Politica sull'IA nell'istruzione

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

Politica sull'IA nell'istruzione — le regole formali e informali che governano l'uso dell'IA nelle istituzioni educative, dalla legislazione nazionale alle linee guida in classe. La ricerca sulla politica nella base di conoscenza abbraccia la governance istituzionale, i mandati curricolari e i requisiti di preparazione degli insegnanti.

Domande da considerare

• Le politiche istituzionali sull'IA sono spesso scritte come se dire alle persone le regole cambiasse ciò che esse fanno. La ricerca suggerisce che queste politiche possono restare molto indietro rispetto all'uso effettivo dell'IA. Perché pensi che una politica "sulla carta" così spesso non corrisponda a ciò che accade nelle classi?
• Se l'esternalizzazione dei compiti a casa provoca perdite di apprendimento che passano in gran parte inosservate — perché nessun singolo insegnante collega il declino di uno studente all'uso dell'IA — che tipo di politica sarebbe comunque possibile? Come si presenterebbe il monitoraggio?
• Decisioni di politica sulla valutazione come gli esami orali, le prove sorvegliate e i formati a libro chiuso sono esse stesse risposte all'imbroglio abilitato dall'IA. Pensi che sorvegliare l'"output" (cogliere l'uso dell'IA) sia una strategia migliore che riprogettare la valutazione in modo che il lavoro stesso sia più difficile da esternalizzare?
• La politica sull'IA nell'istruzione abbraccia legislazione nazionale, indicazioni governative, regole istituzionali e scelte a livello di classe. Quale di questi livelli pensi che plasmi maggiormente il comportamento di studenti e insegnanti — e perché?
• Le voci di chi tendono a plasmare la politica sull'IA — e le voci di chi mancano? Chi dovrebbe essere al tavolo quando un'istituzione decide quale uso dell'IA è consentito e come è governato?

Introduzione

Livelli di politica

• Politica istituzionale: l'analisi della politica istituzionale confronta come le università sviluppano le politiche sull'IA. I quadri di cambiamento istituzionale forniscono modelli per lo sviluppo della politica. Qian (2026) ha codificato le pagine principali sull'IA delle 50 università statunitensi classificate più innovative nel 2025 e ha rilevato che solo 6 le inquadravano come una "politica" mentre 44 pubblicavano orientamento, linee guida, principi o hub di risorse, e che 33 su 50 posizionavano gli insegnanti come traduttori primari delle aspettative istituzionali in regole di corso — la politica istituzionale viene deliberatamente scritta come orientamento adattabile a un'interpretazione a livello di corso piuttosto che come regola fissa.
• Politica governativa: e la politica sull'apprendimento permanente esaminano approcci regolatori a livello nazionale e regionale. Una visione critica, a livello infrastrutturale, dell'IA nel processo decisionale governativo è Perrotta (2026), la cui analisi del prototipo LLM del servizio civile britannico Redbox mostra come l'IA di uso generale entri nel repertorio professionale della politica attraverso la "governance zero-shot" — modelli di fondazione agnostici al dominio che intervengono nelle decisioni, avvolti in sottili impalcature specifiche di dominio scaffolding.
• Politica sul K-12: le rassegne delle evidenze di Stanford su 818 articoli informano la politica sull'IA nel K-12.
• Politica sulla valutazione: le politiche di riforma della valutazione e i quadri di valutazione autentica rappresentano risposte a livello di politica all'imbroglio abilitato dall'IA. La scelta del formato di valutazione sommativa — orale, sorvegliato, a libro chiuso — è essa stessa una decisione di politica sulla valutazione (si veda Valutazione sommativa).

Divario di maturità della politica

La base di conoscenza documenta che le politiche istituzionali sull'IA restano indietro rispetto all'uso effettivo dell'IA. I programmi di Sviluppo educativo professionale, i quadri di Competenza in IA dei docenti e la regolamentazione richiedono tutti fondamenta politiche coerenti. L'evidenza sul campo su larga scala (Strömberg, Lei & Wu 2026) mostra che le perdite di apprendimento dovute all'esternalizzazione dei compiti passano in gran parte inosservate perché i singoli insegnanti di materia e gli studenti raramente collegano il declino all'uso dell'IA — un divario che una politica informata dalle evidenze (ad es. pesare la valutazione a libro chiuso, informare gli studenti dei costi di lungo periodo, monitorare gli input piuttosto che gli output) può affrontare.

