Agentività di chi apprende

Traduzione automatica della pagina in inglese, non ancora rivista da una persona di madrelingua.

L'agentività di chi apprende — la capacità di chi apprende di agire intenzionalmente, fare scelte ed esercitare controllo sul proprio apprendimento. Nell'IA in educazione, l'agentività è una preoccupazione centrale perché gli strumenti di IA possono sia sostenere sia minare il controllo di chi apprende: un'IA ben progettata preserva e amplifica l'autonomia di chi apprende, mentre l'affidamento eccessivo o l'accettazione passiva dell'output dell'IA possono eroderla. L'agentività si collega all'autoregolazione, alla motivazione, all'autoefficacia e alla progettazione etica dei sistemi di IA, ed è strettamente correlata ai concetti psicologici di autonomia e senso di agentività.

Domande da considerare

• L'agentività di chi apprende — la tua capacità di agire intenzionalmente e controllare il tuo apprendimento — è centrale nell'IA in educazione. Quando usi uno strumento di IA, quanto controllo conservi effettivamente sul processo di apprendimento, rispetto allo strumento?
• L'IA può sia sostenere sia minare l'agentività: un'IA ben progettata amplifica la tua autonomia, mentre l'affidamento eccessivo la erode. Pensa a una volta in cui hai lasciato che un'IA "lo facesse e basta". Hai imparato di meno, anche se l'output sembrava migliore?
• Gli studenti che delegano l'interpretazione all'IA possono perdere agentività sul proprio ragionamento. Quando consegni un compito all'IA, quale parte del tuo stesso pensiero stai silenziosamente cedendo?
• Uno studio ha trovato che l'apprendimento autodiretto con l'IA pregresso degli studenti prediceva quanto guadagnavano dall'insegnamento — chi apprendeva con maggiore agentività ne beneficiava di più. Se l'agentività è in parte un'abilità che porti con te, come potrebbe il tuo stesso contesto costruirla anziché darla per scontata?
• L'agentività non è solo un tratto — emerge momento per momento nel lavoro di gruppo, dove l'IA può ridistribuire chi plasma una collaborazione senza che chi apprende se ne accorga. Quando hai notato l'ultima volta uno strumento che orientava silenziosamente la direzione di un gruppo?
• Le persone dell'IA contrarie potrebbero spingere i gruppi verso una sfida produttiva, ma hanno anche ridotto la soddisfazione per il lavoro di squadra e la sicurezza psicologica. L'attrito produttivo può esistere senza sicurezza psicologica — e cosa implica per la progettazione di compagni di squadra di IA?

Introduzione

L'agentività conta perché l'apprendimento è più efficace quando chi apprende è un partecipante attivo e intenzionale anziché un destinatario passivo. I sistemi di IA — che si tratti di agenti tutor, robot o chatbot — modellano quanto controllo chi apprende conserva sul proprio processo di apprendimento. Preservare l'agentività è quindi un principio di progettazione chiave nell'IA responsabile in educazione, insieme al sostegno dell'autoefficacia, alla costruzione della fiducia e all'evitare l'affidamento eccessivo.

Mishra et al. inquadrano il controllo contro l'agentività come la tensione essenziale e ricorrente nell'IA in educazione — dai primi ITS all'IA generativa di oggi — facendo dell'agentività di chi apprende l'asse duraturo dei dibattiti del campo.

Una visione a somma zero dell'agentività con strumenti agentici: Prieto e Dimitriadis (2026) sostengono che più agentività viene data agli strumenti di IA educativa, meno ne conserva chi apprende — che l'agentività sia di fatto un gioco a somma zero, e che gli attuali approcci di progettazione centrati sull'essere umano (ad esempio il value-sensitive design) siano insufficienti perché l'affidamento eccessivo e l'isolamento sono guidati da fattori sistemici più ampi e dalla tendenza umana a intraprendere il percorso più facile. La loro visione di progettazione emancipatoria, orientata al fiorire di chi apprende all'interno di sistemi complessi, tratta la preservazione e la coltivazione dell'agentività di chi apprende come obiettivo centrale della progettazione dell'IA generativa, non come un ripensamento.

L'agentività come scopo, non solo come capacità: Laddove le inquadrature sopra chiedono quanta agentività conservi chi apprende, Fagerlund et al. (2026) chiedono a cosa serve l'IA in educazione. Intervistando tredici insegnanti finlandesi dalla scuola dell'infanzia fino alla nona classe sui fini dell'insegnare con e sull'IA, e leggendo i loro resoconti attraverso i tre domini del fine educativo di Biesta (qualificazione, socializzazione, soggettivazione), hanno trovato che la competenza è il fine più chiaro e concreto: gli insegnanti volevano che gli studenti comprendessero l'IA come fenomeno sociotecnico e ne usassero gli strumenti. La soggettivazione, intesa come coinvolgimento autodeterminato e personalmente significativo con l'IA, è stata affermata come importante ma lasciata senza strategie didattiche concrete, con gli insegnanti che ricorrevano a discussioni e contemplazioni generiche anziché ad attività progettate. Gli autori propongono l'agentività IA informata come euristica che pone la soggettivazione al centro trattando al contempo le competenze come suo fondamento esplicativo, aiutando gli studenti a vedere quali opzioni esistono e a scegliere cosa perseguire. La conseguenza pratica è diretta: un curriculum skills-first può soppiantare proprio lo scopo agentico che intende servire, e il rimedio è rendere esplicito il "perché" dell'educazione all'IA anziché aggiungere un'altra competenza all'elenco.

