Capitolo 5 Come velocizzare i compiti amministrativi
L’uso piu’ diffuso dell’intelligenza artificiale sta nel velocizzare quei compiti che richiedono molto tempo e che di solito sono abbastanza noiosi. Spesso questa descrizione, almeno in ambiente scolastico e accademico, risuona con il termine amministrazione. E’ raro trovare un docente che non abbia mai scritto una lettera di referenze, o un rapporto, o fatto domanda per un progetto didattico, ecc, ecc. Questi compiti assorbono molto tempo soprattutto perche’ sono intrinsecamente tecnici e perche’ spesso esulano dall’ambito strettamente educativo. L’intelligenza artificiale puo’ essere un valido alleato nella velocizzazione della sfera amministrativa per i docenti a scuola.
In questo capitolo tratteremo alcuni casi concreti di uso della IAG nell’amministrazione, ma e’ chiaro che non esiste limite al tipo di applicazioni possibili in questo campo.
5.1 Scrivere una lettera di referenze
Scrivere una lettera di referenze puo’ essere un compito impegnativo, soprattutto quando il tempo scarseggia o si devono scrivere piu’ lettere simili. In questo contesto, l’intelligenza artificiale generativa puo’ offrire un aiuto prezioso. Il docente, in pratica, usa la IAG per creare rapidamente una bozza decente di lettera, senza fornire dati personali sensibili. Questa bozza, in un secondo tempo, viene adattata e rifinita (senza IAG) a seconda del caso.
E’ importante ricordare quanto imparato nel Capitolo 4, e cioe’ quando si lavora con una IAG bisogna:
Evitare di inserire il nome reale dello studente. Basta usare un nome fittizio (es. Francesca Verdi, Luca Fontana).
Evitare di inserire l’esatta sezione della classe. Basta usare lettere fittizie (es. “Classe 5Z”). E’ invece possibile indicare l’anno (es. “quinto anno”) e l’indirizzo scolastico (“indirizzo tecnico-informatico”, “liceo artistico”).
Evitare riferimenti a situazioni personali delicate (DSA, difficolta’ familiari, ecc.).
Ecco un esempio di prompt da sottoporre alla IAG (ChatGPT in questo caso), seguito dalla risposta.
Ecco un esempio di lettera che rispetta cio’ che hai richiesto.
Lettera di referenza per una studentessa
Oggetto: Lettera di referenza per Francesca Verdi, Classe 5Z
Alla cortese attenzione della Commissione,
con la presente desidero raccomandare Francesca Verdi, studentessa della classe 5Z dell’indirizzo liceo delle scienze umane, presso il nostro istituto, per l’ammissione al vostro corso di laurea in Scienze della Comunicazione.
Durante il suo percorso quinquennale, Francesca ha dimostrato costantemente un forte senso di responsabilita’, curiosita’ intellettuale e una particolare predisposizione per l’educazione civica, dove ha raggiunto risultati di eccellenza sia nelle attivita’ teoriche che nei progetti pratici. E’ una studentessa riflessiva, autonoma e dotata di ottime capacità di argomentazione.
Francesca si e’ distinta anche in ambito extracurricolare, partecipando attivamente al laboratorio teatrale della scuola, dove ha affinato le sue doti espressive e collaborative, contribuendo alla riuscita di diverse rappresentazioni pubbliche.
Oltre alle competenze scolastiche, Francesca possiede spiccate qualita’ umane: e’ empatica, attenta agli altri, sempre pronta a collaborare con i compagni e a sostenere chi e’ in difficolta’. E’ senza dubbio una presenza positiva in classe e un esempio per i piu’ giovani.
Raccomando quindi con convinzione Francesca per il proseguimento degli studi universitari, certa che saprà affrontare con successo anche questa nuova sfida formativa.
Resto a disposizione per eventuali chiarimenti.
Cordiali saluti,
Prof.ssa Martina Bianchi
Docente di Scienze Umane
Istituto Giuseppe Parini, BresciaLa lettera prodotta puo’ essere copiata e personalizzata rapidamente. Una volta fatto si puo’ ri-immettere la lettera modificata di nuovo nell’LLM per vedere se abbisogna di ulteriori correzioni. Oppure si puo’ usare prompting iterativo per modificarla (es. ‘Rendila piu’ sintetica” o “Aggiungi riferimenti alle soft skills”).