Laddove si è formato un consenso per colmare quel divario, lo studio Delphi di Crompton et al. (2026) con 35 esperti su 22 paesi è converguto su otto aree di governance — con l'integrità accademica come àncora centrale — più un meccanismo di revisione in sei parti (comitato GenAI permanente, revisioni programmate della politica, sviluppo professionale, comunicazione, valutazione dell'impatto, monitoraggio) per mantenere le politiche aggiornate.

La prontezza nazionale sull'IA non predice la solidità della politica istituzionale. Adarkwah et al. (2026) hanno valutato 26 università di dieci paesi ad alto AIPI rispetto al quadro GenAI a otto componenti dell'UNESCO e hanno rilevato che le istituzioni nordiche e neozelandesi lo coprivano più pienamente dei pari con ranking più alto, mentre inclusione, equità e sostenibilità erano gli elementi più trascurati.

I documenti consultivi superano la politica vincolante. Un censimento di ogni programma accreditato in un campo professionale mostra che il divario di maturità è di forma oltre che di tempistica. Eldredge et al. (2026) hanno raccolto documenti di politica e di orientamento sull'IA da tutti i 48 programmi magistrali statunitensi di informatica sanitaria e gestione dell'informazione sanitaria accreditati CAHIIM e hanno rilevato che 40 (83%) ne avevano almeno uno pubblicamente disponibile mentre 8 non ne avevano nessuno, ma che i documenti erano per lo più orientamento anziché regole vincolanti: 21 linee guida (53%) contro 7 politiche formali (18%). Il loro contenuto si incentrava sull'integrità accademica e sull'uso accettabile, con privacy, proprietà intellettuale e concetti regolatori (HIPAA, FERPA, conformità alla ricerca) che comparivano molto meno spesso, e la modellazione per argomenti restituiva la stessa enfasi sulla condotta studentesca. Né il tipo di documento né il pubblico previsto variavano in base alla modalità di erogazione (test esatto di Fisher P = ,85 e P = ,71). Gli autori leggono questo come evidenza che la politica dei programmi accademici è un'attività distinta dalla progettazione curricolare e dallo sviluppo delle competenze per il mondo del lavoro, e sostengono che gli organismi di accreditamento potrebbero ridurre la variazione che ne deriva fornendo quadri di politica sull'IA che integrino integrità accademica, etica dei dati e accesso equo.

Una revisione sistematica britannica aggiunge un livello settoriale allo stesso divario: gli investimenti infrastrutturali e la formazione del personale sull'IA si concentrano nelle università a intensità di ricerca (Russell Group) mentre le istituzioni a vocazione didattica (post-92) fronteggiano vincoli di capacità, e solo una minoranza delle istituzioni britanniche mantiene piani ufficiali di governance dell'IA (Ashiq (2026)).

Un settore che fa politica senza una base di evidenze. Il divario di maturità si presenta anche come problema di evidenze nei programmi professionali. Gutowski and Hurley (2025) hanno valutato le politiche istituzionali delle facoltà di giurisprudenza statunitensi approvate dall'ABA su cinque dimensioni — proibitivismo, permissività, integrazione educativa, trasparenza e responsabilità, e profondità — e hanno rilevato che la maggior parte delle scuole assumeva posizioni generalmente proibitive riservando al contempo discrezione ai singoli insegnanti e impegnandosi a rivedere le regole man mano che la tecnologia si evolve. Attribuiscono la cautela alla pressione del tempo piuttosto che alle evidenze: l'indagine dell'ABA del 2024 ha ottenuto risposte da solo circa il 15% delle scuole accreditate, e gli autori non riportano alcun consenso sul fatto che l'uso dell'IA debba essere rivelato o su come debba essere citato. La loro conclusione è procedurale — costruire la politica con il corpo docente anziché per esso, formare in modo proattivo, e trattare la generazione della politica come un evento ricorrente anziché un atto una tantum — il che rende la Formazione giuridica uno dei casi più chiari della distinzione tra politica e governance che questa pagina traccia.

