IA in educazione

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

L'IA in educazione (AIED) — l'ampio campo interdisciplinare che applica l'intelligenza artificiale all'insegnamento e all'apprendimento, e ne studia la progettazione, l'uso, la valutazione e le conseguenze. In quanto concetto ombrello della knowledge base, l'IA in educazione comprende l'IA per l'educazione (usare l'IA per migliorare istruzione e valutazione) e l'educazione sull'IA (sviluppare l'alfabetizzazione sull'IA e la comprensione critica). Si colloca all'intersezione tra tecnologia didattica, le scienze dell'apprendimento — il campo di ricerca empirica che si chiede se il discente sia cambiato anziché solo se uno strumento abbia performato — informatica, politica educativa, etica ed equità. Questa pagina è un'introduzione al campo e una mappa di ogni concetto trattato dalla knowledge base.

Domande da considerare

• L'"IA in educazione" abbraccia due direzioni: l'IA per l'educazione (usare l'IA per migliorare l'insegnamento) e l'educazione sull'IA (costruire alfabetizzazione e comprensione critica). Quale ti è più familiare, e quale tendi a trascurare?
• La storia del campo è inquadrata come una tensione ricorrente tra controllo e agency del discente. Mentre osservi l'adozione degli strumenti di IA, dove noti oggi quella stessa tensione in azione?
• L'IA in educazione si colloca all'intersezione tra tecnologia, scienze dell'apprendimento, politica, etica ed equità. Quale di queste lenti applichi naturalmente quando valuti uno strumento di IA — e quale rischi di dimenticare?
• Questa knowledge base organizza il campo in filoni: pedagogia, teorie dell'apprendimento, tecnologie, discipline, valutazione, feedback, parti interessate e governance. Se dovessi mappare il tuo uso dell'IA, in quale filone ti ritroveresti?
• L'AIED include l'insegnare agli studenti a usare l'IA in modo critico come obiettivo in sé. Nel tuo contesto, l'IA è trattata più come materia da insegnare o come strumento da usare — e questo equilibrio rispecchia ciò di cui i discenti hanno effettivamente bisogno?
• Gli studenti possono apprendere l'alfabetizzazione sull'IA usando l'IA in modo critico, non solo imparando cose sull'IA. In che modo un uso pratico e critico può costruire una comprensione che l'istruzione passiva non può?

Introduzione

L'IA in educazione è l'ombrello che tutte le altre pagine di concetto definiscono collettivamente. La knowledge base organizza il campo nei principali filoni riportati sotto, ciascuno collegato alle pagine di concetto pertinenti.

Una prospettiva storica di riferimento, quella di Mishra et al., ripercorre l'AIED dalla cibernetica e dalla conferenza di Dartmouth del 1956 fino ai tutor cognitivi e al costruzionismo di Papert, sostenendo che i dibattiti odierni sulla GenAI ripropongono la tensione fondativa del campo tra controllo e agency.

Come è organizzata la knowledge base: le pagine ombrello

La copertura concettuale della knowledge base è ancorata da diverse pagine ombrello che raggruppano i concetti correlati in filoni navigabili. Sono buoni punti d'ingresso per esplorare il campo:

