Nel settore dell’istruzione dei paesi a reddito medio-basso, la promessa dell’intelligenza artificiale è spesso più speculativa che dimostrata. Tra le iniziative più concrete, la Teaching Service Commission (TSC) di Sierra Leone ha sperimentato un modello che, pur presentandosi sotto l’etichetta AI, si basa su una formula matematica pubblicata nel 1962 da David Gale e Lloyd Shapley.
Il report di EdTech Hub evidenzia che questo approccio è l’unico caso documentato a livello nazionale con risultati misurabili. Sebbene il documento riconosca la scarsa presenza di strumenti AI integrati nei sistemi ministeriali, la sperimentazione sierraleonese dimostra come la centralizzazione dell’assegnazione docente possa produrre effetti positivi, a patto che le fondamenta dati-governative siano solide.
Il modello Gale-Shapley applicato alla distribuzione dei docenti
Nel 2024 la TSC ha impiegato l’algoritmo per collocare 2.341 nuovi insegnanti. Come descrive Fab Inc. in una ricerca del 2020 per l’Education Workforce Initiative, il motore di matching è una generalizzazione del Gale-Shapley, lo stesso procedimento premiato con il Nobel per l’economia nel 2012 insieme ad Alvin Roth per la sua capacità di abbinare risorse in modo stabile.
L’intervista di condotta da Madleen Frazer ha spiegato che il sistema classifica le scuole in base a due indicatori chiave – il rapporto pupil-to-teacher e i risultati di apprendimento – per poi elaborare una lista di preferenze sia delle scuole sia degli insegnanti. In caso di conflitto, il criterio di priorità privilegia le candidate donne, seguite da qualifiche più elevate e anzianità di servizio. Inoltre, gli spostamenti sono limitati a un raggio di 5 km dalla scuola di origine.
Risultati concreti e limitazioni emerse dall’implementazione
Il passaggio dall’assegnazione casuale (2.000 insegnanti reclutati nel 2019) a un processo basato su regole trasparenti ha risposto a una forte pressione politica. Dopo il fallimento del portale di reclutamento sviluppato dalla Banca Mondiale nel 2020, l’algoritmo ha fornito alla TSC una risposta difendibile pubblicamente, consentendo di dirigere i nuovi docenti verso scuole con i peggiori rapporti pupil-to-payroll-teacher e verso aree più remote.
Secondo il riepilogo del progetto, questi cambiamenti rappresentano un miglioramento rispetto agli obiettivi prefissati, sebbene la valutazione sia puramente descrittiva (confronto pre-post senza gruppo di controllo). Tuttavia, una problematica significativa è emersa: circa il 14 % dei beneficiari è stato collocato in modo errato perché le scuole non avevano ancora ricevuto un identificativo ufficiale. In assenza di quel numero, l’algoritmo le considerava inesistenti, devendo così i docenti altrove e peggiorando la situazione di quelle scuole.
Lezioni per altri Paesi e l’importanza del registro scolastico
L’esperienza sierraleonese suggerisce che il vero “motore AI” è il registro master delle scuole. Senza un elenco completo e aggiornato, anche i modelli più avanzati – incluse le reti neurali – non possono operare correttamente, poiché il principio di Gale-Shapley richiede che entrambi i lati del matching siano presenti nella lista. Questo errore di base è stato riscontrato anche nel brief del 2025, dove si è osservato che funzionari abituati al controllo discrezionale hanno mostrato resistenza verso decisioni automatizzate.
Altri paesi in fase di sperimentazione (Tanzania, India, Bangladesh, Messico) hanno finora annunciato solo intenzioni, senza aver ancora realizzato sistemi nazionali operativi. L’insegnamento proveniente dal settore sanitario – dove la digitalizzazione dei dati del personale ha mostrato benefici tangibili – può guidare i Ministeri dell’Istruzione verso la creazione di un registro scolastico affidabile prima di lanciare qualsiasi algoritmo di matching.