Gli insegnanti regolano; le istituzioni per lo più no. Il divario di maturità ha un secondo volto, visibile dal lato dell'insegnamento. Watson and Rainie (2026) hanno intervistato 1.057 membri del corpo docente di college e università statunitensi e hanno rilevato che le regole sono state scritte molto più rapidamente al di sotto dell'istituzione che in essa: l'87% degli intervistati aveva creato politiche proprie a livello di singolo incarico per l'uso dell'IA da parte degli studenti, contro il 35% che dichiarava che il proprio dipartimento aveva scritto linee guida e il 48% che dichiarava che lo aveva fatto la propria istituzione. La risposta strutturale dietro quei documenti è sottile — il 55% ha riportato un gruppo di lavoro o di supervisione, il 37% nuovi corsi incentrati sull'IA, il 17% una laurea magistrale o una laurea minore in IA, il 16% nuove cariche dirigenziali per l'IA, e solo il 13% di adozione dell'alfabetizzazione sull'IA come risultato di educazione generale — mentre il 68% dichiarava che le proprie istituzioni non avevano preparato il corpo docente a insegnare con gli strumenti. Poiché gli studenti incontrano il mosaico che ne risulta come un unico regime istituzionale, il ritrovamento è evidenza diretta della distinzione di questa pagina tra un documento di politica e la governance che lo rende coerente. (Gli autori descrivono il campione come non scientifico e non generalizzabile, quindi è meglio letto come le preoccupazioni espresse dal settore.) Quel divario documentato ha una conseguenza misurata dal lato degli studenti. Il disegno a due studi di Chen — 160 studenti d'arte in un esperimento su scenari e 425 intervistati (Chen, 2026) — ha rilevato che l'incoerenza percepita tra l'avvocatura della GAI da parte di un'università e le sue pratiche effettive di insegnamento, valutazione e supporto prediceva positivamente sia le valutazioni di ostacolo (β = 0,431) sia quelle di sfida (β = 0,496), che portavano effetti indiretti opposti sul coinvolgimento nel processo creativo (β = −0,060 attraverso l'ostacolo, p = 0,004; β = 0,217 attraverso la sfida, p < 0,001), cosicché un'unica politica non allineata può insieme sopprimere e sostenere il lavoro creativo degli studenti.

La regolazione a livello di compito è il pattern emergente. Un ampio studio longitudinale su oltre 31.000 programmi di corso (2021–2025) presso una grande università pubblica di ricerca (Chirikov 2026) mostra come gli insegnanti regolano effettivamente l'IA nella pratica: la regolazione esplicita dell'IA è cresciuta da quasi zero al 55% dei corsi entro l'autunno 2025, ma la direzione si è spostata dal restrittivo al permissivo, e gli insegnanti hanno sempre più differenziato per tipo di compito — limitando l'IA per la stesura e il ragionamento (compiti a rischio di spiazzamento) e consentendola per la revisione e la correzione di bozze e per il supporto allo studio (compiti di aumento). Anche l'inquadratura si è spostata dall'integrità accademica (dal 63% al 49% dei programmi) verso l'impatto sull'apprendimento (dall'1% al 29%). Questo pattern basato sui compiti — costruito sui meccanismi di economia del lavoro dello spiazzamento, dell'aumento e della reintegrazione dei compiti — offre un'alternativa più granulare alle politiche di adozione o divieto indiscriminati ed è un'àncora empirica diretta per la distinzione tra politica e governance sopra richiamata.

• Il lato degli studenti della regolazione a livello di compito. Con due delle tre valutazioni sotto un identico livello di uso aperto, il formato della valutazione decideva comunque per cosa gli studenti usavano la GenAI: gli usi per il feedback sono saliti dallo 0% in una presentazione con impalcature al 66,7% in un quiz a casa (Quince and Faulconer (2026)).

La progettazione della politica a livello di insegnante come esercizio di allineamento. La regolazione a livello di compito ha una controparte di progettazione al di sotto del programma del corso. Il caso di progettazione di McCorkle (2025) deriva gli usi consentiti e non consentiti della GenAI in un corso dalla domanda "cosa, specificamente, sto valutando?" — inventariando ogni compito in un progetto, mappando ciascun compito su un obiettivo di apprendimento, associandolo a una competenza lavorativa emergente della GenAI (Sviluppo di carriera e preparedness professionale), e poi decidendo quale preoccupazione abbia la precedenza: la necessità di valutare la performance dello studente o il valore di costruire la competenza. La politica che ne risulta differisce da compito a compito all'interno di un singolo progetto — la ricerca di argomenti e la selezione di immagini sono consentite, la composizione degli obiettivi di apprendimento e la progettazione delle slide no — con la motivazione scritta direttamente agli studenti. Il caso documenta anche perché i divieti indiscriminati falliscono nella pratica: gli studenti che non si considerano disonesti leggono un divieto come non applicabile a loro, e la politica diventa iniqua (Equità) quando le aspettative restano implicite. Essa integra i livelli di politica top-down sopra descritti mostrando come il contenuto di una politica possa essere generato dall'allineamento con la valutazione a livello di corso e di incarico.

