Empatia

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

Sintesi: L'empatia entra nell'educazione da tre direzioni contemporaneamente: come esito che gli educatori cercano di insegnare, come costrutto che cercano di misurare e come qualcosa che si dice sempre più spesso che i sistemi di IA esibiscano. Le prove sono disomogenee in tutte e tre. Insegnare l'empatia funziona — role-play, VR e dialogo con gli LLM producono tutti guadagni pre-post misurabili — ma l'effetto si riduce man mano che l'esperienza diventa meno incarnata, e gli studi comparativi confondono la modalità con il tempo sul compito. Misurare l'empatia è più difficile che insegnarla: le valutazioni degli osservatori reggono, mentre i proxy di computer vision concordano sul contatto fisico, non concordano sul contatto visivo e si invertono sul sorriso. L'IA può esercitare la conversazione empatica su larga scala, ma lo studio meglio controllato mostra una competenza autovalutata che cresce senza un controllo della prestazione osservata. E la preoccupazione più recente va nella direzione opposta: credere che l'IA possa fornire empatia rende le persone meno disposte a fornirla esse stesse (Shastry e Gray, 2026).

Domande da considerare

• Se il role-play, la VR e un chatbot alzano tutti i punteggi di empatia, la differenza è apprendimento o tempo sul compito?
• Uno studente di infermieristica sorride a un paziente che prova dolore: gli osservatori leggono incongruenza, un rilevatore di sorrisi legge calore. A quale dovrebbe credere una valutazione?
• La maggior parte degli studi sulla formazione all'empatia assistita dall'IA misura la fiducia anziché il comportamento osservato. Se la fiducia sale ma il comportamento no, la formazione è fallita o è solo non stata testata?
• Quando un chatbot risponde con calore, gli studenti riferiscono di sentirsi capiti. È empatia, una messa in scena dell'empatia, o qualcosa che conta a prescindere da quale delle due?
• Se le persone scaricano la responsabilità empatica una volta che credono che l'IA possa farlo, cosa implica questo per un curriculum che insegna l'empatia in parte attraverso la pratica con l'IA?
• Chi dovrebbe decidere se l'empatia è un esito valutabile con un voto — e cosa succede agli studenti che sono accurati ma non caldi?

Introduzione

L'empatia è di solito scomposta in almeno due componenti: una componente cognitiva, l'assunzione di prospettiva, e una componente affettiva, il condividere il sentimento dell'altro, con alcune trattazioni che aggiungono una componente motivazionale, l'impulso ad aiutare. Il disagio personale — la reazione avversiva alla sofferenza altrui — è spesso misurato accanto e si comporta diversamente dal resto. Questo conta per l'educazione perché le componenti sono insegnabili in modi diversi e misurabili con gradi diversi di successo.

L'IA entra in tre punti distinti, e confonderli è la principale fonte di confusione nella letteratura.

1. L'IA come metodo di insegnamento per l'empatia umana. Simulazioni, incarnazione in VR, role-play con personaggi generati da LLM e immagini generative usate per rendere vivida l'esperienza altrui.
2. L'IA come strumento di misurazione. Computer vision che valuta il linguaggio del corpo in simulazioni registrate, o scale che trattano l'empatia come una disposizione espressa nell'interazione con l'IA.
3. L'IA come attore empatico. Chatbot che interpretano pazienti, coach o compagni e sono progettati per sembrare comprensivi, il che solleva la questione se l'empatia sia reale, messa in scena o un sostituto del contatto umano.

Le prime due riguardano i discenti; la terza riguarda i sistemi. Una pagina che le mescola produrrà affermazioni come «l'IA migliora l'empatia» che significano tre cose diverse.

Si può insegnare l'empatia?

Il confronto diretto è insolitamente pulito nel disegno e insolitamente confuso nell'esecuzione. Zwoliński et al. (2026) hanno assegnato casualmente 64 studenti magistrali di un corso sull'accessibilità a role-play nel mondo reale con sedie a rotelle, tute per l'invecchiamento e simulatori di gravidanza; alla stessa attrezzatura in un laboratorio VR; o alla costruzione di personaggi in dialogo con ChatGPT-4.0. Tutti e tre i gruppi sono migliorati in modo significativo sul Davis Interpersonal Reactivity Index. Il role-play ha guadagnato il 13,2%, la VR l'11,6% e la condizione IA l'8,8%. Solo il disagio personale differiva in modo significativo tra i gruppi.