• L'IA in educazione — questa pagina, la panoramica del campo e la mappa di tutta la copertura.
• L'alfabetizzazione sull'IA — l'ombrello per comprendere, usare e valutare criticamente l'IA, che abbraccia prompt engineering, pensiero critico, etica dell'IA e uso responsabile. Accanto a essa, la collaborazione umano–IA e l'IA agentica inquadrano come persone e IA lavorino insieme.
• Le pedagogie e le strategie didattiche — l'ombrello di come avviene l'insegnamento: i metodi e le strategie didattiche all'interno dei quali l'IA opera (attivo, collaborativo, basato su progetti, basato su problemi, esperienziale, basato sul gioco, socratico, scaffolding e altri), inclusa la distinta dimensione dell'insegnamento e apprendimento online.
• Le teorie dell'apprendimento — l'ombrello di come avviene l'apprendimento: i quadri teorici (comportamentismo, cognitivismo, costruzionismo, socioculturale, cognitivo, motivazionale) che danno forma alla progettazione e alla valutazione dell'IA.
• Le tecnologie — l'ombrello dello strato tecnico: i sistemi di IA (LLM, IA generativa, multimodali, robotica) e le tecniche (RAG, prompt engineering, apprendimento per rinforzo, addestramento dei modelli, orchestrazione agentica) che alimentano l'AIED. La famiglia della modellizzazione del discente — knowledge tracing, diagnosi cognitiva, simulazione degli studenti e i sistemi che le consumano (tutoraggio intelligente, apprendimento adattivo, apprendimento personalizzato) — è raggruppata sotto l'ombrello Modellizzazione del discente e istruzione adattiva all'interno di questo filone tecnico.
• L'IA nelle discipline — l'ombrello di come l'IA è applicata nelle diverse aree disciplinari (matematica, fisica, apprendimento delle lingue, informatica, scrittura, STEM, ingegneria, economia aziendale, formazione degli insegnanti, professioni sanitarie e altre) — e, oltre le materie accademiche, il filone professionale e applicato che valuta la pratica dimostrata anziché la correttezza (infermieristica, tecnologie dell'informazione, istruzione e formazione professionale, design education) — e i livelli educativi (K-12, istruzione superiore, apprendimento degli adulti).
• La valutazione (con i filoni formativa, sommativa, autentica, orale e automatizzata) — l'ombrello di come l'IA valuta i discenti e rimodella la validità e l'integrità della valutazione.
• Il feedback — l'ombrello di come il feedback è generato, erogato e usato: il circuito del feedback, la qualità del feedback, la alfabetizzazione al feedback e i suoi contesti di valutazione (formativo, tra pari, automatizzato).
• Le parti interessate nell'IA in educazione — l'ombrello di chi sono gli attori: discenti, insegnanti, progettisti dell'apprendimento, amministratori e decisori politici.
• La valutazione dell'IA in educazione e i metodi di ricerca** — gli ombrelli di come sappiamo se l'IA funziona: studi di efficacia, benchmark, trial controllati randomizzati, meta-analisi e i guadagni di apprendimento come misura di esito centrale. I lettori dovrebbero anche soppesare le limitazioni trasversali di queste evidenze.
• La governance dell'IA, la politica educativa sull'IA** e l'equità** — gli ombrelli dello strato istituzionale, regolatorio e di equità (si vedano anche regolamentazione e privacy).

Queste pagine ombrello sono collegate in tutte le sezioni che seguono; ciascun filone nomina sia il proprio ombrello sia i concetti che lo costituiscono.

Due dimensioni dell'IA in educazione

La ricerca sull'IA in educazione abbraccia due direzioni interconnesse:

• L'IA per l'educazione — usare sistemi di IA per potenziare insegnamento, apprendimento, valutazione e amministrazione. Comprende il tutoraggio con IA, l'apprendimento adattivo, l'apprendimento personalizzato, la correzione automatizzata dei saggi, la generazione automatizzata di domande, la valutazione automatizzata, la valutazione formativa, la learning analytics e i circuiti di feedback.
• L'educazione sull'IA — insegnare a discenti ed educatori a comprendere, usare e valutare criticamente l'IA. Il nucleo è l'alfabetizzazione sull'IA, sostenuta da prompt engineering, pensiero critico, etica dell'IA, educazione alla governance, alfabetizzazione digitale e uso responsabile.

Queste due dimensioni non sono separate: usare bene l'IA richiede di comprenderla, e insegnare sull'IA è arricchito dall'usarla. Questa collaborazione umano-IA è un tema centrale.