Il divario confine–evidenza nella politica sulla valutazione. Un audit di 30 università sugli orientamenti pubblici per la valutazione GenAI (Yao 2026) rileva che le politiche istituzionali sono più brave a classificare l'uso dell'IA che a spiegare quale evidenza di apprendimento resti valida sotto ciascuna classe: il punteggio medio sul confine di delega (2,47/4) superava il punteggio medio sullo standard di evidenza (1,89/4), le salvaguardie erano sparse (2,75 su 8), e l'orientamento era più chiaro per la sostituzione dell'output finale. Il quadro della gestione cognitiva sostiene che le politiche devono rendere visibile la logica di certificazione — cosa gli studenti possono delegare, cosa devono comunque dimostrare, e come le istituzioni proteggono l'evidenza equa — piuttosto che limitarsi a monitorare l'uso dell'IA.

Linguaggio proibitivo troppo inclusivo e regole applicate male. L'ambito di applicazione di una regola è una decisione di politica con conseguenze che vanno oltre la conformità. Wright (2026) sostiene che i divieti indiscriminati scritti nell'istruzione superiore dal 2023 vietano l'"IA generativa" senza la precisione tecnica per separare la generazione di contenuti dalla conversione di formato basata sull'IA — il riconoscimento ottico dei caratteri, il riconoscimento del testo scritto a mano e la conversione da voce a testo sono tecnologie di tecnologie di riconoscimento che inferiscono ciò che uno studente ha già scritto piuttosto che produrre contenuti nuovi. In questa lettura, sanzionare l'uso della sola trascrizione è meglio caratterizzato come errata applicazione della politica che come cattiva condotta, e il costo dell'imprecisione ricade in modo diseguale: gli studenti esposti a rischi di equità e gli studenti con disabilità che dipendono da quegli strumenti si portano un rischio sproporzionato di falsi positivi, un'esposizione che le questioni legali e i rischi trattano come questione di adattamento ragionevole piuttosto che di integrità.

Un confine basato sullo scopo anziché su un elenco di strumenti. Li (2026) fornisce il contenuto di politica che il linguaggio proibitivo troppo inclusivo non ha: una linea tra supporto e sostituzione definita dalla funzione e dal costrutto di valutazione piuttosto che dalla denominazione degli strumenti, in virtù dell'argomento che gli elenchi di strumenti diventano obsoleti e incoraggiano la conformità per interfaccia. Il supporto consentito è un intervento di superficie che non aggiunge idee, né fonti, né un riordino materiale dell'analisi; la sostituzione è generare argomenti o contrargomenti, applicare regole disciplinari ai fatti, ristrutturare una sequenza analitica, o generare citazioni da includere. Il quadro è consegnato come tre strumenti — definizioni operative con test rapidi condivisi affinché due valutatori caratterizzino allo stesso modo la stessa condotta, modelli di rivelazione dell'uso dell'IA calibrati che vanno dal nulla per le funzioni incorporate a basso rischio a una dichiarazione di una riga per la revisione linguistica esterna e a circa 80–120 parole laddove la generazione limitata di idee sia espressamente autorizzata, e una rubrica decisionale che nomina i proxy deboli (linguaggio levigato o improvvisa scioltezza, formulazione non nativa, punteggi di singolo rilevatore) accanto ai tipi di evidenza che possono avere peso. Esso enuncia anche le condizioni alle quali regimi permissivi su larga scala come la Scala di Valutazione dell'IA restano praticabili: uso espressamente autorizzato per il compito specifico, costrutto ri-specificato affinché studenti e valutatori sappiano cosa è valutato, e rivelazione mantenuta fattibile.