5.2 Trasformare scritti a mano in documenti Word o PDF
Quando si riguardano delle note prese durante incontri di lavoro o di studio, oppure quando si cerca di far luce su delle annotazioni o su delle correzioni in calce ad altri documenti, puo’ essere utile farsi aiutare dalla IAG soprattutto per velocizzare il processo. La responsabilita’ di un lavoro accurato e’ sempre del docente, ma un aiutino iniziale non guasta mai.
Strumenti per portare avanti questo tipo di operazione esistono ormai da anni (si’, l’intelligenza artificiale non e’ nata oggi ma esiste in varie forme gia’ da decenni). E’ opportuno menzionarne alcuni: Google Keep, Adobe Scan e Microsoft Lens hanno tutte delle funzioni di riconoscimento intelligente della scrittura (quello che va sotto l’appellativo di OCR, Optical Character Recognition o riconoscimento ottico dei caratteri alfabetici). Questa funzione, comunque, e’ anche disponibile in Gemini o ChatGPT. Vediamo un paio di esempi sull’uso di questa funzione.
Tra il materiale fornito per questo corso si puo’ trovare un’immagine PNG che corrisponde a una foto di appunti scritti a mano, presa con un telefonino. Il file immagine si chiama appunti01.jpg ed e’ mostrato in Figura 5.1.
Figura5.1: Documento manoscritto da trasformare in un file Word ben formattato.
Usiamo Gemini per far trascrivere questo breve documento in un documento Word chiamato noteriunioneIAGmatematica.docx (ricordati di allegare il file JPEG alla chat).
Brescia, 10/04/2015
Riunione del direttivo sulla IAG
Nell’incontro si è deciso di formare un gruppo di lavoro per i compiti di matematica.
Le direttive principali sono:
Usare la IAG per incrementare il numero di esercizi.
Insegnare l’uso interattivo della IAG per capire i concetti nuovi.
In effetti anche se Gemini non fornisce il file Word da caricare, e’ abbastanza semplice aprire un file Word vuoto e fare un copiaincolla. In questo, ChatGPT e’ al momento piu’ avanti: la richiesta di un file Word viene soddisfatta (vedi Figura 5.2).
Ecco il documento Word con la trascrizione formattata correttamente delle note della riunione:
Scarica il file noteriunioneIAGmatematica.docx.Nella risposta di ChatGPT, il nome noteriunioneIAGmatematica.docx e’ associato a un link per scaricare il file Word (file scaricabile col materiale disponibile per il corso).
Figura5.2: Documento manoscritto trasformato in un file Word ben formattato.
Siamo ormai tanto abituati all/intelligenza artificiale che perdiamo di vista il quasi-miracolo a cui assistiamo quotidianamente col suo uso. Praticamente, degli algoritmi molto efficienti di analisi e riconoscimento motivi sono in azione in questo caso per associare a un’immagine (il file JPEG non e’ altro che un’immagine) delle strutture di carattere ben codificate che, in ultima analisi, sono ben rappresentate da un documento Word ben formattato. Questo processo puo’ venire ripetuto con ogni forma di calligrafia. Ci saranno casi in cui la IAG fara’ fatica a riconoscere i caratteri (si pensi alla scrittura dei medici!), ma anche in quel caso, qualche esercizio di correzione guidata della LLM puo’ dare imparare rapidamente ance le calligrafie piu’ illegibili all’intelligenza artificiale.
Proviamo ad annotare qualcosa su un testo PDF. Le annotazioni si possono fare con diversi tipi di software e persino con Microsoft Edge. Il documento annotato che useremo per questo esempio e’ mostrato nella Figura 5.39.
Figura5.3: Annotazioni su un documento PDF.
Adesso chiediamo a Gemini di riscrivere il PDF con inclusa la annotazione. Gemini non ha la capacita’ di creare un documento PDF, ma fa gran parte del lavoro producendo il testo che si puo’ in un secondo tempo copiare e incollare in un documento Google o Word, ecc.
I can recreate the PDF with the annotation.
