκτην κουρίζειν βιότου θεὸς ὤπασε μοίρην,
δωδεκάτην δ’ ἐπιθείς μῆλα πόρεν χνοάειν·
τῇ δ’ ἄρ’ ἑβδομάτῃ τὸ γαμήλιον ἥψατο φέγγος,
ἐκ δὲ γάμων πέμπτῳ παῖδ’ ἐπένευσεν ἔτει.
Αἰαῖ, τηλύγετον δειλὸν τέκος, ἥμισυ πατρός
+τοῦδε καὶ ἡ κρυερός+ μέτρον ἑλὼν βιότου. Πένθος δ’ αὖ πισύρεσσι παρηγορέων ἐνιαυτοῖς
τῇδε πόσου σοφίῃ τέρμ’ ἐπέρησε βίου.»

«Questa tomba rinchiude Diofanto e, meraviglia!
dice matematicamente quanto ha vissuto.
Un sesto della sua vita fu l’infanzia,
aggiunse un dodicesimo perché le sue guance si coprissero della peluria dell’adolescenza.
Dopo un altro settimo della sua vita prese moglie,
e dopo cinque anni di matrimonio ebbe un figlio.
L’infelice (figlio) morì improvvisamente
quando raggiunse la metà dell’età che il padre ha vissuto.
Il genitore sopravvissuto fu in lutto per quattro anni
e raggiunse infine il termine della propria vita.»

La soluzione dell’enigma sta nella seguente equazione: $$\large \dfrac{x}{6} + \dfrac{x}{12} + \dfrac{x}{7} + 5 + \dfrac{x}{2} + 4 = x$$

soluzione:

$$ \begin{align} \dfrac{14x + 7x + 12x +420 + 42x + 336}{84} = x\\ \cancel{84} \cdot \dfrac{14x + 7x + 12x +420 + 42x + 336}{\cancel{84}} = 84x\\ -9x = -756\\ \dfrac{-9x}{-9} = \dfrac{-756}{-9}\\ \end{align} $$

da cui si ricava l’età di Diofanto: $$\Large x = 84$$

Breve componimento diretto a fissare, per lo più in modo ironico o satirico, l’interpretazione personale di un fatto, sì da indurre il lettore alla riflessione o al riso; ↩︎

Effetto _Dunning Kruger_

Thu, 30 Sep 2021 00:00:00 +0000

“I know that I am intelligent, because I know that I know nothing.”

Socrate

Il fatto

Il 19 aprile 1995, il signor McArthur Wheeler, rapinò una banca con la faccia cosparsa di succo di limone, convinto che il succo di limone rendesse il suo volto invisibile alle telecamere di sorveglianza.

La polizia visionò le videocamere di sicurezza ed entro la mezzanotte il sig. Arthur fu arrestato. Incredibilmente disse: “ma indossavo il succo di limone…!”.
Sconcertati da questo ragionamento, David Dunning e Justin Kruger, due psicologi, hanno studiato il signor Wheeler e altri come lui. Sono giunti alla conclusione che le persone con scarse capacità in un compito tendono, paradossalmente, a sopravvalutarsi. Questo pregiudizio cognitivo è noto come effetto Dunning-Kruger.
Diamo un’occhiata a questo tracciando graficamente la propria fiducia nelle proprie capacità rispetto alla propria conoscenza effettiva in un campo.

Quando impariamo qualcosa di nuovo, spesso siamo molto fiduciosi perché sappiamo così poco che non appena ne sappiamo qualcosa, pensiamo di sapere tutto.

Coloro che smettono di imparare qui mantengono un falso senso di padronanza. Chi continua a imparare, si rende conto che le cose sono più complesse e spesso perde la motivazione.

E più aumentano la loro conoscenza, più diminuisce la loro fiducia.
Molti si fermano a questo punto, pensando di non aver imparato nulla.
- Solo se andiamo avanti possiamo ritrovare fiducia e migliorare.
- E alla fine, saremo pieni di conoscenza e fiduciosi nelle nostre capacità quasi come subito dopo aver iniziato.