Automazione per gradi con supervisione umana obbligatoria. Il test nazionale di accreditamento per la secondaria di primo grado Acredita EB dell'Uruguay offre un modello concreto di automazione che preserva la supervisione nella politica sulla valutazione: le sezioni a scelta multipla e le procedure esistenti restano immutate, l'IA è usata solo per la sezione di scrittura all'interno di uno stadio obbligatorio di calibrazione su 50–100 testi, e due regole di potatura decidono quali risultati richiedano la revisione di un esperto — i candidati che non possono passare nelle altre due sezioni non necessitano di alcuna revisione della scrittura, e i candidati Competenti in tutte e tre le sezioni passano con solo lo 0,2%/0,6% di rischio residuo osservato. Gli autori stimano che la progettazione potrebbe ridurre di almeno il 50% le risposte scritte che necessitano di una correzione umana completa, mantenendo il principio guida che nessuna decisione finale sugli esiti del test è presa senza un'appropriata supervisione umana. Questo integra il lavoro sul confine–evidenza sopra descritto mostrando una politica che specifica non solo dove l'IA è consentita ma quali evidenze e quali revisioni umane restano obbligatorie.

Il lato avversariale della correzione automatizzata. Una politica che instrada la correzione attraverso uno strumento di IA eredita una superficie di attacco. Humble (2026) ha sottoposto a red team un flusso di lavoro istituzionale di correzione nascondendo cinque iniezioni indirette di prompt nei file di un elaborato sintetico che Microsoft Copilot (GPT-5.2) aveva corretto come insufficiente in tutte e sei le esecuzioni di base. Due strategie hanno alzato il voto senza alcun avviso visibile all'utente — tassi di successo dell'attacco riportati del 100% (9 iterazioni su 9) e del 94% (17 su 18) — e lo strumento ha sia disattivato silenziosamente una chat dopo aver bloccato l'attacco più semplice sia, in un'iterazione, annunciato che avrebbe ignorato le istruzioni incorporate prima di alzare il voto nelle sei esecuzioni successive. Un voto ottenuto tramite un'istruzione nascosta non reca alcuna pretesa di validità, e la stessa tecnica potrebbe degradare un elaborato senza lasciare traccia durevole, cosicché le richieste dell'articolo sono a livello di politica anziché tecnico: orientamento a livello di settore, sviluppo professionale, uso ristretto dell'IA con revisione umana per i lavori ad alte poste in gioco, e test standardizzati e agnostici al dominio della resilienza alle iniezioni di prompt, affinché la superficie di attacco sia misurata anziché data per scontata. È la controparte avversariale delle progettazioni di supervisione sopra descritte: laddove quelle specificano quale revisione umana è obbligatoria, questa specifica una classe di manipolazione che la revisione esiste per cogliere ma per la quale non ha segnale affidabile.

Una matrice valori/norme come fondamento della politica. Agarwal et al. (2026), una revisione sistematica di 25 articoli, consolidano l'etica dell'AIED in sei valori etici principali (non discriminazione, gestione dei dati, supervisione umana, benevolenza, esplicabilità, appropriatezza educativa) e mappano le norme etiche estratte dalla letteratura su una matrice stakeholder-per-valore. La revisione posiziona la matrice come fondamento per costruire quadri etici dettagliati e regolamentazione per l'AIED, dando a istituzioni educative, sviluppatori e regolatori norme concrete per implementare valori specifici. Essa rileva che le norme di benevolenza rivolte ai regolatori sono molto più numerose (nove) che per qualsiasi altro insieme di stakeholder, a segnalare il ruolo dei regolatori nel garantire che l'AIED avvantaggi gli studenti attraverso politica e legislazione — un punto di partenza concreto e ancorato ai valori per il macchinario di politica-contro-governance che questa pagina descrive.