Fondamenti dell'IA in educazione

I concetti trasversali e fondativi del campo ancorano la copertura della knowledge base e compaiono per primi nella barra laterale. Si aprono con un gruppo Fondamentali — i concetti da cui ogni lettore dovrebbe partire: l'ombrello stesso, i fraintendimenti sull'IA, l'alfabetizzazione sull'IA, l'IA agentica, il cognitive offloading, il modo in cui l'uso dell'IA è inquadrato per gli studenti, la riduzione dell'uso improprio dell'IA, l'integrità accademica, il ruolo dell'insegnante, la progettazione dell'apprendimento e lo sviluppo educativo. Il filone del campo copre poi la storia del campo, le limitazioni trasversali della base di evidenze, la sua filosofia, la mappa delle teorie e dei framework e la sviluppo della teoria. I temi trasversali — collaborazione umano–IA, agency del discente, identità del discente, design thinking, progettazione curricolare, pensiero critico e pensiero computazionale — attraversano ogni filone, perché i modelli mentali inaccurati che le persone hanno dell'IA stanno a monte dell'uso improprio e di una fiducia sotto-calibrata.

Apprendimento e istruzione

Il modo in cui l'IA sostiene insegnamento e apprendimento è il cuore del campo. I concetti chiave includono:

• Pedagogie di base: le pedagogie e strategie didattiche — l'ombrello della copertura sui metodi didattici della knowledge base — insieme ai pattern pedagogici (le sequenze testate in cui quei metodi si risolvono), l'apprendimento attivo, l'apprendimento collaborativo, il lavoro di gruppo, l'apprendimento basato su progetti, l'apprendimento basato su problemi, il fallimento produttivo, l'apprendimento basato sull'indagine, l'apprendimento esperienziale, l'apprendimento basato sul gioco, l'apprendimento insegnando, lo scaffolding, il metodo socratico, la pedagogia critica, le partnership pedagogiche, lo storytelling, la progettazione dell'apprendimento, l'insegnamento e apprendimento online e il video in educazione.
• Teorie e processi dell'apprendimento: l'ombrello delle teorie dell'apprendimento (comportamentismo, cognitivismo, costruzionismo, socioculturale, cognizione distribuita, apprendimento situato, apprendimento incarnato, comunità di indagine) si affianca a processi rivolti al discente come l'apprendimento autoregolato, la teoria dell'autodeterminazione, la motivazione, l'autoefficacia, l'apprendimento autodiretto, la metacognizione, le difficoltà desiderabili, il trasferimento dell'apprendimento, le conoscenze pregresse, l'engagement cognitivo ICAP, il testo di confutazione, il recupero, la distribuzione e l'interleaving e la teoria dell'attività.
• Coinvolgimento ed esperienza del discente: lo coinvolgimento degli studenti, l'ricerca di aiuto, l'apprendimento socio-emotivo, il benessere, la creatività, il problem solving, l'apprendimento per padronanza e l'interazione studente–IA danno forma al modo in cui i discenti incontrano effettivamente l'IA e ne sono influenzati, mentre le norme sociali che si stabiliscono attorno all'uso dell'IA decidono quanto apertamente tutto ciò possa essere discusso. Al di là del corso, il sostegno e il successo degli studenti copre il lavoro sul versante istituzionale — orientamento, outreach, invio a servizi e allocazione di un sostegno scarso — dove l'IA muove in modo affidabile il completamento dei compiti ma non la perseveranza o il conseguimento del titolo.