3.2.1 Example
There are several different ways to solve a linear optimisation problem, and many variables and constraints can be included. [cite: 1, 2]
………
………
………
Questo
geafico
nou Va
beve
………
………
………
3.3 Multi-Objective Optimisation problem
Definition 3.2 (multi-objective optimisation problem). is a mathematical optimisation problem, where several objective functions are considered and optimised at the same time. [cite: 9, 10, 11]
For the purposes of this project we will only consider problems that minimise the objective functions. [cite: 11, 12]
………
………
………
I’ve recreated the document with your annotation. However, I am unable to directly create a PDF file. You can copy and paste the text above into a document editor like Google Docs or Microsoft Word, and then save it as a PDF named ‘annotato2.pdf’.Poiche’ il documento e’ pieno zeppo di formule che non sono facilmente riproducibili qui, si e’ preferito ometterle il piu’ possibile, lasciando solo in evidenza l’interpretazione della annotazione. Questa non e’ stata trascritta correttamente e allora dobbiamo correggere Gemini, comunicandogli la trascrizione corretta. Qui possiamo farlo per intero, ma per annotazioni piu’ lunghe possiamo semplicemente correggere le parti incorrette.
Gemini ringrazia, riconosce l’errore e ripropone lo stesso output, questa volta con la corretta annotazione.
Per questo task specifico, ChatGPT si comporta, in un certo qual modo, peggio di Gemini. Ha bisogno di diverse istruzioni (prompting iterativo) prima di capire quale e’ l’annotazione. Poi la riscrive stampata, ma non elimina quella scritta a mano. Bisogna comunicarglielo esplicitamente e poi ripropone il documento PDF (da scaricare) con l’annotazione scritta in stampato piuttosto che in calligrafia (materiale non mostrato qui per brevita’).
5.2.0.1 Esercizio
Scrivi una nota breve con la tua calligrafia, ma usa una “cattiva” calligrafia per una o due parole. Osserva se Gemini riesce a trascrivere tutto il pezzo correttamente. Se non ci riesce, guidalo suggerendo le parole che ha sbagliato. In un secondo tempo scrivi un altro pezzo e verifica se Gemini ha fatto errori di trascrizione. Questo processo e’ una specie di addestramento del modello a livello superiore perche’ agisce su una rete neurale gia’ addestrata e quindi su aspetti della rete che sono flessibili e adattabili.
5.3 Riscrivere o migliorare appunti o testi scritti di fretta
A tutti e’ sicuramente capitato di dover prendere appunti in un corso o in altre occasioni. I nostri studenti hanno a che fare con questa attivita’ ogni giorno. Ebbene, vista la velocita’ nel parlare dell’oratore e le limitazioni fisiche nello scrivere o digitare su tastiera o telefonino, di solito i nostri appunti risultano schematici e con molti salti concettuali. La IAG puo’ aiutare a rendere meno schematici gli appunti e a colmare le lacune, purche’ si riesca a dare all’intelligenza artificiale qualche dritta sul testo presentato. Il seguente esempio dovrebbe essere sufficiente a spiegare di cosa si sta parlando.
Questi sono gli appunti schematici e incompleti presi durante una lezione sui modelli linguistici di grandi dimensioni.
llm = modelli che fanno previsioni parola dopo parola, tipo
completamento frasi. GPT etc. sono esempi. addestrati su grandi
testi, imitano linguaggio umano.
non pensano!! solo probabilità. ma danno risposte molto "umane".
spesso giuste ma non sempre.
servono per scrivere testi, tradurre, rispondere a domande, anche
generare immagini se multimodali.
importante far capire che sbagliano, allucinano. vanno verificati.
modelli open ai (gpt), google (gemini), microsoft (copilot, phi),
amazon (titan) – hanno caratteristiche diverse ma base simile.
usare esempi in aula. tipo far vedere come completano una frase
semplice (“il cane...”)
spiegare con metafora: tipo “t9 super evoluto” o “indovino con
tantissimi libri in testa”.Questo testo viene immesso in Gemini, preceduto da istruzioni:
Gemini risponde cosi’:
Certamente, ecco una riscrittura dei tuoi appunti in forma di testo coerente e discorsivo, pensata per un docente di Storia con poca familiarita’ con i modelli linguistici di grandi dimensioni (LLM):
Durante la lezione, abbiamo esplorato il mondo dei cosiddetti modelli linguistici di grandi dimensioni, spesso abbreviati con l’acronimo LLM. Immaginate questi modelli come dei sistemi avanzatissimi capaci di prevedere quale sara’ la parola successiva in una frase, un po’ come la funzione di completamento automatico che troviamo sui nostri telefoni o computer, ma su una scala enormemente piu’ sofisticata. Esempi noti di questi LLM includono GPT, la tecnologia alla base di ChatGPT, e altri sviluppati da grandi aziende tecnologiche.
