Educazione artistica, al design e ai media

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

Educazione artistica, al design e ai media — le discipline basate sullo studio e sulla performance in cui l'apprendimento avviene attraverso il fare: architettura e design spaziale, interior design, esecuzione musicale, composizione e analisi, arte visiva e generazione di immagini, media digitali e narrazione digitale, e tecnologia per il palcoscenico e la performance. Attraverso gli articoli di questa knowledge base le domande ricorrenti sono se l'IA generativa eroda il mestiere e lo sviluppo delle abilità o lo porti a un livello superiore, come cambino la critica e la valutazione del lavoro creativo quando un manufatto rifinito è economico da produrre, quanto di ciascuna disciplina poggi sulla pratica incarnata e materiale, e chi sia incluso quando gli strumenti creativi diventano generativi. La copertura è concentrata nell'istruzione superiore e in studi su singolo studio o singolo corso, quindi la maggior parte dei risultati sotto riportati sono evidenza di caso anziché affermazioni valide per l'intera disciplina.

Domande da considerare

• In uno studio architettonico, i team che usavano una pipeline GenAI-più-XR hanno riportato una confidenza inferiore nella propria capacità di design in seguito, e valutatori in cieco hanno valutato le loro presentazioni non meglio di quelle di un gruppo di controllo. Che cosa ti servirebbe sapere prima di concludere che gli strumenti abbiano danneggiato l'apprendimento — e che cosa ti farebbe concluderlo comunque?
• L'insegnamento in studio è sempre girato sulla critica e sul processo visibile: schizzi, modelli, iterazioni successive. Se uno studente può produrre un'immagine dall'aspetto finito in un minuto, che cosa dovrebbe esaminare realmente la critica?
• In un capstone di narrazione digitale basato sul progetto, le idee degli studenti sono state valutate più originali di quanto i loro lavori finiti fossero coerenti. Dove si trova realmente l'apprendimento difficile — nel generare idee, o nell'integrarle?
• Una revisione sull'educazione musicale distingue generatori autonomi come Suno e Udio da assistenti di composizione interattivi come il Continuator, e sostiene che solo il secondo è educativo-produttivo. Sei d'accordo, e qual è il tuo criterio per la distinzione?
• I designer in Malaysia sono descritti come in transizione da generatori primari di forma a curatori critici dell'output delle macchine. Se quella è la destinazione, che cosa dovrebbe insegnare per primo un corso di design del primo anno?
• Gli strumentisti ad arco ciechi e ipovedenti apprendono l'archeggio attraverso il tatto e la propriocezione perché la dimostrazione visiva non è disponibile per loro. Che cosa implica questo per i sistemi di feedback nelle arti che tendono per default a uno schermo?

Introduzione

Ciò che queste discipline condividono è lo studio o la sala di prove come sito dell'apprendimento, con un manufatto realizzato e il processo dietro di esso come oggetto della valutazione. L'IA entra in diverse forme: un generatore di immagini nello studio di architettura e interior design, uno strumento di composizione e analisi in musica, un partner spaziale dentro ambienti immersivi, un valutatore automatizzato di analisi scritta, e — nell'illuminazione di scena — un aiuto rivolto al docente che trasforma l'intento didattico parlato in dimostrazioni eseguibili. Le sezioni sottostanti tracciano ciò che gli studi riportano, poi estraggono le domande trasversali di mestiere, valutazione e accesso.

Questa pagina è la casa disciplinare per le materie di studio e arti performative, ed è più stretta dei suoi vicini. AIED specifica per disciplina sostiene l'argomentazione generale che la ricerca sull'IA in educazione debba essere consapevole del dominio in tutte le materie; questa pagina riguarda ciò che è specifico del fare. La creatività copre il costrutto cognitivo ovunque appaia — pensiero divergente, il rischio di omogeneizzazione dell'assistenza a modello singolo, proteggere l'atto generativo del discente — inclusa nella matematica e nel coding creativo; questa pagina copre le discipline in cui la produzione creativa è il curriculum. Il design thinking copre l'ideazione e la definizione del problema centrata sull'utente come pedagogia generale; questa pagina copre gli studi in cui quel processo è insegnato, supervisionato e giudicato. L'educazione umanistica e nelle scienze sociali tratta interpretazione, paternità d'autore e argomentazione nei campi centrati sul testo e elenca le arti tra le sue aree costituenti; qui le arti e i media sono sollevati da quel quadro interpretativo e centrati sulla pratica materiale, spaziale, sonora e performativa. L'educazione al design ricava la metà professionale dallo stesso territorio: questa pagina abbraccia le arti di studio e performative la cui caratteristica condivisa è il fare, mentre l'educazione al design segue la più stretta pipeline di formazione per designer di prodotto, servizio, interazione, interni e architetti — valutazione del portfolio, aspettative di accreditamento, occupabilità — e tratta il processo di studio dietro un manufatto anziché il manufatto stesso come oggetto della valutazione.