Tecnologie e tecniche

La pagina sulle tecnologie è l'ombrello dello strato tecnico:

• Modelli e tecniche: l'IA generativa, gli LLM, la retrieval-augmented generation, i modelli multimodali, l'NLP educativa, l'apprendimento per rinforzo, i grafi di conoscenza, i robot in educazione, l'IA conversazionale, la simulazione e l'addestramento e il fine-tuning degli LLM. Contano anche i metodi sottostanti: il machine learning è dove questi sistemi vengono costruiti, le tecnologie della voce e del parlato veicolano il tutoraggio orale e la pratica linguistica, la visualizzazione copre dashboard e analisi visuali per discenti e insegnanti, e la realtà virtuale e aumentata ospita pratica immersiva il cui strato visivo il modello può ora generare. Anche stili di interazione più nuovi appartengono a questo filone — in primo luogo il vibe coding, il flusso di lavoro guidato dal linguaggio naturale in cui l'utente specifica un programma sollecitando un LLM e giudica il comportamento risultante anziché leggere o modificare il sorgente. Questo riformula la programmazione come atto di espressione e verifica e abbassa la barriera agli utenti finali che costruiscono i propri strumenti. Framework di profondità di integrazione come SAMR e teorie dell'adozione come il TAM classificano quanto profondamente l'IA è assunta e quanto trasforma il compito.
• Modellizzazione del discente e sistemi adattivi: i sistemi tecnici che rappresentano il discente e si adattano a esso sono raggruppati sotto l'ombrello Modellizzazione del discente e istruzione adattiva — knowledge tracing, diagnosi cognitiva, simulazione degli studenti, tutoraggio intelligente, apprendimento adattivo, apprendimento personalizzato, sistemi di raccomandazione e percorsi di apprendimento, agenti pedagogici, tutoraggio affettivo, affective computing, IA human-in-the-loop e learning analytics. Questi risiedono nello strato tecnico perché sono i sistemi di IA stessi, distinti dalle pedagogie che mettono in atto.

L'IA nelle discipline

L'IA è applicata attraverso le discipline e i livelli educativi. La panoramica dell'AIEd nelle discipline della knowledge base mappa la copertura per area disciplinare — accanto alle scienze dell'apprendimento, che non sono una materia insegnata ma il campo di ricerca trasversale che studia l'apprendimento stesso e tratta la materia come una variabile tra le altre:

• Aree disciplinari: matematica, fisica, chimica, biologia, informatica, ingegneria, STEM, scrittura, apprendimento delle lingue, insegnamento dell'inglese (EAP/EFL/ESL), educazione scientifica, economia aziendale, economia e management, scienze umane e sociali, arti, design e educazione ai media, professioni mediche e sanitarie, educazione giuridica e i filoni professionali e applicati — infermieristica, tecnologie dell'informazione, istruzione e formazione professionale e design education.

Livelli e contesti

Lo stesso strumento di IA incontra contesti molto diversi, e la knowledge base separa il livello educativo dalla pedagogia, così che i risultati non si trasferiscano silenziosamente dall'uno all'altro: le scuole K-12, l'educazione della prima infanzia e primaria, l'istruzione superiore, l'apprendimento degli adulti, l'istruzione e formazione professionale, l'educazione speciale e la formazione degli insegnanti. I concetti adiacenti al dominio che attraversano i livelli includono la progettazione universale per l'apprendimento, la neurodiversità, l'apprendimento multilingue e l'apprendimento socio-emotivo.

Valutazione e misurazione

L'IA trasforma sia come valutiamo i discenti sia come valutiamo i sistemi di IA stessi:

• Valutazione e feedback: valutazione, valutazione formativa, valutazione sommativa, valutazione autentica, e-portfolio, feedback e alfabetizzazione al feedback, qualità del feedback con IA, valutazione tra pari, valutazione orale, valutazione automatizzata, correzione automatizzata dei saggi e generazione automatizzata di domande. Poiché un modello può ora produrre su richiesta lavori finiti plausibili, la knowledge base mette in primo piano la capacità che resta propria del discente: il giudizio valutativo, la capacità di apprezzare la qualità del proprio lavoro, del lavoro dei pari e dell'output dell'IA rispetto a criteri ragionati. È il costrutto su cui convergono diversi studi sul feedback e sulla valutazione autentica — la condizione di feedback ibrido che supera il feedback diretto dell'IA in un esperimento multi-sito, il divario di sostenibilità nel feedback formativo dell'IA, e la mossa pratica di valutare le decisioni che gli studenti prendono anziché solo l'artefatto — ed è una ragione centrale per cui la riprogettazione nell'era dell'IA si sposta dal rilevamento verso compiti la cui integrità sopravvive all'ispezione. Anche il lavoro di gruppo è valutato lungo sia il processo sia il prodotto, laddove i team devono negoziare quale e che tipo di coinvolgimento dell'IA conti come accettabile.
• Misurazione e validità: validità della valutazione, IA psicometricamente consapevole, misurazione educativa, teoria della risposta all'item, misure di autovalutazione (lo strumento dietro a una quota rilevante di queste evidenze, e una limitazione ricorrente), rilevamento dell'IA, sorveglianza d'esame a distanza e integrità accademica.

Metodi di ricerca e valutazione

Il modo in cui sappiamo se l'IA funziona è un filone a sé, e la knowledge base lo tratta come tale:

• Metodi di ricerca: i metodi di ricerca nell'AIED come ombrello, con approcci qualitativi, quantitativi, metodi misti, design-based e di usabilità, oltre a trial controllati randomizzati, meta-analisi e revisione sistematica e analisi delle reti.

Il lavoro di ricerca del campo è ora esso stesso un soggetto a sé. L'AI-Assisted Educational Research copre l'IA usata come strumento per ricerca bibliografica, screening, codifica qualitativa, analisi e scrittura, inclusa la ricerca dei professionisti come lo scholarship of teaching and learning. Resta distinta dai disegni usati per studiare ciò che l'IA fa ai discenti.

• Valutazione dei sistemi di IA: la valutazione dell'IA in educazione e i benchmark per giudicare la capacità di un sistema, con i guadagni di apprendimento come esito che conta, e le limitazioni trasversali di queste evidenze e come leggere un singolo studio come contrappeso cautelativo.

Persone

L'IA in educazione cambia i ruoli di ogni parte interessata. La pagina sulle parti interessate nell'IA in educazione è l'ombrello che le copre tutte:

• Discenti: l'esperienza studentesca, lo sviluppo di carriera e la preparazione e l'ansia e lo stress da IA danno forma al modo in cui gli studenti incontrano l'IA.
• Famiglie e comunità: i genitori e le famiglie sono il pubblico che le scuole interpellano più spesso riguardo all'IA e quello con meno ricerche a sostegno delle indicazioni fornite, quindi le loro preoccupazioni appartengono al quadro delle parti interessate anziché restarne fuori.
• Insegnanti e framework didattici: la competenza degli insegnanti sull'IA, il technological pedagogical content knowledge (TPACK), SAMR e lo sviluppo educativo riguardano la preparazione e il sostegno degli educatori.
• Costruttori: gli sviluppatori di tecnologie educative — i progettisti di prodotto, sviluppatori di software, learning engineer e progettisti di analytics che trasformano una capacità del modello in qualcosa che un'istituzione può acquistare. Sono un pubblico distinto dai professionisti e dagli amministratori sopra citati, e si collocano al di fuori delle istituzioni che adottano i loro strumenti, ed è per questo che impostazioni predefinite, co-progettazione e manutenzione post-finanziamento compaiono in questa knowledge base come questioni pedagogiche anziché commerciali.

Istituzioni e politica

Lo strato istituzionale è dove le decisioni sull'IA sono effettivamente prese e difese: amministratori e leader istituzionali, la politica educativa sull'IA, la governance dell'IA, il change management come lavoro di far attecchire un'adozione, la regolamentazione dell'IA e le questioni di acquisto e piattaforma che derivano dall'adozione della tecnologia, dall'open source e dalle piattaforme edtech, accanto all'apprendimento professionale e permanente e alla formazione professionale.