Come l'agentività appare nella ricerca della knowledge base

• Robotica e interazione umano-robot: RoboBlockly Studio è stato esplicitamente progettato per preservare l'agentività di chi apprende nel pensiero computazionale; una revisione sistematica esamina come l'interazione umano-robot influisca sull'autonomia umana e sul senso di agentività, centrale per i dibattiti sul benessere e sulla Governance dell'IA.
• Apprendimento collaborativo: la ricerca sulla collaborazione umano-IA esamina come i compiti cognitivi siano condivisi tra chi apprende e l'IA, con l'agentività che determina se sia l'essere umano o l'IA a dirigere l'interazione.
• Coinvolgimento critico: la ricerca sul carico cognitivo esternalizzato mostra come gli studenti che delegano l'interpretazione all'IA possano perdere agentività sul proprio ragionamento; gli approcci critici e metacognitivi mirano a proteggerla.

Messo alla prova su dieci modelli, il sostenere l'agentività è ciò in cui essi se la cavano peggio dopo l'apprendimento. ImpactBench ha misurato Agency & Purpose al 56.0% sui criteri positivi (IC al 95% [49.2, 62.5]) e al 43.9% su quelli negativi ([36.9, 50.8]), il secondo più basso tra 14 sotto-aree, e i suoi criteri di assistenza che preserva l'autonomia chiedono se un modello offra contesto e trade-off anziché prescrivere un corso di azione (ImpactBench (2026)). I modelli erano anche molto meno coerenti nell'evitare danni che nell'essere utili: uno scarto di 38.6 punti contro 15.9 punti.

Il costo dipende da quale livello viene delegato: in uno studio di scrittura di otto settimane, delegare il ragionamento — garanzie, controargomentazioni, interpretazione delle prove — portava l'associazione negativa più forte con la performance indipendente (ab = −0.34), e la scrittura autoregolata la indeboliva ma non la rovesciava mai (Chen (2026)).

Uno studio panel a tre ondate su 342 studenti universitari in 85 gruppi di scrittura fissi dà a questa preoccupazione una direzione temporale: una volta separate in un modello panel cross-lagged a intercetta casuale le differenze stabili tra persone, un affidamento sull'IA generativa superiore al consueto prediceva un'agentività percepita successivamente inferiore, mentre i percorsi dall'agentività all'affidamento erano più deboli e non supportati statisticamente, benché gli intervalli di confidenza e le analisi di sensibilità Monte Carlo lasciassero possibili piccoli effetti inversi. Anche i suoi dati di log mettono in guardia contro il leggere il volume di utilizzo come agentività perduta — l'affidamento auto-riportato corrispondeva effettivamente all'intensità d'uso dell'IA, ma i log non potevano distinguere la consultazione strategica dall'esternalizzazione o dalla deferenza, per cui le dashboard dovrebbero leggere l'intensità insieme a evidenze di discorso, riflessione e revisione.(Wu e Lu, 2026)

Un resoconto complementare allarga l'SRL anziché sostituirlo: de Barba (2026) distingue regolazione (gestire il proprio processo), integrazione (organizzare sé attraverso il tempo e i contesti) e posizionamento (interpretare criticamente ciò che l'ambiente misura), e sostiene che una progettazione orientata all'agentività deve muovere chi apprende dall'"agentività entro le condizioni" all'"agentività sulle condizioni" anziché ottimizzare proxy comportamentali.