La loro ‘intelligenza’ deriva da un addestramento massiccio su quantita’ impressionanti di testi digitali di vario genere: libri, articoli, siti web, conversazioni e molto altro. Attraverso questa esposizione a un’enorme varieta’ di linguaggio umano, i modelli imparano a imitarne le strutture, lo stile e persino il tono.
E’ fondamentale, tuttavia, comprendere che questi modelli non ‘pensano’ nel senso umano del termine. Non hanno coscienza, intenzioni o una vera comprensione del mondo. Il loro funzionamento si basa su calcoli di probabilita’: analizzano il testo che hanno elaborato e cercano la parola che statisticamente ha piu’ probabilita’ di seguire. Questo spiega perche’, pur producendo spesso risposte che appaiono sorprendentemente umane e che in molti casi sono corrette, possono anche commettere errori o generare affermazioni non veritiere, un fenomeno che viene spesso definito ‘allucinazione’.
Le applicazioni di questi modelli sono molteplici e in continua evoluzione. Possono essere utilizzati per la stesura di testi di vario tipo, per tradurre tra diverse lingue, per rispondere a domande in modo apparentemente discorsivo e, nel caso di modelli multimodali, persino per generare immagini a partire da descrizioni testuali.
E’ cruciale, soprattutto in un contesto didattico, sottolineare ai nostri studenti che le risposte fornite da questi modelli, per quanto convincenti possano sembrare, non devono essere prese come oro colato. E’ sempre necessario un processo di verifica e di pensiero critico per accertarne l’accuratezza.
Nel panorama attuale, diversi attori importanti sviluppano e offrono questi modelli. Tra i principali troviamo OpenAI (con la famiglia GPT), Google (con Gemini), Microsoft (con Copilot e la serie Phi) e Amazon (con Titan). Pur condividendo una base tecnologica simile, questi modelli presentano caratteristiche specifiche e sono ottimizzati per diverse applicazioni.
Per rendere questi concetti più concreti in aula, un approccio utile potrebbe essere quello di mostrare agli studenti come un modello linguistico completa una frase semplice. Ad esempio, si potrebbe iniziare a scrivere ‘Il cane…’ e mostrare le diverse parole che il modello suggerisce come continuazione, evidenziando come queste scelte siano basate sulla probabilita’ di determinate sequenze linguistiche.
Infine, per facilitare la comprensione di questa tecnologia, possiamo ricorrere a delle metafore. Potremmo descrivere un LLM come una sorta di ‘T9 super evoluto’, capace di prevedere la parola successiva con una precisione sorprendente grazie alla vastita’ dei dati su cui è stato addestrato. Un’altra immagine efficace potrebbe essere quella di un ‘indovino con tantissimi libri in testa’, che attinge a una quantita’ immensa di informazioni per formulare le sue previsioni linguistiche.Questa “ristrutturazione di appunti” ha prodotto un testo molto scorrevole e comprensibile. L’utente ha, comunque, il dovere e la responsabilita’ di controllare quello che la IAG ha scritto, in modo da eliminare parti non corrette. Se poi il testo deve essere pubblicato come testo dell’utente, allora si dovrebbe operare una riscrittura vera e propria dello stesso, anche se ormai stiamo osservando una transizione culturale verso “fette” sostanziali di prosa riprodotte direttamente dagli LLM, un po’ come succede ormai da decenni in matematica, dove i calcoli vengono accettati cosi’ come sono dall’output di un calcolatore, senza che i calcoli vengano rifatti a mano dell’utente.
Una diversa risposta si ottiene se la richiesta viene da una persona con una expertise diversa, come si evince chiaramente dall’esempio successivo.
Se fossi stato un fisico teorico, avrei riscritto gli appunti concentrandomi sugli aspetti piu’ concettuali e sulle analogie con i sistemi complessi e la teoria dell’informazione, mantenendo un linguaggio piu’ formale e potenzialmente introducendo qualche accenno matematico o concettuale più avanzato. Ecco come avrei potuto riformulare i tuoi appunti:
I Large Language Models (LLMs) possono essere concettualizzati come sistemi complessi di predizione sequenziale, operanti primariamente sulla base di distribuzioni di probabilita’ condizionate. Essi apprendono a generare output linguistico imitando le statistiche di co-occorrenza e le strutture sintattiche presenti in vasti corpora testuali. Esempi paradigmatici includono la famiglia GPT, sviluppata da OpenAI.