In altre parole, se un sempliciotto, un bravo studente e un saggio insegnante avessero un dibattito pubblico, ecco come potrebbero andare le cose.
- Il sempliciotto ne sa poco, ma è molto sicuro di sé ed esprime le sue opinioni a voce alta e senza esitazioni. Lo studente ne sa di più, ma non se ne rende conto perché le manca la fiducia. Lei tace. L’insegnante è fiducioso, ma capisce quanto siano davvero complesse le cose. Quindi esprime le sue opinioni con riserve.
- Alla fine, il sempliciotto vince il voto popolare, perché è così sicuro di avere ragione e la gente tende a fidarsi della certezza.
La ricerca dal Nord America, Europa e Giappone suggerisce che la cultura gioca un ruolo importante.
Dalle valutazioni sulla propria capacità di guidare sappiamo che il 93% degli americani pensa di essere alla guida migliore della media, mentre “solo” il 69% degli svedesi la pensa così. In Giappone invece le persone, in generale, tendono a sottovalutare le loro capacità come una strategia per vedere il loro scarso rendimento come un’opportunità per migliorare.
Intraprendere un viaggio di apprendimento può essere un’esperienza scoraggiante. Ciò che inizia come una piacevole passeggiata si trasforma presto in un’intensa battaglia di forza di volontà tra te e una quantità intimidatoria di conoscenza. Non arrenderti. Più a lungo combatti, più potere guadagni, fino al punto in cui vinci.

E alla fine, se perseveri, potresti essere elevato ai ranghi di Socrate, che, oltre 2000 anni fa, ci ha lasciato con una citazione di saggezza “So di essere intelligente, perché so di non sapere nulla. "

La _Memoria_ umana in Gigabytes

Thu, 30 Sep 2021 00:00:00 +0000

Pari a un petabyte (un milione di gigabyte), l’equivalente di circa 156 milioni di smartphone moderni da 64 GB: è questa la capacità di memoria del cervello umano, secondo una ricerca fondamentale pubblicata nel 2016 sulla rivista “eLife”.

Secondo lo studio condotto da Terry Sejnowski e il suo team presso il Salk Institute for Biological Studies in California, la nostra mente sarebbe in grado di memorizzare una quantità di informazioni di almeno 10 volte superiore rispetto a quanto creduto prima. “È una scoperta fondamentale nel campo delle neuroscienze”, ha commentato lo stesso Sejnowski.

“Le nuove misurazioni della capacità di memoria del cervello aumentano le stime conservative di un fattore 10. Siamo intorno almeno a un petabyte (un milione di GB), una dimensione approssimativamente simile all’intero World Wide Web.”

— Terry Sejnowski, Salk Institute

Quantificazione della memoria

$$1 \; \text{petabyte} = 1.000.000.000.000.000 \; \text{byte} = 10^{15} \; \text{byte}$$

Ricordando che: $1 \; \text{byte} = 8 \; \text{bit}$¹

Sejnowski e il suo team hanno ricostruito in 3D l’ippocampo di un ratto, ossia quell’area del cervello comunemente associata alla memoria a lungo termine.
- Usando algoritmi e tecniche microscopiche, i ricercatori sono poi passati a ricostruire le sinapsi a livello nanomolecolare, studiandole nel dettaglio, come mai prima d’ora.
- Dall’osservazione è emerso che le sinapsi, anche nell’arco di pochi minuti, possono variare la loro dimensione, dando vita a ben 26 categorie diverse.
- Se fino ad oggi erano classificate solo come piccole, medie o grandi, i neuroscienziati hanno scoperto che, al contrario, esistono differenze tra loro che, pur essendo solo dell’$8$%, significano molto.
- Proprio questa complessità nelle dimensioni sinaptiche, secondo i neuroscienziati, si tradurrebbe in una spinta enorme nella capacità di memorizzazione del cervello.

Meccanismi della memoria: oltre le sinapsi

La ricerca ha implicazioni enormi e ha aperto nuove strade: è importante notare che era basata sul cervello dei ratti, ma successivi studi hanno confermato meccanismi simili negli esseri umani.

“Nascosto dietro l’apparente caos del cervello c’è la precisione delle forme e delle dimensioni delle sinapsi”, ha spiegato Sejnowski. Proprio come macchine sofisticate, i nostri cervelli possono immagazzinare quantità inimmaginabili di informazioni.