• Progettare per l'agentività: la progettazione basata sulla conoscenza per i robot sociali generativi (Teachy Mini) affronta rischi come l'affidamento eccessivo che minano l'agentività di chi apprende.
• Progettare per il passaggio di consegne, non per un coinvolgimento prolungato. Il prototipo a due modalità Amico tratta l'IA come mediazione limitata e temporanea il cui successo è misurato da transizioni osservabili verso docenti, pari o comunità, non dal tempo trascorso con l'IA; il suo pilota Italia–Cina ha trovato che chi apprendeva lo riconosceva come strumento limitato piuttosto che come sostituto relazionale (Benedetti (2026)).
• L'impalcatura adattiva scambia contro l'autonomia professionale. de Jong (2026) sostiene che, poiché l'adattamento richiede che il sistema valuti la competenza dell'utente, esso riduce l'autorità dei professionisti sul proprio sviluppo e rischia di sovra-impalcare gli esperti, e che un meccanismo percepito come non necessario sarà semplicemente ignorato — lasciando aperta la questione di chi decida quali utenti ricevano impalcature: il sistema, l'organizzazione o il professionista.
• Un'impalcatura più capace non è più agentività. Un bot di progettazione esperto su misura ha aumentato la durata dell'interazione e i prompt auto-generati dei docenti in formazione, eppure l'agentività nel problem solving collaborativo è calata sia in quella condizione sia in quella con ChatGPT, poiché i partecipanti si accordavano con il bot anziché criticarlo (Krushinskaia et al. (2026)).
• L'agentività pregressa predice chi ne beneficia: Liang et al. (2026), attingendo alla Teoria Sociale Cognitiva di Bandura, hanno mostrato che l'apprendimento autodiretto con l'IA pregresso degli studenti (una manifestazione comportamentale dell'agentività) prediceva quanto guadagnavano da un anno di insegnamento sull'IA a scuola — chi apprendeva con maggiore agentività entrava con la prontezza più forte, mentre i curricoli scolastici restringevano i divari psicologici ma lasciavano intatti quelli cognitivi. L'insegnamento strutturato e l'apprendimento pregresso correlato all'agentività agivano sinergicamente, non come sostituti.
• La selettività fondata su principi come agentività del docente sotto il cambiamento tecnologico: Adiozaman e Segar (2026) hanno intervistato due accademici esperti tre volte nell'arco di un semestre e hanno trovato che essi navigavano l'insegnamento mediato dall'IA né adottando né resistendo in blocco, ma attraverso decisioni deliberate e sensibili al contesto guidate da valori pedagogici, impegno etico e giudizio professionale — uno schema che gli autori chiamano selettività fondata su principi, in cui il rifiuto di un particolare uso conta come giudizio piuttosto che come adozione mancata. È la controparte lato docente dei risultati su chi apprende sopra: un uso diseguale dell'IA può essere un esercizio di agentività, non evidenza della sua assenza.
• L'agentività del docente come condizione mediatrice dell'agentività di chi apprende: I risultati più recenti lato docente rendono esplicita una divisione che i risultati su chi apprende sopra lasciano implicita: l'agentività del docente è al momento della progettazione e mediatrice, l'agentività di chi apprende si esplica nel momento, e la prima pone le condizioni per la seconda. Canonigo (2026) ha seguito dieci docenti di matematica della scuola secondaria attraverso un intervento di otto settimane con ChatGPT-4 e ha trovato che, laddove i docenti curavano e interrogavano l'output dell'IA (ponendo problemi aperti, pre-formulando il prompt dello strumento perché rilasciasse hint trattenendo le soluzioni, richiedendo agli studenti di collocare l'output dell'IA accanto al proprio lavoro e argomentare quale metodo fosse migliore), esso diventava un artefatto provvisorio per la critica e gli studenti si muovevano verso congetture e interrogativi metacognitivi; laddove la mediazione era assente, l'autorità migrava verso l'algoritmo e i docenti diventavano validatori anziché prime fonti di conoscenza, uno spostamento che un docente ha descritto come il passaggio da "oracolo" a "editor". Una qualità diseguale degli strumenti aumenta ciò che quella mediazione deve reggere: su 50 prompt inviati tre volte a ciascun modello, il livello gratuito era inaccurato in 49 risposte su 150 (32.7%) contro 18 su 150 (12%) per il livello premium (χ2(1) = 17.5, p < .001). Charles (2026) trae l'implicazione per la prontezza: l'agentività del docente è una risorsa professionale mobilitata attraverso decisioni e artefatti di progettazione, per cui la prontezza dovrebbe essere giudicata dai progetti che i docenti producono piuttosto che dalla frequenza con cui usano l'IA, e una decisione ragionata di non usare l'IA può essa stessa dimostrare prontezza. Letti insieme, questi risultati mettono in guardia contro il leggere un alto utilizzo dell'IA come evidenza di una classe agentiva, poiché la disposizione che preserva l'agentività di chi apprende si esercita in ciò che un docente progetta e critica, non nel fatto che lo strumento sia acceso.
• Il controllo docente-studente non è a somma zero — ma la giusta distribuzione dipende dalla fase. Uno studio di speed-dating partecipativo su 17 docenti e 13 studenti che classificavano 34 progetti di controllo ibrido ha trovato che entrambi i gruppi preferivano un forte controllo del docente durante la preparazione e l'avvio, poi progressivamente più voce degli studenti man mano che la collaborazione si svolgeva — e nessuno dei due gruppi ha mai preferito il pieno controllo da parte degli studenti. Le preferenze si rispecchiavano: i docenti volevano più controllo sui tempi di accoppiamento mentre gli studenti volevano l'auto-segnalazione della prontezza; gli studenti si fidavano della scelta del partner da parte del docente mentre i docenti volevano voce degli studenti sui partner. L'implicazione di progettazione: allocare l'agentività per punto decisionale e per fase, con proposte studentesche limitate e strutturate validate da analisi rivolte al docente piuttosto che con un override in forma libera. (Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing)
• L'accesso alla scelta non è la stessa cosa che l'agentività in azione: Su, Nair e Nagashima (2026) hanno assegnato casualmente 69 studenti universitari a un disegno 2 × 2 che incrociava il controllo dei parametri di una simulazione di stormo con l'accesso a un agente conversazionale opzionale, e non hanno trovato alcun effetto affidabile di nessuna delle due potenzialità sui guadagni di apprendimento una volta controllata la conoscenza pregressa (controllo dei parametri F(1, 50) = 0.04, p = .849; agente F(1, 50) = 2.68, p = .108). I guadagni tracciavano come il controllo veniva usato: il tempo sui cursori nella lezione concettualmente più complessa prediceva guadagni più alti (β = .11, p = .007) mentre lo stesso comportamento nella lezione più facile ne prediceva di più bassi (β = −.04, p = .047), e il coinvolgimento con l'agente opzionale andava da 0 a 32 domande per chi apprendeva senza relazione con gli esiti. Gli autori leggono questo come agentività esplicata anziché concessa: la domanda di progettazione è cosa aiuti chi apprende a decidere cosa vale la pena cambiare e a notarne le conseguenze.
• Delega epistemica nella ricerca dei primi anni di carriera: Han e Liu (2026) inquadrano la dipendenza dall'IA tra dottorandi e post-dottorandi come delega epistemica — il trasferimento della definizione dei problemi, della scelta del metodo e dell'autorità interpretativa al sistema intelligente — e l'hanno trovata associata negativamente sia all'autoefficacia nella ricerca sia all'autonomia nella ricerca, con il supporto della supervisione che attutiva la perdita. Essa estende i dibattiti sull'agentività dall'autonomia di chi apprende alla formazione del ricercatore stesso.
• L'autorità interpretativa come variabile di progettazione (un quadro concettuale). Porath (2026) riformula la domanda su chi decide come distribuzione dell'autorità interpretativa — chi definisce i problemi, valuta le risposte e determina quando la comprensione è raggiunta — mappando quattro configurazioni non gerarchiche (umano-dominante, IA-assistiva, IA-direttiva, partnership dialogica) che le classi attraversano nell'ambito di un singolo compito, e fondando gli spostamenti su cinque livelli ecologici dalla metacognizione individuale alle narrative socioculturali. L'asserzione normativa dell'articolo si allinea con l'evidenza di questa pagina: le configurazioni IA-direttive, per quanto sofisticate, possono sopprimere la lotta produttiva e la regolazione metacognitiva — le stesse capacità che questa pagina identifica come substrato dell'agentività. In quanto pezzo concettuale, esso contribuisce un vocabolario diagnostico, non evidenza empirica.