Affermazioni che viaggiano più lontano delle loro qualificazioni. L'annuncio di un pilota è anch'esso uno strumento di politica, e i suoi standard di rendicontazione fanno parte della politica. Restrepo Morales et al. (2026) analizzano l'episodio di El Salvador del settembre 2026 in cui un pilota di tutoraggio con IA in 171 scuole pubbliche è stato riportato come capace di raggiungere risultati paragonabili a quelli di Germania e Svezia: rispetto alla media di matematica PISA 2022 della Germania, il 5,5% più alto della distribuzione nazionale dei risultati avrebbe eguagliato il benchmark senza alcun guadagno di apprendimento, e la valutazione del pilota copriva 7,0 studenti per scuola contro i 25,4 dell'indagine nazionale dello stesso anno, quindi l'evidenza pubblicata non può escludere la selezione come spiegazione. La loro proposta è uno standard di rendicontazione di sei voci — la situazione di riferimento delle scuole partecipanti, il protocollo di campionamento (studenti ammissibili, studenti valutati, regola di identificazione, tasso di partecipazione), punteggi disaggregati con errori standard, la data operativa di ciascuna componente della riforma, la sovrapposizione con il campione nazionale rappresentativo, e la qualificazione enunciata nello stesso documento, post o paragrafo dell'affermazione — motivata dall'aritmetica della divulgazione dell'annuncio stesso: il post della Banca Mondiale che veicolava l'affermazione ha registrato circa 441.000 visualizzazioni contro le circa 11.000 del post che recava la qualificazione quattro posizioni più in là nello stesso thread. La lezione di politica è che laddove un sistema usa i risultati a livello di scuola come evidenza su se stesso, il formato della divulgazione decide quale affermazione diventa il fatto pubblico.

Un'analisi a livello di paesi su PISA 2022-2025 ha rilevato che i paesi con un uso più alto di IA generativa mostravano declini maggiori in lettura e matematica, un'associazione che scompariva una volta controllata la performance pregressa (Guerra & Aslanov, 2026). Gli autori la leggono come un monito sul fatto che un accesso più ampio ai chatbot non dovrebbe essere trattato come un beneficio in sé, e chiedono dispiegamenti accompagnati da valutazione longitudinale.

Politica vs. governance

Politica e governance sono strettamente correlate ma distinte, e tenerle separate conta per comprendere la ricerca della base di conoscenza.

• La politica è il contenuto — ciò che viene deciso. Una politica è una regola, un principio o un enunciato formale: quale uso dell'IA è consentito, proibito o richiesto; cosa deve essere rivelato; quali formati di valutazione sono permessi. Essa esiste come artefatto documentato (legislazione, linea guida istituzionale, enunciato nel programma del corso) e risponde a "quali sono le regole?"

• La governance è il macchinario — come si decide, si implementa e si fa rispettare. La governance abbraccia le strutture istituzionali, le norme e i meccanismi di responsabilità che producono, attuano e monitorano la politica: chi fissa le regole, come sono comunicate e dotate di risorse, come la conformità è fatta rispettare e messa in discussione, e come sono riviste man mano che l'IA evolve. Essa risponde a "chi decide, e come le regole prendono effettivamente vigore?"

• Esse sono interdipendenti. Una politica senza governance è inapplicata — una regola scritta che nessuno possiede, monitora o aggiorna. Una governance senza politica manca di direzione — strutture che amministrano nulla in particolare. La ricerca della base di conoscenza mostra ripetutamente che le due vanno costruite insieme: una politica che si limita a classificare l'uso dell'IA senza una governance che specifichi evidenze, salvaguardie e processi di revisione resta debole nella pratica (l'audit sulla gestione cognitiva), e una governance che si limita a monitorare senza una politica chiara rischia la sorveglianza senza equità (si veda la governance dell'IA).

• La dirigenza senior sull'IA è rara rispetto all'ambizione strategica. Una revisione di scoping di 19 fonti ha rilevato che solo il 7% delle istituzioni aveva creato ruoli di dirigenza senior sull'IA benché il 49% trattasse l'IA come priorità strategica, con la maggior parte degli studi inclusi di tipo concettuale o trasversale, cosicché non è stato possibile stabilire alcun effetto causale della governance anticipatoria (Baroudi (2026)).

Il test pratico che le separa: una politica può essere letta sulla carta, ma la governance si osserva nel fatto che la regola sia implementata, fatta rispettare e adattata. È per questo che la governance estende la regolamentazione e la politica nelle istituzioni, ed è per questo che la base di conoscenza tratta le scelte di formato della valutazione (Valutazione sommativa) come decisioni di politica che diventano efficaci solo attraverso strutture di governance come commissioni di revisione, quadri di dichiarazione e vie di ricorso.