L'ordinamento è intuitivo e l'interpretazione no. Le tre condizioni sono durate circa 125, 87 e 42 minuti, quindi lo studio confronta modalità e dosaggio insieme. È giusto dire che un dialogo di 42 minuti con un LLM ha prodotto un guadagno minore di un esercizio incarnato di due ore; non è giusto dire che l'incarnazione valga tre volte tanto al minuto. Gli autori sono espliciti sul fattore di confondimento, e la raccomandazione dei loro stessi studenti — combinare la ripetibilità della VR, la ricchezza sensoriale del mondo reale e l'adattività dell'LLM — è una lettura ragionevole delle prove.

La letteratura delle professioni sanitarie aggiunge scala ma non molta chiarezza causale. Ismail e Zafira (2026) hanno revisionato 17 studi sull'IA per lo sviluppo del dominio affettivo e hanno trovato gli interventi concentrati nella formazione alla comunicazione, nei pazienti virtuali, nel feedback riflessivo, nella simulazione di comunicazione di cattive notizie e nella valutazione in stile OSCE. La maggior parte riportava guadagni in fiducia, autoefficacia, coinvolgimento riflessivo o competenza comunicativa percepita. Le prove sull'empatia stessa, sulla reattività emotiva, sull'autenticità relazionale e sulla comunicazione non verbale restavano limitate. Questo è il risultato centrale: un campo che intende insegnare l'empatia misura per lo più il comfort.

Un quarto filone rende l'ambiguità esplicita: sensori indossabili di arousal e immagini generate dall'IA possono rendere vivide le circostanze altrui, ma un aumento della conduttanza cutanea è prova di arousal, non di empatia, e gli studi di questa linea spesso si fermano lì (Lim et al., 2024).

Si può misurare l'empatia?

Le valutazioni degli osservatori sono la cosa più vicina a uno standard di riferimento, e si comportano ragionevolmente. In Nissan et al. (2026), due docenti hanno valutato 37 studenti di infermieristica in una simulazione registrata con un inventario di 12 item (α = 0,91) e una scala a sei gesti (α = 0,93), e le valutazioni dei gesti correlavano con l'inventario tra 0,41 e 0,63.

Gli algoritmi raccontavano una storia più interessante. Il rilevamento del contatto fisico concordava con quattro misure degli osservatori tra 0,46 e 0,54. Il rilevamento del contatto visivo e delle heatmap non mostrava associazione significativa con i giudizi degli osservatori. E il rilevatore di sorrisi correlava negativamente con tre misure degli osservatori, e con l'empatia totale a r = −0,322, perché gli osservatori stavano guardando uno studente sorridere a un paziente che provava dolore e lo leggevano come nervosismo o incongruenza. Il segnale era reale; l'interpretazione era al contrario. È lo stesso divario inferenziale documentato in analisi di sensori e sguardo, in un contesto in cui la posta in gioco è un voto clinico.

Le scale di autovalutazione occupano l'altro estremo. La AI Empathy Scale for Generative AI Interaction tratta l'empatia come una disposizione umana espressa durante l'uso dell'IA e chiede ai rispondenti le proprie risposte cognitive, affettive e motivazionali; la sua struttura fattoriale preliminare non ha riprodotto le sei dimensioni previste (Kang et al., 2026). Un questionario di disposizione e un'osservazione comportamentale non sono intercambiabili, e nessuno dei due sostituisce le valutazioni dei pazienti su se l'incontro è sembrato premuroso.

L'IA può esercitare l'empatia?