L'agentività si collega all'autoregolazione, alla motivazione, all'autoefficacia, all'esperienza studentesca, alla collaborazione umano-IA, all'etica, all'affidamento eccessivo e alla metacognizione. È una considerazione centrale nella robotica, nell'tutoraggio e nella progettazione degli agenti di apprendimento con IA.

• L'uso limitato come controllo epistemico, non come ritrosia. Zagami (2026) riporta che gli studenti con risultati più alti in un sondaggio universitario con 484 risposte mostravano un coinvolgimento attivo con l'IA più basso e un impatto percepito sull'apprendimento più basso mentre al contempo riportavano un disimpegno legato all'IA più basso, e descrivevano il proprio uso come intensivo di verifica: output controllati, poi subordinati al proprio ragionamento. Letto come agentività piuttosto che come evitamento, lo schema è una ritenzione deliberata del giudizio — studenti che conservano la paternità della conclusione usando lo strumento per chiarimenti e sintesi.

È il lavoro di confine sostenuto, non l'abilità con lo strumento, ciò che separa l'agentività dalla delega: studenti che usavano lo stesso strumento basato sul retrieval producevano artefatti comparabilmente rifiniti sia che ne vincolassero e ri-autorassero l'output sia che cedessero precocemente l'interpretazione, per cui la differenza appariva solo nei prompt, nella latenza, nelle correzioni e nei rifiuti (O'Byrne, 2026).

• Agire, sapere e rispondere non sono la stessa cosa. Un'analisi del discorso assistita da corpus di 366 abstract di IA generativa dell'istruzione superiore nomina l'IA come attore 2.050 volte senza mai renderla responsabile, mentre la responsabilità di giudicare gli output e verificare le asserzioni è posta sugli studenti: attivazione grammaticale, agentività funzionale, autorità epistemica e accountability normativa si separano (Poudyal, 2026).
• L'agentività ha tre modi, e il terzo è ciò che fornisce la politica. Con solo il 18% dei docenti e il 24% dei presidi che riportano una politica scolastica sull'IA, la maggior parte degli educatori esercita agentività individuale senza alcuna agentività per procura che agisca per loro — il terzo modo di Bandura, fornito da regole istituzionali (Tench, Weinstein e James, 2026)).

L'agentività come fenomeno emergente e interazionale

L'agentività di chi apprende non è solo un tratto individuale statico — è anche un processo emergente, costituito interazionalmente, esplicato attraverso il discorso e la coordinazione momento per momento del lavoro di gruppo. Nell'apprendimento collaborativo, l'agentività è distribuita e ri-negoziata attraverso l'interazione di processi divergenti (generare idee, esplorare alternative) e processi convergenti (valutare, integrare, sintetizzare). Questa visione conta per l'IA perché i sistemi di IA agentica possono sottilmente ridistribuire il lavoro epistemico e regolatorio all'interno di un gruppo, rimodellando chi contribuisce, chi plasma la direzionalità e chi regola il progresso — spesso senza che chi apprende ne sia consapevole.