Equità, etica e uso responsabile

Equità, accesso e responsabilità sono centrali nell'IA in educazione:

• Equità e accesso: l'equità, i differenziali d'effetto tra gruppi di discenti (la domanda su per chi un risultato valga), il divario digitale, la mitigazione del bias, la pedagogia culturalmente rilevante, l'apprendimento multilingue, l'apprendimento inclusivo, l'accessibilità, le tecnologie assistive, la neurodiversità, la progettazione universale per l'apprendimento e gli studi sul Sud globale.
• Etica e responsabilità: l'etica dell'IA, l'uso improprio dell'IA e il danno all'apprendimento, le questioni legali e i rischi, la dichiarazione dell'uso dell'IA, le guardrail, la privacy, il rischio di allucinazione, la sycophancy dell'IA, la fiducia, la calibrazione della fiducia, la riduzione dell'uso improprio dell'IA, il modo in cui l'uso dell'IA è inquadrato per gli studenti, la sicurezza pedagogica, la sostenibilità e il cognitive offloading.

Una revisione sistematica della letteratura etica del campo (Agarwal et al. 2026, 25 articoli) consolida l'etica dell'AIED in sei valori etici principali — non discriminazione, gestione dei dati, supervisione umana, buona volontà, spiegabilità e appropriatezza educativa — e mappa le norme etiche su una matrice stakeholder-per-valore. Rileva che gli utenti finali sono ampiamente passivi nella letteratura etica (le voci degli studenti essenzialmente assenti) e chiede di integrare l'etica nella progettazione dell'AIED e una maggiore attenzione alla dimensione educativa (pedagogica) dell'etica dell'AIED.

Temi emergenti e trasversali

Diversi temi attraversano il campo:

• Fiducia e uso critico: la fiducia, la calibrazione della fiducia, la sycophancy dell'IA, il pensiero critico, il cognitive offloading, la pedagogia critica e la riduzione dell'uso improprio dell'IA (si veda anche il modo in cui l'uso dell'IA è inquadrato per gli studenti). Il modo in cui discenti e insegnanti decidono di adottare l'IA e di farvi affidamento è modellato dalla ricerca sull'accettazione della tecnologia, mentre gli studi sul Sud globale mettono in primo piano equità e contesto culturale nell'adozione. Empiricamente, il modo in cui l'IA si spiega dà forma a questa fiducia: Feldman-Maggor et al. (2025) hanno mostrato che l'IA spiegabile costruisce la fiducia degli insegnanti nelle raccomandazioni dell'IA attraverso la comprensibilità, con spiegazioni guidate dal dominio (nel linguaggio curricolare) ritenute affidabili e accettate più dell'output data-driven sull'importanza delle feature.
• L'evoluzione del campo: la knowledge base ripercorre l'IA in educazione dai primi sistemi di tutoraggio intelligente e dal knowledge tracing al tutoraggio guidato dagli LLM, agli agenti e all'IA agentica — uno spostamento rapido da studi tool-centric a framework sociotecnici (design thinking, progettazione curricolare, cambiamento istituzionale), e da sistemi scritti a mano a flussi di lavoro guidati dall'utente in cui un discente o un non programmatore specifica il comportamento in linguaggio naturale (vibe coding). Rismanchian & Doroudi formalizzano questa traiettoria con il loro framework AI×Ed, ripercorrendo gli articoli attraverso quattro decenni di atti di convegno per mostrare che il campo si è mosso da un mix diversificato — inclusa una ricerca sostanziosa che trattava l'IA come analogia dell'intelligenza e dell'apprendimento umani — verso un focus quasi esclusivo su usi applicati, data-driven e rivolti ai ricercatori, una svolta che l'ascesa degli LLM sembra ora in parte invertire (tre dei quattro articoli "IA-come-analogia" ad AIED 2024 erano basati su LLM).
• Emozione, ansia e futuri di carriera: l'IA induce e dà forma a risposte emotive — l'ansia e lo stress da IA che abbracciano la sorveglianza degli esami, le paure sull'integrità e lo spiazzamento di carriera — mentre lo sviluppo di carriera e la preparazione riguardano come l'educazione prepari i discenti a un mercato del lavoro sconvolto dall'IA (si veda anche il benessere).