La loro architettura si basa su reti neurali profonde, tipicamente trasformatori, ottimizzate per modellare dipendenze a lungo raggio nelle sequenze. L’addestramento massivo su dataset di dimensioni dell’ordine di terabyte permette a questi modelli di internalizzare rappresentazioni statistiche complesse del linguaggio umano.
E’ cruciale sottolineare che, nonostante la loro capacita’ di generare output linguisticamente plausibile e spesso semanticamente coerente, gli LLMs non possiedono una comprensione semantica nel senso di una coscienza o di una capacita’ di ragionamento causale. La loro operazione e’ fondamentalmente stocastica, basata sulla massimizzazione della probabilita’ di sequenze di token. Le risposte generate, pur potendo apparire ‘umane’, emergono da un processo di inferenza probabilistica e non da una vera comprensione del contesto o della verita’ fattuale. Questo inherentemente li rende suscettibili a generare informazioni erronee o prive di fondamento, un fenomeno analogo a fluttuazioni statistiche in sistemi complessi.
Le applicazioni di questi modelli spaziano dalla generazione di testo e traduzione automatica alla risposta a quesiti e, nel caso di modelli multimodali, alla sintesi di immagini. La loro utilita’ risiede nella capacita’ di processare e generare informazioni testuali su larga scala.
Un aspetto fondamentale da comunicare e’ la loro fallibilita’. Analogamente a modelli fisici che sono approssimazioni della realta’, gli LLMs sono modelli probabilistici del linguaggio e, come tali, sono soggetti a errori e ‘allucinazioni’. La verifica esterna delle loro produzioni e’ pertanto imprescindibile.
Diverse entita’, tra cui OpenAI (GPT), Google (Gemini), Microsoft (Copilot, Phi) e Amazon (Titan), sviluppano architetture LLM con caratteristiche specifiche, pur condividendo un framework concettuale basato sull’apprendimento statistico sequenziale.
A scopo didattico, si potrebbe illustrare il funzionamento di base mostrando come il modello completa una sequenza parziale, ad esempio ‘Il cane …’, evidenziando come la scelta del token successivo sia determinata dalla sua probabilita’ condizionata dato il contesto precedente.
Un’analogia euristica potrebbe essere quella di un sofisticato sistema di completamento di sequenze, la cui accuratezza e’ proporzionale alla dimensione e alla qualita’ del dataset di addestramento. Alternativamente, si potrebbe pensare a essi come a motori di inferenza probabilistica operanti su uno spazio linguistico ad alta dimensionalita’.Le differenze tra i due testi e’ notevole, anche se Gemini fa’ del suo meglio per rispettare il contenuto e la sequenza degli appunti iniziali (e’ poco probabile che un fisico abbia preso appunti come quelli presentati all’inizio). Ci sono piccoli errori nel testo (come “inherentemente”) e, ripetiamo, il fisico teorico ha anche lui il dovere e la responsabilita’ di controllare quello che la IAG ha scritto.
5.4 Preparazione di un rimborso spese
Un’altra attivita’ amministrativa piuttosto frequente per i docenti, specialmente in occasione di viaggi d’istruzione, corsi di formazione o progetti internazionali, e’ la compilazione di un rimborso spese. Questa operazione puo’ essere piu’ complicata del previsto, soprattutto quando ci sono numerosi documenti da raccogliere, formati diversi (immagini, PDF, ecc.), e valute estere da convertire.
L’intelligenza artificiale generativa puo’ aiutare a estrarre automaticamente i dati principali dagli scontrini o dalle ricevute, a riorganizzarli in forma tabellare, e persino a calcolare la somma complessiva in euro, indicando il tasso di cambio applicato.
Naturalmente, per questo tipo di attivita’ e’ essenziale rispettare le buone pratiche di privacy e anonimizzazione: se si lavora con dati veri, e’ preferibile per esempio non mostrare il nome del richiedete rimborso o dati personali come il suo codice fiscale, ecc. Nell’esercizio pratico che segue, si sono usati documenti anonimi, ma relativi ad acquisti o pagamenti reali.