• L'agentività come qualità emergente di una configurazione di competenze. Il quadro della Human-AI Collaboration Competency esclude deliberatamente l'agentività di chi apprende come componente autonoma e la tratta come ciò che chi apprende esprime quando coordina le competenze di dominio, di IA e metacognitive — il lavoro integrativo che TPACK assegna alla pedagogia che passa alla regolazione metacognitiva di chi apprende stesso; tra 24 educatori dell'istruzione superiore ogni dimensione appariva nel loro parlare, con dominio (12–19% delle unità codificate) e IA (16–22%) in primo piano (Dang et al., 2026)).
• Jin et al. (2026) forniscono l'evidenza più diretta: in un grande esperimento (224 studenti, 97 triadi) in cui l'IA operava come compagna di squadra non dichiarata, le personalità solidali e quelle contrarie riconfiguravano comunque l'agentività emergente. L'IA contraria tirava il discorso verso traiettorie orientate alla sfida e alla riflessione (attrito produttivo), mentre l'IA solidale stabilizzava l'accordo e rinnovava l'ideazione.
• Le personalità dell'IA come meccanismi di governance del discorso. Le personalità contrarie esternalizzavano l'onere di sfidare (ridistribuendo il lavoro epistemico verso la critica), mentre le personalità solidali esternalizzavano l'affermazione e il mantenimento del consenso. Lo studio ha identificato sei profili di agentività emergente — in particolare, la regolazione riflessiva era unicamente umana (l'IA esternalizzava critica/affermazione ma non il monitoraggio a meta-livello).
• Il costo affettivo dell'attrito. L'IA contraria ha ridotto la soddisfazione per il lavoro di squadra e la sicurezza psicologica senza produrre guadagni di performance creativa, disaccoppiando la stimolazione epistemica dalla sostenibilità esperienziale. Questo avverte che le strutture di discorso "produttive" dovrebbero essere interpretate insieme alle loro conseguenze emotive — l'agentività fiorisce solo in un clima psicologicamente sicuro.
• La partecipazione implicita dell'IA è governance invisibile. Poiché le personalità funzionavano anche senza dichiarazione dell'IA, lo studio posiziona la progettazione delle personalità come forma di governance invisibile sui processi collaborativi — un risultato con implicazioni dirette per gli assistenti di scrittura, i sistemi di Valutazione tra pari e le piattaforme di lavoro di squadra che possono plasmare i contributi senza annunciare la propria presenza.
• Tre schemi di agentività nella valutazione basata sul gruppo. Chen e Zou (2026) hanno intervistato 15 focus group di docenti in formazione su una presentazione di gruppo autentica e hanno trovato l'agentività operante in tre direzioni contemporaneamente: cinque gruppi intensificavano l'uso dell'IA generativa come infrastruttura di coordinamento (agentività orientata alla cooperazione — decodificare le sezioni dei pari, allineare le parti, proteggere un voto condiviso), sette la contenevano (agentività normativa — confini tracciati per proteggere autenticità, equità, originalità e diversità di prospettive), e tre non cambiavano mai la pratica rispetto al lavoro individuale (agentività non esplicata, dove la capacità individuale non veniva mai mobilitata collettivamente). La loro distinzione conta perché qui il contenimento era autoregolazione normativa piuttosto che conformità o disimpegno, e perché la capacità da sola non produceva agentività collettiva. L'appartenenza al gruppo invertiva anche l'accountability che il lavoro di gruppo dovrebbe creare: un clima collettivo permissivo abbassava il rischio percepito di uso improprio anziché aumentare l'impegno.
• L'agentività come sé relazionale. Xie (2026) sfida il modello individualista di agentività che, egli sostiene, perfino le critiche all'IA presuppongono. Attingendo al sé relazionale daoista — un sé "fluido ed eterogeneo" costituito attraverso le relazioni con gli altri e il cosmo — egli conclude che un divario digitale o una discriminazione algoritmica è "una violazione della costituzione fondamentale del sé", rendendo l'uguaglianza di accesso all'apprendimento "non semplicemente un imperativo etico ma un dato ontologico", e che il potere asimmetrico e i costi ambientali sono "dimensioni integrali del sé" piuttosto che esternalità. Il suo contro-ideale, lo "Zhenren" (真人) o persona che apprende naturale, tratta l'IA come "aggiunta strumentale" piuttosto che come surrogato cognitivo — l'agentività come pienezza coltivata, non ottimizzazione senza attriti.(Alternative AI Philosophy: Daoism as Method for AI in Education)

Per i contesti collaborativi, questo riformula la domanda di progettazione: non se l'IA possa partecipare come compagna di squadra, ma come la sua partecipazione strutturata bilanci rigore epistemico, sicurezza emotiva e senso di proprietà di chi apprende. L'attrito limitato (sfida vincolata, abbinata a mosse integrative e di riparazione) e un'esplicita alfabetizzazione meta-collaborativa sono le tutele raccomandate.