La politica in classe come frontiera interpretativa della governance. Il macchinario della governance non si ferma al documento istituzionale; gli insegnanti che lo leggono e lo adattano sono l'ultimo anello della catena, e Nash & Burriss (2026) mostrano come si presenta quell'anello nella pratica. I loro insegnanti in formazione si aspettavano di lavorare in distretti dotati di politiche sull'IA e dovevano tuttavia ancora redigere regole specifiche per la classe per i propri studenti — un'abilità di adattamento essenziale — e gli autori sostengono che gli insegnanti possono rifiutare di adottare l'IA per compiti specifici di lettura e scrittura senza ignorarla, distinguendo il rifiuto di principio dal rifiuto acritico. Mantenere praticabile quella distinzione è esso stesso un compito di governance: i distretti e i programmi di formazione hanno bisogno dell'orientamento, dello sviluppo professionale e dell'infrastruttura di politica che consentano agli insegnanti di rifiutare usi particolari senza essere inquadrati come in ritardo sui tempi.

Indicatori di governance per il problema dell'autenticazione. Coates, Croucher and Calderon (2025) forniscono lo strato di misurazione che questa distinzione tra politica e governance implica, trattando l'integrità accademica nell'era della GenAI come problema di governance prima che problema di rilevamento e giudicando la governance accademica contemporanea resiliente ma "non ben posizionata o pronta" a proteggere l'autenticazione della valutazione degli studenti. Il loro quadro tiene 130 domande di governance sotto otto dimensioni — Progettare, Sviluppare, Formare, Implementare, Analizzare, Rendicontare, Valutare e Migliorare — e le voci sono domande sul macchinario istituzionale anziché scale psicometriche: se il consiglio o il comitato di vertice dell'istituzione riceve aggiornamenti sui processi e sugli esiti della valutazione, se gli indicatori chiave di performance coprono la qualità della valutazione, quale percentuale di studenti è conosciuta individualmente dagli insegnanti che li valutano, se i voti estremamente bassi o estremamente alti sono controllati in modo incrociato, e se esiste una via semplice per segnalare i casi di cheating commissionato. Il programma di riforma che lo accompagna punta sulle architetture di governance, sulle persone che ricoprono ruoli di governance, e sulle tecnologie e le risorse che sostengono la valutazione, e gli autori sostengono che poco sviluppo istituzionale rende senza un sostegno esterno da parte della regolamentazione, del benchmarking e della concorrenza tra istituzioni — la stessa pressione regolatoria che la pagina sulla regolamentazione tratta come il vincolo stringente sulla riforma della governance.

• Il divario si misura anche nel K-12, non solo nelle università. Un'indagine nazionale rappresentativa su 1.018 insegnanti e presidi di scuole pubbliche statunitensi ha rilevato che solo il 18% degli insegnanti e il 24% dei presidi dichiarava l'esistenza di una politica scolastica sull'IA generativa — lo stesso pattern al di sotto dell'istituzione che questa pagina documenta nell'istruzione superiore (Tench, Weinstein & James, 2026).

Il deficit di politica nella ricerca su IA × SEL

Una revisione sistematica di 65 articoli all'intersezione tra IA e apprendimento socio-emotivo (Tran, Liu & Nguyen 2026) documenta un "deficit di politica": quasi tre quarti degli studi non enunciano alcuna implicazione politica, e quelli che lo fanno spesso mancano di specificità orientata agli attori. La revisione rileva che il coinvolgimento politico correla con la sede di pubblicazione, a riflettere incentivi accademici che premiano la novità tecnica rispetto alla governance e alla regolamentazione. Essa propone un quadro delle "WH-question" (Chi, Cosa, Perché, Quando/Dove, Come) e uno spostamento dall'"implicazione come ripensamento" all'"implicazione come metodologia" — trattando l'articolazione politica come vincolo di progettazione della ricerca anziché come aggiunta a posteriori.

Concetti collegati

• Partnership pedagogiche — Partnership pedagogiche
• La regolamentazione dell'IA nell'istruzione — Regolamentazione
• Governance dell'IA — Governance
• Sviluppo educativo professionale
• Equità
• Istruzione superiore
• K-12
• Integrità accademica
• Etica
• Competenza in IA dei docenti
• Inquadrare l'uso dell'IA per gli studenti
• Valutazione sommativa
• Educazione alla chimica — Istruzione in chimica e IA: laboratori, valutazione formativa, limiti degli LLM, filosofia della sperimentazione
• Educazione alla biologia — Istruzione in biologia e IA: assistenti da laboratorio, alfabetizzazione sull'IA in biologia, pensiero critico, strumenti specializzati
• Portatori di interesse — Ombrello: persone e pubblici nell'educazione all'IA (studenti, insegnanti, progettisti, amministratori, responsabili delle politiche)
• Sostegno e successo degli studenti — il contesto di politica per l'erogazione del supporto istituzionale