Sviluppi recenti (2020-2026)

Studi più recenti hanno approfondito ulteriormente il tema:

Plasticità sinaptica dinamica (2022-2024): la ricerca moderna conferma che le sinapsi non solo cambiano dimensione, ma anche il loro peso funzionale varia costantemente in base all’esperienza e all’apprendimento.
Memoria distribuita: non è localizzata in un’unica area, ma distribuita across multiple networks cerebrali, permettendo ridondanza e protezione dai danni.
Consolidamento della memoria: il cervello impiega ore o giorni per consolidare ricordi a lungo termine, processo che coinvolge proteine specifiche e modifiche genetiche nelle cellule neurali.
Fattori limitanti reali: sebbene la capacità teorica sia enorme, nella pratica memoria umana è limitata da:
- Attenzione e focus
- Significato e contesto delle informazioni
- Interferenza tra ricordi
- Invecchiamento cerebrale

“Il vero limite della memoria umana non è la capacità di immagazzinamento, ma la nostra capacità di recuperare e richiamare ciò che abbiamo imparato”, aggiungono i neuroscienziati contemporanei.

Bit - dall’inglese “binary digit” - in informatica è una cifra binaria, ovvero uno dei due simboli del sistema numerico binario, classicamente chiamati zero $0$ e uno $1$; si può parlare di numero di $8, 16, 32 \dots$ bit, come nella comune base dieci si parla di un numero di $8, 16, 32, \dots$ cifre. ↩︎

Il _Metodo_ di studio Cornell

Fri, 10 Sep 2021 00:00:00 +0000

Ideato quasi 80 anni fa dal prof. Walter Pauk della Cornell University di New York, è un sistema efficace per prendere appunti.

Nonostante la sua semplicità – alla fine si tratta di un foglio diviso in 3 parti – il metodo Cornell ti permette di seguire una lezione, una conferenza, una riunione di lavoro:

Mantenendo la concentrazione ai massimi livelli;
Aumentando comprensione e coinvolgimento;
Fornendo materiale di sudio chiaro e ordinato, pronto (o quasi) per essere memorizzato

Vediamo innanzi tutto, che cosa non funziona nella maniera in cui, normalmente, si prendono gli appunti.

Metodo tradizionale vs Metodo Cornell

La maggior parte delle persone, quando prende appunti, si limita a cercare di trascrivere le informazioni $\rightarrow$ input che riceve.
Si ascolta passivamente, ed altrettanto passivamente si trasferiscono sul quaderno quello che si ascolta.
Nel farlo, il cervello lavora in modo poco efficiente.
La concentrazione si abbassa, subentra la noia e ovviamente la qualità totale del lavoro cerebrale crolla.
Il flusso di informazioni rimane a uno stato di analisi e manipolazione superficiale: quello in cui ci si limita a trasformare i suoni in parole di senso compiuto e a metterle su carta.
Se poi, mentre si ascolta, ci si preoccupa soprattutto di trascrivere tutto, ciò non fa altro che aggiungere inefficienza a inefficienza.
- Non rimane tempo per pensare, e quindi scompare ogni coinvolgimento intellettuale rispetto a quello che si ascolta.
- Poiché è difficile scrivere tutto, il livello di attenzione e comprensione si abbassa ulteriormente: Si è infatti troppo impegnati a non farsi sfuggire neanche una parola.
- Si ha solo l’illusione di ascoltare; ma in realtà si sta lavorando più o meno come un registratore, ma non altrettanto veloce.
Il metodo Cornell invece, prescrivendo delle regole precise di compilazione degli appunti, costringe ad intervenire, fin da subito, sulle informazioni che si ricevono.

In particolare, si tratta di:

Selezionare, secondo priorità, le informazioni che vengono date

Concettualizzarle

Comprimerle in maniera che siano più sintetiche

Organizzarle

Prepararle per un ripasso efficace

Q - Ma come funziona nella pratica?

Le tre sezioni del foglio nel Metodo Cornell

1. Sezione di destra degli appunti Cornell (area A)

E’ quella in cui vengono presi gli appunti veri e propri.
In alto, intesta il foglio con quelli che potremmo definire i dati anagrafici della lezione data, tema, relatore, etc).
Sotto ad essi, scrivi gli appunti veri e propri, utilizzando:
- parole tue, aiuta a concettualizzare
- liste con elenchi puntati e/o numerati: aiuta a dare ordine e gerarchia alle informazioni
- Sintesi, come su twitter: aiuta a cogliere l’essenza
- Abbreviazioni: come in un sms; aiuta a ponderare le parole;
- Frecce e collegamenti, per evidenziare i rapporti logici
- Disegni esplicativi: stimolano la parte visiva e creativa della corteccia cerebrale;
- Commenticon note “emotive” (“Che schifo!” “Interessante!” “Bello!”): aiutano il processo di memorizzazione;
- Caratteri: usando corsivo, grassetto, MAIUSCOLO, minuscolo, sottolineato etc.