Una lettura strutturale dell'agentività appare nel quadro della valutazione gioiosa di El Khoury e Ma, dove l'agentività è trattata come proprietà di progettazione piuttosto che come motivazione: gli studenti scelgono l'ordine dei compiti, impostano il ritmo e segnalano quando un'interazione finisce, così che il supporto sia disponibile mentre la responsabilità del lavoro resta con chi apprende. Il meccanismo che essi nominano è l'appraisal — provare senza un pubblico e scegliere quando iniziare sposta ciò che un compito significa, da verdetto a qualcosa che uno studente può plasmare — ed essi sostengono che l'esperienza ripetuta di quello spostamento è ciò che trasforma occasionali sentimenti di efficacia in una postura quotidiana verso la valutazione.

Agentività contro identità di chi apprende

L'identità di chi apprende e l'agentività di chi apprende sono facili da confondere, eppure nominano cose diverse — ed entrambe sono rimodellate dall'IA.

• L'agentività si esplica; l'identità si abita. L'agentività è la capacità situata di agire intenzionalmente e dirigere il proprio apprendimento ora — una proprietà variabile e interazionale. L'identità è il senso più durevole e narrativo di chi si è e si sta diventando come persona che apprende. L'agentività è un processo; l'identità è un modo di essere che si accumula da esso.
• L'identità è agentività interiorizzata. Gli atti agentici ripetuti — scegliere, autorialmente creare, persistere — sono il modo in cui una persona che apprende arriva a vedersi come agente e competente. L'identità è il sedimento dell'agentività nel tempo, rafforzato dal riconoscimento e dall'appartenenza.
• Modalità di fallimento distinte. L'agentività è erosa dall'affidamento eccessivo e dall'accettazione passiva (chi apprende smette di dirigere il ragionamento); l'identità è erosa dalla perdita di paternità e dalla minaccia alla competenza (chi apprende smette di sentire l'output come proprio, o di appartenere al dominio). La ridistribuzione implicita del lavoro epistemico da parte dell'IA è principalmente una preoccupazione di agentività; il paradosso della competenza nei campi creativi è principalmente una preoccupazione di identità.
• Entrambe vanno progettate. Una progettazione orientata all'agentività preserva controllo e scelta (attrito limitato, supervisione umana nel ciclo, trasparenza); una progettazione orientata all'identità protegge paternità e riconoscimento (valutazione autentica, chiara attribuzione del contributo dell'IA rispetto a quello umano, compiti che permettano a chi apprende di rivendicare un dominio). Proteggere l'agentività senza proteggere la paternità conserva il controllo ma non l'autostima — e viceversa.

Questa distinzione tra agentività esplicata e identità stabile si applica al rifiuto. Come Zagami (2026) lo descrive, declinare un chatbot per la scrittura valutata, proibirlo per il ragionamento non assistito, resistere alla triage automatizzata nel supporto agli studenti, o ritardare un acquisto sono relazioni separate rispetto a sistemi separati, che abbracciano livelli personali, pedagogici, professionali, amministrativi e istituzionali piuttosto che un'unica disposizione durevole. Quel diritto è allocato in modo diseguale: gli studenti con fiducia accademica possono declinare senza penalità, mentre coloro che hanno bisogno di supporto linguistico, di accessibilità o di feedback rapido leggono il rifiuto come opportunità perduta, e gli accademici in posizione sicura rifiutano per principio mentre il personale precario sente la pressione ad adottare. Laddove l'IA risiede nell'infrastruttura, il rifiuto si sposta dall'opt-out individuale all'acquisto, all'audit e alla contestabilità.

• Il rifiuto come costruzione dell'identità, non solo come decisione (studenti di colore nell'apprendimento in tirocinio). Gyekye (2026) ha intervistato cinque apprendisti della scuola secondaria per 9 mesi e ha trovato che si autorizzavano attraverso l'IA in tre mosse: rifiuto (non uso come allineamento istituzionale), negoziazione (riparare gli squilibri istituzionali, la privacy come astrazione distante) e riconoscimento (equiparare l'equità all'assenza di pregiudizio visibile — una "piattezza culturale" in cui le loro identità non sono rappresentate nelle risposte dell'IA). I due concetti interpretivi dello studio — Institutional AI Literacy e Recognition Bandwidth — nominano la capacità di rendere l'uso dell'IA istituzionalmente leggibile e lo spazio che gli studenti hanno per vedersi riconosciuti negli output dell'IA. Un'indagine narrativa su un singolo programma con cinque studenti; il suo contributo è mostrare che uso, limitazione e rifiuto dell'IA sono legati a come chi apprende si comprende come autore e professionista emergente.