Maturità del campo

La knowledge base riflette un campo in rapida evoluzione — dai primi sistemi di tutoraggio intelligente al tutoraggio guidato dagli LLM e all'IA agentica; dagli strumenti di integrità accademica focalizzati sul rilevamento alla riprogettazione della valutazione; da studi tool-centric a framework sociotecnici e focalizzati sull'equità. La base di evidenze enfatizza sempre più metodi di ricerca rigorosi, valutazione, disegni sperimentali ed esiti di lungo periodo.

Collegamenti

L'IA in educazione si collega a ogni concetto della knowledge base — è il campo che tutte le altre pagine di concetto definiscono collettivamente. Usa questa pagina come punto di partenza per navigare l'intera knowledge base.

Concetti collegati

• Pattern pedagogici — The tested sequences that operationalize the field's pedagogies
• Alfabetizzazione sull'IA — umbrella: understanding, using, and evaluating AI
• Collaborazione tra esseri umani e IA — umbrella: how people and AI work together
• Pedagogie e strategie didattiche — umbrella: teaching methods and strategies
• Teorie dell'apprendimento — umbrella: how learning happens
• Tecnologie — umbrella: models, techniques, and systems
• L'AIEd nelle discipline — umbrella: AI across subject areas and levels
• Valutazione — umbrella: how AI assesses learners and reshapes validity
• Feedback — umbrella: how feedback is generated, delivered, and used
• Portatori di interesse — umbrella: who the actors are
• Studenti — umbrella: the learner-side concepts (experience, identity, agency, interaction, learner models)
• Valutazione dell'IA in educazione — umbrella: how we know whether AI works
• Metodi di ricerca nell'AIED — umbrella: efficacy research methods
• Ricerca educativa assistita dall'IA — AI-Assisted Educational Research
• Governance dell'IA — umbrella: the institutional and regulatory layer
• Politica sull'IA nell'istruzione — umbrella: policy, guidance, and implementation
• Equità — umbrella: fairness, access, and inclusion
• Scienze dell'apprendimento — the empirical field behind AIED
• Etica — the ethical dimensions of AI in education
• Fraintendimenti sull'IA — the mental models people bring to AI
• Interpretare e applicare la ricerca AIEd — reading a study, and carrying a finding into practice
• Limiti nella ricerca AIEd — cross-cutting limits of the evidence base
• Meta-analisi e revisione sistematica — what the reviews and meta-analyses establish
• Storia dell'IA nell'educazione — how the field evolved
• Filosofia dell'IA nell'educazione — the philosophical foundations
• Teorie e quadri di riferimento — the map of theory and framework nodes
• Sviluppo della teoria nell'IA nell'educazione — building and revising theory

Articoli collegati

Revisioni di campo sull'IA in educazione — gli studi che esaminano l'intero campo o un intero livello educativo anziché un singolo argomento:

• The Evolution of Research on AI and Education Across Four Decades: Insights from the AIxEd Framework — The evolution of AI-and-education research across four decades (AIxEd framework)
• Control vs. Agency: Exploring the History of AI in Education — Control vs. agency: a history of AI in education
• Generative AI in Higher Education: A Systematic Review of Opportunities, Challenges, and Pedagogical Innovations (2022–2025) — Generative AI in higher education: systematic review of 125 studies
• The Evidence Base on AI in K-12: A 2026 Review — The evidence base on AI in K-12: a review of 818 papers
• Generative AI technologies and educational outcomes: a comprehensive meta-analysis comparing traditional and AI-driven approaches — Generative AI and educational outcomes: comprehensive meta-analysis