Pedagogia di studio e la critica sotto l'IA generativa

Gli strumenti generativi raggiungono queste discipline attraverso un rituale esistente: lavoro reso pubblico, mostrato incompleto, e criticato. Ciò che le fonti mostrano è che l'IA cambia la parte centrale di quel processo in modo più affidabile e le estremità meno. Nello studio GenARch, Xiao et al. (2026) hanno messo una pipeline GenAI più XR multi-utente in un vero studio di design architettonico universitario e hanno trovato una divisione del lavoro complementare: l'IA generativa esternalizzava le idee, dando ai team qualcosa di concreto su cui puntare, confrontare e discutere, mentre l'XR supportava la valutazione, lasciando che gli studenti giudicassero proporzione, adiacenza, illuminazione e contesto del sito a scala piena.

La strumentazione era scomoda a entrambe le estremità del processo. All'inizio, i team non avevano ancora idee da codificare in un prompt; più tardi, concetti più ricchi rendevano il prompting più facile ma aumentavano le aspettative di rispetto dei vincoli, e quando la precisione contava gli studenti tornavano a SketchUp e Revit. Hanno riportato un fallimento di fedeltà dimensionale — "Gli ho chiesto di fare un muro di modello 3D di 10 piedi, non erano 10 piedi" — latenza degli asset da secondi a minuti, e attenzione condivisa che si disperdeva quando i membri del team guardavano parti diverse di un modello. Dare a ogni partecipante un visore non produceva di per sé una collaborazione coordinata.

Le accountability dello studio si sono spostate. In uno studio longitudinale dei modelli generativi negli studi di design, Gül et al. (2026) distinguono l'uso della GenAI come stimolo visivo nell'ideazione precoce da un uso combinatorio che espande lo spazio delle soluzioni durante lo sviluppo, e collocano il problema pedagogico nella competenza anziché nell'accesso: senza il discernimento per differenziare tra i modelli e usarli deliberatamente, l'output abbondante produce fissazione sul design e lock-in estetico. La loro conclusione sposta il ruolo del docente dal trasmettere il mestiere verso il coaching su quando, come e perché delegare l'esplorazione creativa.

Architettura, design spaziale e interior design

Uno studio con focus group a Derby dà allo studio un risultato più favorevole. Kapsalis (2026) ha fatto passare due gruppi di otto studenti di architettura di Livello 3–5 attraverso una sessione di 90 minuti con un flusso di lavoro di generazione e modifica di immagini eseguito localmente, ottimizzato per interni residenziali. Gli studenti producevano circa 80 immagini per sessione, circa dieci ciascuno, con tassi di accettazione sopra il 60%. La generazione di idee auto-riferita (4,5) e la sperimentazione (4,2) ottenevano i punteggi più alti sulla sottoscala creativa, mentre il raffinamento delle decisioni finali (3,7) era meno uniformemente supportato — alcuni studenti trovavano che lo strumento portava in superficie combinazioni non considerate, altri che distraeva con dettagli che non si adattavano al concetto. L'autore inquadra questo come un "micromondo" costruttivista che espande lo spazio di ricerca creativa senza sostituire il design thinking, e nota evidenza da sondaggio che quasi il 70% degli studenti di architettura usa già strumenti di IA in modo indipendente mentre oltre il 95% riporta nessuna educazione all'IA formale.