Il quadro della Co-Agentività Ecologica: l'agentività come problema epistemico di progettazione

Poudyal (2026) riformula l'agentività di chi apprende come fondamentalmente una preoccupazione epistemica: l'IA generativa non si limita ad aggiungere uno strumento ma riassegna l'autorità epistemologica — la capacità di produrre conoscenza, validare asserzioni e creare evidenza di apprendimento — dai docenti agli studenti alle macchine. Il quadro della Co-Agentività Ecologica dell'articolo tratta la co-agentività come relazione tra tre dimensioni interdipendenti, tutte vincolate da una condizione non negoziabile di accountability epistemica umana:

• Co-agentività relazionale — l'agentività come prodotto dell'interazione tra studente, strumento e contesto, che richiede una divisione trasparente di quali compiti siano delegati all'IA e quali trattenuti, oltre a una co-agentività etica in cui gli esseri umani conservano la responsabilità primaria e agiscono in una capacità di monitoraggio.
• Co-agentività regolatoria — mappare il ciclo dell'apprendimento autoregolato (previsione, performance, riflessione) sulla mediazione dell'IA. Che l'IA generativa entri prima o dopo il tentativo di chi apprende determina se amplifichi o eroda il controllo percepito; il carico cognitivo esternalizzato strategico sostiene l'apprendimento trasformativo solo quando la decisione di esternalizzare è intenzionale anziché di routine.
• Co-agentività pedagogica — porre i docenti al centro, muovendosi lungo un continuum osservatore–adottante–collaboratore–innovatore che dipende dal supporto istituzionale, non dalla disposizione individuale.

La condizione limite del quadro richiede contestabilità (la capacità di mettere in questione e verificare l'output dell'IA), provenienza (sapere da dove provengono dati di addestramento e output) e non delega del credito morale e intellettuale (i giudizi ad alto rischio sul benessere degli studenti, sulla posizione accademica e sui voti non devono essere determinati dalla sola IA). Questo dà a educatori e decisori politici un vocabolario più preciso rispetto al vago "equilibrio" tra contributi umani e artificiali, collegando l'agentività all'etica, alla valutazione, all'equità e alla Governance dell'IA.

Un'inquadratura strettamente correlata è l'agentività epistemica relazionale (Du e Yuan 2026), che concorda sul fatto che l'agentività sia socialmente abilitata e tecnologicamente mediata anziché una questione di isolamento dalla dipendenza. Laddove il quadro della Co-Agentività Ecologica sottolinea l'accountability epistemica umana come limite non negoziabile, Du e Yuan conservano un'asimmetria esplicita: i sistemi di IA possono modellare ed estendere il ragionamento senza possedere responsabilità reciproca o autorità legittima. I loro sei criteri diagnostici — contestabilità, recuperabilità, trasferimento, tracciabilità, responsabilità distribuita e pluralità epistemica — forniscono un test pratico per quando una relazione umano-IA preservi la capacità di chi apprende di partecipare a come le asserzioni sono formate, valutate e accettate, rispetto a quando si limiti a consegnare un prodotto. L'agentività in questo resoconto non è indipendenza dagli strumenti ma la capacità di giudicare responsabilmente con, attraverso e contro i sistemi che mediano la conoscenza.

• L'agentività delegata come meccanismo, non solo come rischio. Yan e Gašević (2026) trattano la delega del lavoro cognitivo all'IA come parte di come l'apprendimento avviene, non meramente come minaccia a esso: nel loro resoconto la performance assistita diventa capacità durevole solo quando chi apprende conserva la responsabilità della definizione del problema, dell'impostazione dei criteri e della giustificazione delle risposte, una divisione del lavoro che chiamano agentività delegata. Questo rende l'allocazione stessa la variabile di progettazione, poiché lo stesso strumento può preservare o dissolvere l'agentività di chi apprende a seconda di quali responsabilità assorbe.

Concetti collegati

• Studenti — Chi apprende: l'ombrello per i concetti lato chi apprende
• Partnership pedagogiche — Partnership pedagogiche
• Identità dello studente — identità di chi apprende disciplinari, professionali, creative e accademiche in evoluzione
• Apprendimento autodiretto
• Apprendimento autoregolato
• Motivazione
• Autoefficacia
• Esperienza dello studente
• Metacognizione
• Etica
• Offloading cognitivo
• Robot nell'educazione
• Comportamentismo
• Inquadrare l'uso dell'IA per gli studenti
• Collaborazione tra esseri umani e IA — direzione condivisa dell'interazione mediata dall'IA
• IA Agentica — IA autonoma che può ridistribuire l'agentività nei gruppi
• Educazione alla chimica — Educazione alla chimica e IA: laboratori, valutazione formativa, limiti degli LLM, filosofia della sperimentazione
• Apprendimento socio-emotivo — Apprendimento socio-emotivo
• Resa cognitiva