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)
• When universities advocate GAI but practice falls short: student appraisals and creative process engagement in art education — When universities advocate GAI but practice falls short: student appraisals and creative process engagement in art education
• Writing the Rules for Generative Machines: Tensions and Entanglements in Preservice Teachers' Classroom AI Policies — Preservice English teachers' classroom AI policies: what they permitted, limited, and banned (Nash & Burriss 2026)
• A Human-in-the-Loop Framework for AI-Assisted Scoring in Large-Scale Writing Assessment — A Human-in-the-Loop Framework for AI-Assisted Scoring in Large-Scale Writing Assessment
• Designing an Aligned Generative AI Course Policy: An Equitable and Transparent Learner-Centered Approach — Deriving allowed and unallowed GenAI uses task by task from what is assessed (McCorkle 2025)
• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — How instructors regulate AI across 31,000 course syllabi (Chirikov 2026)
• Artificial Intelligence and Grade Inflation — AI task displacement as a mechanism of grade inflation (Chirikov 2026)
• Governing generative AI in higher education: a global Delphi study on policy and practice — Global Delphi on governing generative AI in higher education
• Governing generative AI in higher education: Emerging policy approaches and support ecosystems at innovative U.S. universities — Guidance over policy: instructor-set syllabus rules and a four-unit support ecosystem across 50 innovative US universities (Qian 2026)
• Forging ahead or proceeding with caution: Developing policy for generative artificial intelligence in legal education — Five-factor comparison of law school GenAI policies in a sector making policy without an evidence base (Gutowski & Hurley 2025)
• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Transcription is not generation: over-inclusive AI rules, format conversion and disability accommodation (Wright 2026)
• Anticipatory governance and leadership for AI implementation in higher education: A scoping review — Anticipatory governance for AI in higher education (scoping review)
• Institutional approaches to artificial intelligence policy and guidance in health informatics and information management education: emerging trends and inconsistencies — AI policy documents across all 48 accredited health informatics master's programs: mostly guidance, centered on academic integrity (Eldredge et al. 2026)
• What Does the Credential Still Certify? Cognitive Stewardship for AI-Mediated Education — Cognitive stewardship for AI-mediated assessment (30-university policy audit)
• Generative Artificial Intelligence Policy: A Qualitative UNESCO Framework Analysis
• A Comparative Analysis of Institutional and Course Generative AI Policies within Higher Education: Implications for Instruction in Computing Education
• A Framework for Institutional Change in the Age of AI
• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform
• The Evidence Base on AI in K-12: A 2026 Review
• Artificial Intelligence in UK Higher Educational Policy and Institutional Decision Making
• The Policy Deficit in AI × Social-Emotional Learning Research — The Policy Deficit in AI × SEL Research
• Identifying the ethical values and norms for artificial intelligence in education: A systematic literature review — Ethical values and norms for AI in education
• Zero-shot governance — Zero-shot governance: general-purpose AI in policy (Perrotta 2026)
• How much selection would be enough? Bounding the learning claim of El Salvador's artificial intelligence tutoring pilot — Bounding the learning claim of El Salvador's AI tutoring pilot (Restrepo Morales et al. 2026)
• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — 1,057 US faculty: 87% write their own assignment rules against thin institutional and departmental guidelines (Watson & Rainie 2026)
• GenAI assessment and language equity: Drawing the line between support and substitution — A purpose-based support–substitution boundary with calibrated disclosure and decision rubrics (Li 2026)
• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — Prompt injection in AI-mediated grading: grades changed undetected, and the policy-level response (Humble 2026)
• Governing academic integrity: Ensuring the authenticity of higher thinking in the era of generative artificial intelligence — 130 governance indicators for authenticating assessment, and the external pressure reform needs (Coates, Croucher & Calderon 2025)
• Student GenAI use under changing institutional policies: a mixed-methods case study in undergraduate physics — Policy tier versus task design: what students used GenAI for across three physics assessments (Quince & Faulconer 2026)
• Generative AI use and the 2022–2025 decline in PISA performance across countries — Higher country-level generative-AI use tracked larger PISA 2022-2025 declines, a correlation that vanished after controlling for prior performance (Guerra & Aslanov 2026)