File raw: raw/papers/GALLI+DEF.+2025.pdf
Origine: Federico Galli, Università di Bologna — ricercatore di Informatica Giuridica e Filosofia del Diritto, LLI Vol. 11 No. 2, 2025
Sommario
Panoramica interdisciplinare sullo stato dell’arte dell’IA nell’istruzione italiana, che unisce dati empirici di adozione, ricostruzione del dibattito su opportunità e rischi, analisi dei framework etici (UNESCO, UE), delle Linee Guida MIM 2025 e dell’AI Act, fino a raccomandazioni finali.
È la fonte del wiki che porta i numeri su quanto l’IA è già usata nelle scuole e università italiane.
Punti chiave — i dati di adozione
Studenti della secondaria (indagine Tortuga–YellowTech, Generazione AI, a.s. 2024-25):
- 83% ha usato strumenti di IA generativa almeno una volta nell’ultima settimana; media di due utilizzi settimanali, oltre un quarto quotidianamente.
- Usi più diffusi: controllo di risposte (56%), generazione o ideazione di testi (47%), produzione di elaborati scritti (41%), esercizi STEM (37%).
- L’autore osserva che l’uso è “largamente funzionale a scopi immediati e di utilità pratica più che orientato a processi di apprendimento approfondito o allo sviluppo di competenze metacognitive”.
Docenti (dato confrontato con l’indagine INDIRE–La Tecnica della Scuola su 1.803 docenti):
- 66% ha usato IA generativa nell’ultima settimana; media di un utilizzo settimanale, solo il 16% quotidianamente.
- Interesse concentrato sulla progettazione didattica (materiali, esercizi, prove di verifica); minore propensione all’uso amministrativo o a strumenti pedagogicamente più avanzati come i chatbot didattici.
Il divario di percezione (projection bias):
- Il 35,6% dei docenti crede che gli studenti non usino mai l’IA generativa, mentre solo il 17% degli studenti dichiara di non averla mai usata. L’autore attribuisce lo scarto alla tendenza a inferire i comportamenti altrui dai propri — con la conseguenza che le implicazioni didattiche dell’uso reale sfuggono.
Uso senza comprensione (indagine Generazioni Connesse–Skuola.net con Università di Firenze e Sapienza):
- Solo il 35% degli studenti dice di saper spiegare come funzionano gli algoritmi di machine learning; appena il 28% dichiara di comprendere le reti neurali profonde dietro i chatbot.
- Solo il 18% ha ricevuto indicazioni chiare dalla scuola sull’uso dell’IA.
- Privacy: il 35% si pone sempre il problema della gestione dei propri dati (il 51% spesso), ma solo il 22% sa quali dati siano effettivamente accessibili alle app installate.
Università (indagine CETU, giugno 2025, 507 studenti):
- 83% ha usato almeno una volta strumenti di IA generativa; 49% con regolarità; solo il 7% mai.
- L’adozione cresce col livello di studio: dottorandi 87%, magistrali 84%, triennali 83%. Per area: Economia e Giurisprudenza 85%, Lettere 79%.
Punti chiave — rischi e regole
- Rischi discussi: dipendenza cognitiva e perdita di abilità critiche, profilazione e tutela dei dati, frammentazione dei percorsi, amplificazione delle disuguaglianze educative preesistenti.
- Posizione dell’autore: né “entusiastico abbraccio acritico” né “rifiuto luddista”; la via è un’integrazione guidata da principi etici e normativi chiari, con controllo umano, trasparenza ed equità.
- AI Act, art. 4: impone a fornitori e deployer di garantire un livello adeguato di alfabetizzazione all’IA per tutto il personale coinvolto. L’autore ne trae che l’alfabetizzazione “non è solo un valore aggiunto, ma una condizione strutturale” per rendere effettivi tutela, equità e supervisione umana.
- Priorità indicate: formazione continua dei docenti, scambio di buone pratiche, educazione degli studenti all’IA, coinvolgimento dell’intera comunità educante.
Entità menzionate
Ministero dell’Istruzione e del Merito (MIM) — Linee Guida 2025 analizzate nel paper UNESCO, Commissione Europea (e JRC) — framework etici sovranazionali
Concetti trattati
IA Generativa — oggetto dei dati di adozione Alfabetizzazione all’IA (AI Literacy) — condizione strutturale, non accessorio (art. 4 AI Act) Pigrizia metacognitiva — dipendenza e perdita di abilità critiche Divario digitale — amplificazione delle disuguaglianze preesistenti Privacy e protezione dei dati — profilazione e consapevolezza dei dati Deployer (utilizzatore professionale di IA) — destinatario dell’obbligo di alfabetizzazione Supervisione umana (human-in-the-loop) — controllo umano come condizione dell’integrazione AI Act — categorie di rischio — lettura dell’AI Act applicata all’istruzione Scuola aumentata — personalizzazione e progettazione didattica
Citazioni rilevanti
“l’alfabetizzazione all’IA non è solo un valore aggiunto, ma una condizione strutturale per rendere effettivi i principi di tutela, equità e supervisione umana”
“la risposta non può essere né un entusiastico abbraccio acritico della tecnologia né un rifiuto luddista dettato dalla paura”
Contraddizioni o tensioni
Colma una lacuna dichiarata del wiki: l’overview registrava l’assenza di dati d’impatto e di adozione italiani. Ora ci sono, e raccontano una realtà scomoda: l’IA è già usata dall’83% degli studenti, ma solo il 18% ha ricevuto indicazioni dalla scuola. L’adozione ha corso più veloce della governance — il che ridimensiona la lettura del cronoprogramma MIM come processo ordinato dall’alto.
Conferma e precisa un claim: il paper documenta l’art. 4 AI Act sull’obbligo di alfabetizzazione in capo a fornitori e deployer. Il wiki aveva rimosso questo riferimento perché non sostenuto dalle fonti allora disponibili: ora lo è, ed è stato reintegrato in Alfabetizzazione all’IA (AI Literacy).
Convergenza con l’OCSE: l’osservazione che l’uso studentesco è “funzionale a scopi immediati” più che allo sviluppo metacognitivo coincide con l’evidenza del Digital Education Outlook 2026 (prestazione senza apprendimento) — due fonti indipendenti, stessa conclusione.
Attenzione alla data: il paper è precedente al Digital Omnibus; per il calendario aggiornato degli obblighi AI Act sull’alto rischio (rinviati al 2 dicembre 2027) vedi AI Act e Digital Omnibus: applicazione e rinvii (agosto 2026).
Domande aperte
- Come colmare lo scarto tra l’83% di studenti che usa l’IA e il 18% che ha ricevuto indicazioni?
- Il projection bias dei docenti è affrontabile con la formazione, o serve prima un dato condiviso sull’uso reale in classe?
- L’uso cresce col livello di studio: è maturità d’uso o maggiore pressione a produrre testi?