L'interior design solleva la questione della formazione professionale in modo più acuto. Syed Abdul Rahman (2026) descrive i designer malesi in transizione da generatori primari di forma verso mediatori critici e curatori dell'output delle macchine, con le piattaforme di visualizzazione che comprimono le tempistiche e ampliano la gamma di opzioni producibili entro un budget. Citando lavori empirici sulla preferenza del cliente (Lan et al., 2025), l'articolo nota che l'output dell'IA è valutato molto per unicità quando predominano criteri estetici, ma che i designer umani conservano un chiaro vantaggio quando sono enfatizzati requisiti funzionali, ergonomici e contestuali — e che i design generati spesso mancano di specificità culturale, reattività climatica e costruibilità affidabile in un mercato che negozia condizioni tropicali, vita multi-generazionale e principi spaziali islamici. La sua raccomandazione curriculare è la sequenziazione anziché la sostituzione: insegnare CAD/BIM, conoscenza delle costruzioni e fattori umani prima dell'esplorazione generativa, e valutare il pensiero critico e la riflessione etica accanto alla qualità visiva.

Musica e arti performative

La musica è trattata qui come l'arte più esposta al cambiamento economico iniziato prima dell'IA generativa. Briot (2026) sostiene che la smaterializzazione ha fatto collassare il valore per unità della musica registrata di circa due ordini di grandezza ben prima che i modelli generativi fossero commercialmente rilevanti, che le remunerazioni per streaming restano dell'ordine di \$0,003–\\$0,005, e che l'IA generativa prolunga un modello di valore già rotto anziché crearlo. La sua distinzione che conta per l'insegnamento contrappone generatori autonomi come Suno e Udio — pezzi completi e stilisticamente coerenti da un prompt di testo, con struttura opaca e incontrollabile — ad assistenti di composizione interattivi come FlowComposer e il Continuator, dove il musicista impone vincoli e conserva l'intenzionalità e il Continuator apprende lo stile di un esecutore in tempo reale come partner improvvisativo. Solo quel secondo tipo, sostiene, è educativo-produttivo, perché il primo posiziona gli studenti come consumatori dell'output delle macchine. Il curriculum raccomandato rende la produzione e la fluenza nella DAW competenze centrali e difende la performance d'insieme come la dimensione incarnata e sociale più resistente alla sostituzione.

La valutazione in musica è spinta verso l'automazione, con limiti da notare. Lin, Jin e Min (2026) hanno messo a benchmark GPT-4o-mini contro i punteggi medi dei docenti su 300 risposte di analisi musicale a livello universitario attraverso Armonia, Forma, Ragionamento e Terminologia, trovando che il prompting chain-of-thought few-shot concordava più fortemente con le medie dei docenti e che l'augmentazione con retrieval sovra-valutava sistematicamente; la concordanza era anche più debole sulla Terminologia che sul Ragionamento, quindi gli autori sostengono una calibrazione specifica per strategia, la validazione a livello di dimensione e la continua supervisione umana.

La pedagogia vocale fornisce l'affermazione più chiara del problema misurazione-contro-valore. Li (2026) sostiene che l'insegnamento vocale assistito dall'IA non dovrebbe essere giudicato da quanto misura con precisione intonazione, stabilità, vibrato e tempistica, perché la stessa deviazione misurata può indicare imprecisione tecnica, inflessione espressiva o un artefatto di registrazione, e perché gli output misurabili non rappresentano la coordinazione incarnata di un discente. Il framework separa l'evidenza che l'IA rende visibile, i processi di apprendimento umani che la interpretano (consapevolezza corporea, monitoraggio metacognitivo, pratica autoregolata, motivazione), e gli esiti che seguono, giudicati da efficacia, equità e sostenibilità. L'insegnamento strumentale per musicisti disabili porta il punto sull'incarnazione oltre: Shi et al. (2026) hanno lavorato con quattro musicisti ad arco ciechi e ipovedenti avanzati e tre docenti, trovando che la tecnica ad arco è convenzionalmente insegnata tramite dimostrazione visiva — non disponibile per questi discenti — e che gli indizi tattili e cinestetici vi si sostituiscono. L'istruzione inclusiva, secondo loro, dovrebbe essere costruita con i discenti disabili anziché retro-adattata per loro.