2. Sezione di sinistra degli appunti Cornell (Area B)

E’ la sezione dedicata alle parole chiave, che devono essere:

Poche: il meno possibile, anche perché lo spazio a disposizione è volutamente ridotto
Sintetiche: cioè non frasi, ma singoli sostantivi/aggettivi
Evocative: devono ricordare il contenuto della sezione di destra sia a livello concettuale che mnemonico

Sono proprio questo tipo di limiti, non facili da rispettare, a rendere efficace il Metodo Cornell.

3. Sezione inferiore degli appunti Cornell (Area C)

riassunto del contenuto delle pagina.
- annotare domande, fare brevi considerazioni, appuntarsi promemoria, impressioni, collegamenti, o tutto ciò che si ritiene possa essere utile.
  - Per es. Quanto detto mi ricorda che …. Come mai capita X … Vai a rivedere il testo Z … etc.
  - An che questa parte può essere iniziata durante la lezione, ma viene per lo più svolta dopo.

Perché il metodo Cornell è efficace

L’efficacia del metodo Cornell si basa su due fatti principali:

Durante la lezione, costringe all’ascolto attivo, e lo rende ancora più performante poiché dev’essere trasferito su carta, chiudendo così il loop cerebrale ascolto-rielaborazione-azione.

L’informazione che dev’essere acquisita compie in questa maniera un ciclo completo e diventa molto più stabile anche da un punto di vista mnemonico.

Dopo la lezione, costringe a rielaborare il materiale in maniera analitica e sintetica, e permette poi il ripasso a tre livelli di dettaglio differenti:
- quello dei riassunti (sezione inferiore),
- quello delle parole chiave (sezione sinistra),
- quello del totale degli appunti (sezione destra), con ciascun livello che può essere ripassato separatamente o insieme agli altri.

Non solo quindi si impara di più mentre si prendono gli appunti, ma si ha anche a disposizione uno strumento di studio/ripasso più strutturato e veloce.

Conclusioni sul Metodo Cornell

Molte persone, quando prendono appunti oppure scrivono schemi, sottolineano, fanno mappe, leggono un libro, commettendo un errore fondamentale: si mette tutto sullo stesso piano.
- Ci si concentra cioè sulla quantità delle informazioni, cercando di non farsene sfuggire nessuna.
- Purtroppo, però, l’ansia di non perdersi nulla, alla fine diventa solo un esercizio di trascrizione meccanico, per non dire inutile.
Il risultato, paradossale, è che dopo pochi minuti già non ci si ricorda quasi nulla di ciò che si è scritto, e gli appunti o schemi prendono l’aspetto di muri impenetrabili di parole.
Il giusto approccio, invece, è dedicarsi agli aspetti qualitativi, cominciando fin da subito a valutare, analizzare e soprattutto scegliere quello su cui vale la pena concentrarsi.
In questa maniera, grazie allo sforzo mentale che richiedono queste operazioni, il processo di apprendimento inizierà già da subito.
Quando ci si sforza a revisionare il materiale di studio secondo alcune regole precise, riesci ad aumentare:
- la velocità con cui viene processato il materiale;
- la memorizzazione;
- la comprensione, come quando si rielabora il materiale di studio.
Al contrario, quando ci si comporta in maniera passiva, sperando che, a forza di ripeterlo, il materiale si trasferisca - come per osmsosi - al cervello, i risultati sono piuttosto deludenti, soprattutto per le materie tecnico-scientifiche.

anche quando si utilizza il metodo Cornell si possono perdere delle informazioni: se essa è davvero importante potrà essere integrata in un secondo momento poiché sarà presente in molte fonti: web, YouTube, libri di testo, etc.

Una volta invece che si investe del tempo nel prendere degli appunti dei quali non si ricorderà praticamente nulla: quel tempo è perso per sempre.

Riferimenti

The Cornell Note Taking System — Cornell University Learning Strategies Center