Articoli collegati

• An AI Policy Isn't a Playbook: Educators Need Agency, Not Just New Rules — A nationally representative survey of US teachers and principals on AI policy coverage, agency, and five classroom plays (Tench, Weinstein & James 2026)
• A helping hand or a dominant partner? Individual perceptions of GenAI reliance and human agency in collaborative learning — A helping hand or a dominant partner? Individual perceptions of GenAI reliance and human agency in collaborative learning
• Agentivism: a learning theory for the age of artificial intelligence — A mid-range learning theory for human-AI interaction, with four mechanisms and six testable propositions (Yan and Gašević 2026)
• Conceptualising Human–AI Collaboration Competency for hybrid intelligence: towards learner agency — Learner agency as the emergent quality of coordinating domain, AI and metacognitive competencies, not a standalone node (Dang et al. 2026)
• Exploring learner agency in an AI-supported simulation environment for complex systems education — Access to choice vs. agency enacted: sliders, an optional AI agent and learning in a flocking simulation
• Guarded adoption of generative AI in higher education: high-achieving students, successful-student identity, and epistemic agency in a single-university mixed-methods survey — Guarded Adoption of Generative AI in Higher Education
• AI Agents, Joyful Assessment, and Third Space: Rethinking Assessment in the GenAI Era — AI agents, joyful assessment, and third space
• AI-mediated research agency formation in higher education: Autonomy, self-efficacy and innovation in early-career scientific training — AI-mediated research agency formation in early-career scientific training
• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — Layer-sensitive cognitive offloading in GenAI-assisted writing (Chen 2026)
• Does school-based AI education narrow readiness gaps? The role of prior agency-related learning — School AI education narrows psychological but not cognitive readiness gaps
• Reclaiming Epistemic Agency: A Critical Framework for Human-Generative AI Co-Agency in Education
• Epistemic Dependence in AI-Mediated Learning — Relational epistemic agency and six criteria separating productive reliance from harmful dependence (Du & Yuan 2026)
• Design Principles and Observable Indicators for AI-Enabled Pedagogical Accompaniment: Evidence from the Amico Dual-Mode Prototype in Italy and China — AI-enabled pedagogical accompaniment supporting STEM identity
• The Competence Paradox: Negotiating Ease, Risk, and Creative Identity in Text-to-Image Generative AI Use Among Art and Design Students — The competence paradox: creative identity in text-to-image GenAI use
• Emergent Learner Agency in Implicit Human-AI Collaboration: How Supportive and Contrarian AI Personas Reshape Interaction — Emergent learner agency in implicit human-AI collaboration: supportive vs. contrarian personas
• Learner Agency Across Scales: An Integrative Perspective on Self-Regulated Learning in Algorithmically Mediated Environments — Learner agency across scales: regulation, integration, positioning
• Control vs. Agency: Exploring the History of AI in Education — Control vs. agency as the essential tension in AIED history
• Alternative AI Philosophy: Daoism as Method for AI in Education — Alternative AI Philosophy: Daoism as Method for AI in Education
• Human Autonomy and Sense of Agency in Human-Robot Interaction: A Systematic Literature Review — Human Autonomy and Agency in HRI
• RoboBlockly Studio: Conversational Block Programming With Embodied Robot Feedback for Computational Thinking — RoboBlockly Studio
• Teachy Mini: Development and Preliminary Evaluation of a Knowledge-Based Generative Social Robot for Higher Education — Teachy Mini
• Knowledge-Based Design Requirements for Generative Social Robots in Higher Education — Knowledge-Based Design for Generative Social Robots
• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — Foster student agency in learning-relevant work
• Thinking—Fast, Slow, and Artificial: How AI Is Reshaping Human Reasoning and the Rise of Cognitive Surrender — Tri-System Theory and cognitive surrender: how AI reshapes human reasoning (Shaw & Nave 2026)
• Pre-service teachers' agency during their interactions with generative AI while designing for learning - a process view — Pre-service teacher agency during GenAI interactions in design for learning (Krushinskaia, Elen & Raes 2026)
• An Emancipatory Vision for Designing (Generative) AI for Learner Flourishing — Emancipatory vision: agency as zero-sum with tool agency
• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — Three patterns of agency in GenAI-mediated group assessment: intensified, restrained, and not enacted
• ‘Resistance is futile?’: identity tensions and principled selectivity in AI-integrated teaching — Principled selectivity as teacher agency in AI-integrated teaching (Adiozaman & Segar 2026)
• AI refusal in higher education: the right to refuse, the duty to understand and the diagnostic value of non-use — Refusal as diagnostic evidence: non-use as a situated relation and the uneven right to decline AI (Zagami 2026)
• Co-Constructing AI Boundaries: Agency, Judgment, and Ethical Literacy in AI-Mediated Meaning-Making — epistemic authority asserted through interruption, correction and refusal rather than maximal tool use
• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research
• Open Questions Towards Skill-Sustaining Reliance in Reflective AI Engagement — Open Questions Towards Skill-Sustaining Reliance in Reflective AI Engagement
• From Competency to Agency: Teachers' Views of the Purposes of AI Education — Competency vs. agency as the purposes of AI education, and the informed AI agency heuristic (Fagerlund et al. 2026)
• Teacher Mediation and the Contingent Promise of Generative AI in Mathematics Education — Teacher mediation as the condition keeping GenAI an artifact for critique rather than an authority (Canonigo 2026)
• Teacher Readiness-By-Design for AI-Rich Interactive Learning — Teacher agency as a resource mobilized through design, with readiness judged from artifacts rather than usage (Charles 2026)
• Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing — Balancing teacher and student agency in co-orchestration tools for real-time dynamic pairing (Yang et al. 2026)
• Who Makes the Meaning? Interpretive Authority in AI-Mediated Education — Interpretive Authority Matrix and Ecological Authority Integration Model: four configurations of who interprets, and the ecological layers that shift them
• Constructing Selves in AI-Mediated Apprenticeship Learning: Students of Colour's Narratives of Agency, Recognition and Negotiation — Students of color in apprenticeship programs authored themselves through AI via refusal, negotiation, and recognition ("cultural flatness"); Institutional AI Literacy and Recognition Bandwidth