La tecnologia per il palcoscenico e la performance è dove l'istruzione assistita dall'IA è stata progettata e valutata più concretamente. Liang et al. (2026) hanno costruito LumiNote, un sistema VR assistito da LLM che trasforma l'intento parlato di un docente, ancorato da un puntatore laser, in annotazioni spaziali revisionabili, dimostrazioni di illuminazione eseguibili e spiegazioni di gergo. Attraverso 55 prompt di docenti e 531 coppie di azioni generate, 380 (71,6%) erano applicate; gli effetti visivi formavano la più grande categoria di prompt (27 su 55) con alta adozione (212 azioni su 245, 86,5%), mentre le richieste specifiche per apparecchio si dimostravano più deboli — 26 rifiuti su 28 erano riconducibili a fraintendimenti di riferimento direzionale come "luce di sinistra." I docenti usavano i suggerimenti come processo di raffinamento, non come piano di lezione finito: su 147 suggerimenti rifiutati o modificati con seguito, 127 (86,4%) innescavano un nuovo prompt e solo uno una regolazione manuale diretta. Il loro carico di lavoro cadeva (NASA-TLX da 3,50 a 2,22) e le sessioni si accorciavano (da 19 minuti 34 secondi a 12 minuti 33 secondi) mentre lo sforzo si spostava dalla configurazione di basso livello verso l'espressione. La scoperta più netta è un disallineamento di rappresentazione: gli indizi che i docenti valutavano più utili per esternalizzare il ragionamento esperto non erano quelli che 24 discenti potevano seguire, che preferivano un puntatore laser (M = 5,50) e l'etichettatura della console con valori (M = 5,33) rispetto alle frecce spaziali e un avatar (entrambi M = 4,58), sebbene le misure di esito degli studenti non mostrassero differenze significative.

Arti visive, generazione di immagini e media digitali

Gli strumenti testo-immagine sono il caso in cui il flusso di lavoro iterativo dello studio è più direttamente in gioco, e l'evidenza non è una storia semplice di guadagno o perdita. Liu, Meng e Zhang (2026) hanno intervistato 417 studenti di arte e design accanto a focus group e interviste con docenti, trovando che l'aspettativa di performance, l'influenza sociale, il valore di novità e la competenza creativa predicevano tutti positivamente l'intenzione di usare strumenti testo-immagine, mentre l'aspettativa di sforzo e le condizioni facilitanti predicevano negativamente — che essi leggono come uso orientato alla scorciatoia nei corsi dove la facilità e la disponibilità abilitano output rapido anziché impegno sostenuto. Il loro paradosso della competenza è il risultato notevole: la competenza creativa supporta l'intenzione ma predice anche un uso reale più selettivo e contenuto, mentre gli studenti soppesano paternità d'autore, originalità e preservazione delle abilità contro l'efficienza. Sostengono una pedagogia che affronti l'alfabetizzazione sull'IA attorno al processo creativo, alla creazione di prompt e alla valutazione dell'output, con il processo di studio e lo sforzo come oggetto valutato.

La produzione di media digitali mostra ciò che un processo strutturato può fare. Tian et al. (2026) hanno studiato un capstone di narrazione digitale basato sul progetto di 15 settimane, "Creative Shanzhou," in cui 426 studenti universitari dell'ultimo anno, guidati da 48 mentori a un rapporto di circa 1:9, traducevano il patrimonio culturale locale in narrazioni multimodali. Le valutazioni degli esperti dei 92 lavori risultanti erano più forti sulla novità (M = 4,21, SD = 0,72), seguite dall'efficacia (3,96) e dalla completezza (3,68), con il 43% dei progetti che ottenevano sotto 3,5 sulla completezza — gli studenti generavano idee originali più facilmente di quanto le integrassero. In un sottogruppo di Animazione di 31 studenti, i punteggi di pensiero creativo figurale salivano da 77,23 a 94,68 (differenza media 17,45, t(30) = 4,55, p < .001, d di Cohen = 0,82). Attraverso i progetti analizzati l'IA serviva da organizzatore di informazioni, riferimento visivo, aiuto all'ideazione e strumento di modifica, mentre gli studenti conservavano la selezione dell'argomento, l'interpretazione narrativa, la costruzione di significato culturale e le decisioni finali; l'esempio a punteggio più alto attribuiva la sua coerenza all'impegno umano sostenuto con il materiale di partenza anziché alla rifinitura dell'IA. Il progetto si concludeva in una mostra pubblica di tre giorni, e 31 lavori erano ripresi dall'Ufficio Culturale e Turistico locale.