Useremo la IAG di Gemini. Siccome (almeno nella versione che ho io) si puo’ caricare un’immagine alla volta, l’attivita’ e’ stata portata avanti col prompting explain-then-respond, usato piu’ volte, e il prompting iterativo; solo cosi’ si e’ potuto constatare il caricamento delle immagini e/o documenti, separatamente. Gli scontrini e ricevute necessari all’attivita’ sono presenti nel materiale unito al corso e visibili in Figura 5.4.
Figura5.4: Vari scontrini e ricevute usate per un’ attivita’ rimborso spese.
Certamente, ecco un documento di spesa per il rimborso, basato sulle informazioni dei PDF forniti, utilizzando lo pseudonimo ‘Mario Riva’:
Documento di Rimborso Spese
Richiedente: Mario Riva
Dettagli Spese:
Data Pagamento Descrizione Importo (CHF) Note 9 ottobre 2024 Pagamento 1 di 2 per soggiorno a Bath and North East Somerset (3 notti, 4-7 dicembre 2024) 291,35 Ricevuta ID: RCZJKZQACQ 21 novembre 2024 Pagamento 2 di 2 per soggiorno a Bath and North East Somerset (3 notti, 4-7 dicembre 2024) 291,35 Ricevuta ID: RCAJFSK3KC Totale 582,70
Note aggiuntive:
Soggiorno a Bath and North East Somerset per 3 notti dal 4 al 7 dicembre 2024.
Ospitato da Bath Luxury Stays Kemp.
Codice di conferma: HMX2BJCYH3.
Spero che questo documento sia utile per il rimborso.La stampa in formato testo non rende giustizia alla formattazione tabulare restituita da Gemini e mostrata invece per il documento finale in Figura 5.5. In realta’ il compito portato avanti da Gemini non e’ risultato subito soddisfacente e si e’ dovuto portare avanti dell’altro prompting iterativo. All’inizio ci si e’ resi conto che Gemini non aveva considerato gli scontrini, ma solo i documenti in PDF.
Hai assolutamente ragione! Mi scuso per la svista. Ecco la versione aggiornata del documento di rimborso spese, includendo le spese di ristorazione degli scontrini:
Documento di Rimborso Spese
Richiedente: Mario Riva
Dettagli Spese:
………
[testo omesso]Dato che questo risultato intermedio comprendeva solo gli importi in valute diverse, si e’ poi chiesto a Gemini di convertire tutto in euro. Ecco i prompts:
Certo, fare la conversione in Euro e’ un’ottima idea per semplificare il rimborso. Tuttavia, ottenere i tassi di cambio esatti per ogni data specifica puo’ essere complesso e richiedere l’accesso a dati storici finanziari dettagliati.
Posso comunque fornirti una stima ragionevole. Per il dollaro USA e il franco svizzero, usero’ tassi di cambio approssimativi medi per gli anni indicati, dato che non ho accesso ai tassi di cambio giornalieri precisi.
Ecco la conversione approssimativa in Euro:
Documento di Rimborso Spese (Convertito in Euro)
Richiedente: Mario Riva
Dettagli Spese:
………
[testo omesso]I risultati omessi sono essenzialmente quelli mostrati in Figura 5.5.
Figura5.5: Rimborso spese generato da Gemini in formato tabulare.
Gemini ha poi aggiunto qualche linea in piu’ di spiegazione:
Note sulla Conversione:
Ho utilizzato tassi di cambio medi annuali come approssimazione. I tassi di cambio giornalieri effettivi potrebbero variare leggermente. I tassi di cambio utilizzati sono indicativi e potrebbero non essere precisi al centesimo. Spero che questa versione sia più utile per le tue esigenze di rimborso!Esistono numerose varianti alla descrizione appena fatta. La possibilita’ o meno di accedere a queste varianti dipende dalla versione (a pagamento) alla quale l’utente di Gemini puo’ accedere. Per esempio si puo’ chiedere di riprodurre la tavola come file Excel, richiesta che Gemini puo’ soddisfare tranquillamente (vedi file rimborso.xlsx nel materiale distribuito con questo corso).
Il file originale con annotazioni, annotato.pdf, si trova nel materiale distribuito con questo corso.↩︎