Gli ambienti immersivi forniscono il contro-caso più favorevole nel design vocazionale. Jin et al. (2027) hanno implementato AI-IVE-PBL — apprendimento basato sul progetto dentro un ambiente virtuale immersivo abilitato dall'IA con un assistente docente agentico — in un corso di interior design vocazionale del primo anno, come un ciclo a cinque fasi di scoperta, visione, modellazione, comunicazione e raffinamento. In un quasi-esperimento a due gruppi di 12 settimane (63 risposte valide, 31 contro 32), la condizione immersiva-più-agente otteneva punteggi più alti sulla capacità di design (η²p = .138) e sulla capacità creativa (η²p = .111) sotto ANCOVA con il pre-test come covariata, e alzava l'impegno cognitivo (d = 0,90) e comportamentale (d = 0,75), la motivazione (d = 0,74) e la soddisfazione (d = 0,69) abbassando al contempo il carico cognitivo riportato (d = −0,52). Il pensiero innovativo e l'impegno affettivo si muovevano nella direzione attesa senza raggiungere significatività. Tutti gli esiti erano auto-riferiti, senza manufatti di performance o valutazioni di esperti, che è perché gli autori contrastano il loro risultato con lo studio di studio architettonico sopra riportato.

Mestiere, abilità e la valutazione del lavoro creativo

La domanda sul mestiere appare in diverse forme, e le fonti dissentono su quanto preoccuparsi. Kapsalis (2026) riporta un meccanismo di livellamento a livello di ingresso: gli studenti che si descrivevano deboli nel disegno trovavano che lo strumento apriva l'accesso all'espressione visiva senza rimuovere il bisogno di giudizio. Contro questo, Syed Abdul Rahman (2026) avverte che l'adozione acritica rischia laureati senza ragionamento spaziale fondamentale, conoscenza dei materiali o valutazione critica indipendente, e nomina la prevenzione della dequalificazione tra i professionisti di inizio carriera come preoccupazione regolatoria centrale. Il dissenso è in parte sulla sequenziazione: entrambi favoriscono le fondamenta tecniche prima dell'esplorazione generativa.

Ciò che è coerente è un riposizionamento di ciò che viene valutato. Lo studio di Derby misurava la confidenza procedurale in sessione a 3,7 su 5 ma la confidenza nel trasferire quelle abilità oltre lo studio a solo 2,6 — un divario che il suo autore attribuisce all'esposizione da sessione singola e chiama problema a livello curriculare. L'analisi della Malaysia raccomanda progetti di studio che richiedano una valutazione comparativa dell'IA e dei percorsi di design non-IA, più criteri che ricompensino il pensiero critico accanto alla qualità visiva. I risultati di scoring automatizzato della musica puntano allo stesso modo: la concordanza con le medie dei docenti era specifica per dimensione, e gli autori insistono sulla supervisione umana anziché sulla delega completa. Li (2026) aggiunge che trattare l'output misurato come valore educativo in sé restringe l'addestramento vocale a correzione dell'output e ottimizzazione del punteggio. La proposta convergente è che la valutazione creativa continui a esaminare processo, iterazione e decisioni giustificate precisamente perché il manufatto finito non le evidenzia più.

Accesso e inclusione nell'apprendimento delle arti

L'accessibilità nelle arti è trattata meno come conformità che come domanda di design e di pratica materiale. Shi et al. (2026) è il caso più chiaro: poiché la tecnica ad arco è normalmente insegnata tramite dimostrazione visiva, i musicisti ciechi e ipovedenti dipendono da canali tattili e cinestetici, e la co-design guidata dalla disabilità dello studio produceva strategie radicate nella pratica propria di quei musicisti anziché adattamenti avvitati su un default visivo.

Due altri risultati complicano qualsiasi storia semplice degli strumenti generativi come equalizzatore. Nello studio di Derby circa un terzo dei partecipanti dichiarava una disabilità e quasi un quinto riportava una difficoltà di apprendimento specifica; gli item di inclusività si raggruppavano a 3,8–4,1 e correlavano fortemente con il sentire la sessione avvicinabile (ρ = .74) e con il tenere il passo indipendentemente dall'uso precedente dell'IA (ρ = .81), e gli studenti meno confidenti nel disegno riportavano di non sentirsi svantaggiati — un modesto effetto equalizzante in una singola sessione di 90 minuti, non apprendimento dimostrato. Il divario di rappresentazione di LumiNote mostra l'altro lato: gli indizi che aiutano gli esperti a esternalizzare il loro ragionamento non sono gli indizi che i novizi possono seguire, quindi un design che serve bene il docente può lasciare i discenti alla deriva, e gli autori posizionano l'LLM come uno strato di mediazione che deve tradurre tra i due. Lo studio GenARch registra una correlata decisione di equità: dopo la raccolta dati le tecnologie erano rilasciate agli studenti di controllo così che non erano loro sottratte. Di chi i modelli generativi riproducano i riferimenti estetici e culturali, e se un accesso più ampio ai servizi di design espanda la domanda o intensifichi la competizione nel mercato medio, sono sollevati nell'analisi della Malaysia e restano aperti.

Concetti collegati

• Creatività
• Pensiero progettuale (Design Thinking)
• IA generativa
• Apprendimento basato sui progetti
• Apprendimento Incarnato
• Valutazione autentica
• Alfabetizzazione sull'IA
• Equità
• Realtà virtuale e aumentata
• L'AIEd nelle discipline
• Educazione al design

Articoli collegati

• Generative AI and Extended Reality in Collaborative Architectural Design Education: An Exploratory Studio Study — GenAI più XR multi-utente in un vero studio architettonico: ruoli complementari, auto-efficacia di design in declino, nessun vantaggio di portfolio (Xiao et al. 2026)
• Gen-AI-tecture: using generative AI to support architectural students in design tasks — Un flusso di lavoro di immagini eseguito localmente e specifico per disciplina in uno studio di architettura: spazio di ricerca creativa più ampio e ansia da critica ridotta (Kapsalis 2026)
• Development and applications of Generative AI in architectural design studios — Studio longitudinale e la piattaforma GAI-A: la GenAI come stimolo ed espansione dello spazio delle soluzioni, con la fissazione sul design come rischio (Gül et al. 2026)
• Artificial Intelligence as Catalyst and Contested Terrain: Transforming Interior Design Practice, Pedagogy, and Professional Regulation in Malaysia — Designer di interni come curatori dell'output delle macchine, e che cosa dovrebbero farne curriculum e regolazione professionale (Syed Abdul Rahman 2026)
• Cultivating Design Creativity of Vocational Students: A Model of Project-Based Learning in AI-Enabled Immersive Virtual Environments — Apprendimento basato sul progetto dentro un ambiente immersivo abilitato dall'IA nell'interior design vocazionale (Jin et al. 2027)
• In the AI era: A project-based digital storytelling framework for art and design education — Un capstone di narrazione digitale di 15 settimane con 426 studenti: novità forte, integrazione debole, l'IA come strumento non autore (Tian et al. 2026)
• The Competence Paradox: Negotiating Ease, Risk, and Creative Identity in Text-to-Image Generative AI Use Among Art and Design Students — Accettazione del testo-immagine tra 417 studenti di arte e design, e il paradosso della competenza dell'uso selettivo (Liu, Meng & Zhang 2026)
• Challenges for Musical Education in the Age of AI and Digital Transformation — Economia dello streaming, generatori autonomi contro assistenti di composizione, e ripensare il curriculum musicale (Briot 2026)
• Comparative Validation of GPT-4o-mini and Teacher Mean Scores for Automated Scoring of Music Analysis Responses: Single-Pass Deployment, Repeatability, and Strategy-Specific Bias — Mettere a benchmark GPT-4o-mini contro le medie dei docenti su 300 risposte di analisi musicale (Lin, Jin & Min 2026)
• Beyond Output Metrics: Reframing AI-Assisted Vocal Pedagogy Through Human Learning and Educational Value — Perché la precisione della misurazione non è valore educativo nell'insegnamento vocale assistito dall'IA (Li 2026)
• Designing for What Cannot Be Seen: Supporting Embodied String Learning for Musicians with Blindness and Low-Vision — Design guidato dalla disabilità dell'istruzione ad arco tattile e cinestetica per musicisti ciechi e ipovedenti (Shi et al. 2026)
• LumiNote: LLM-Assisted Multimodal Instruction for VR Stage Lighting Education — Istruzione VR assistita da LLM per l'illuminazione di scena, e il divario tra rappresentazioni esperte e da novizio (Liang et al. 2026)