Sì, almeno per la parte di esercizio. Müller et al. (2026) hanno dato a 162 studenti di medicina una conversazione con un GPT-4o guidato da un ruolo in uno di quattro scenari — decisione condivisa, colloquio motivazionale, una consulenza per IST, comunicazione di cattive notizie — e la competenza comunicativa autovalutata è salita da 5,89 a 6,83 su una scala 0–10 (d = 0,58) dopo una media di 13 scambi. Gli studenti hanno valutato utile il feedback dell'IA 7,92 su 10, ma l'adeguatezza del feedback non prevedeva il guadagno (r = 0,08). Non c'era un gruppo di controllo.

Lo schema si ripete: un esercizio breve e a basso rischio produce un grande guadagno di autoefficacia, e il meccanismo è più probabilmente l'esercizio che la critica del modello. Non è un motivo per scartare lo strumento. I pazienti standardizzati sono costosi, scarsi e da programmare; un chatbot non è nessuna di queste cose, e uno studente che ha già affrontato una conversazione di cattive notizie userà una sessione con un paziente standardizzato in modo diverso. È un motivo per smettere di chiamare quel guadagno prova di competenza.

Dove l'empatia è una qualità conversazionale anziché una competenza, le prove riguardano la percezione. Wang et al. (2026) hanno tenuto costanti modello, piattaforma e temperatura e cambiato solo il ruolo e le mosse conversazionali nel prompt, producendo una grande differenza nell'empatia percepita (21,27 contro 18,24, r = 0,53). L'empatia, nel senso in cui gli studenti la vivono, può essere affidata a un copione. Se affidarla a un copione sia educativamente buono è una questione separata.

Il problema della sostituzione

Il filone più recente chiede cosa fa l'empatia dell'IA all'empatia umana. In quattro studi con 249, 494, 743 e 737 partecipanti, Shastry e Gray (2026) hanno trovato che più le persone credono che l'IA sia capace di fornire sostegno emotivo, meno sono disposte a fornirlo esse stesse — scaricamento dell'empatia — controllando per empatia di tratto e uso precedente dell'IA. Quando veniva nominata la fonte di sostegno del destinatario, i partecipanti dicevano che avrebbero scaricato meno sull'IA che sugli amici o sui terapeuti, perché valutavano più bassa la capacità empatica dell'IA. Su una misura comportamentale, gli stessi partecipanti che dicevano che non avrebbero scaricato sceglievano meno parole di empatia e più parole di indifferenza.

Per l'educazione questo taglia in due direzioni. Un curriculum che usa l'IA per esercitare l'empatia può star costruendo la competenza; una cultura del campus che instrada il sostegno emotivo verso i chatbot può star erodendo la motivazione a usarla. I due effetti sono compatibili, e nulla nella letteratura attuale li misura insieme.

Che cosa significa per la pratica

• Separa le tre domande. Quando qualcuno afferma che l'IA migliora l'empatia, chiedi se intende insegnare agli umani, misurare gli umani o simulare l'empatia. Le prove differiscono per ciascuna.
• Non accettare l'autoefficacia come esito di empatia. La fiducia costa poco e sale dopo quasi qualsiasi esercizio; l'osservazione, i pazienti standardizzati o le valutazioni dei pazienti sono le misure che contano.
• Tratta i punteggi di visione come secondi lettori. Il rilevamento del contatto fisico è utilizzabile per il feedback formativo; il rilevamento di sorrisi e contatto visivo non lo è, senza il contesto dello scenario che un modello non ha.
• Metti in budget il tempo, non solo la modalità. Gli studi comparativi confondono le due, e un metodo più economico che richiede un quarto del tempo può comunque essere la scelta migliore — solo non una scelta equivalente.
• Vigila sullo scaricamento. Se l'IA diventa il canale predefinito per il sostegno emotivo, l'empatia che stai cercando di insegnare può essere silenziosamente esternalizzata.

Idee sbagliate comuni

• «L'IA può insegnare l'empatia.» L'IA può sostenere l'esercizio e la riflessione; la revisione più solida trova prove limitate per l'empatia come esito, e lo studio di formazione meglio controllato misura l'autovalutazione.
• «L'empatia è linguaggio caldo.» L'empatia percepita può essere prodotta dal solo design del prompt, il che è prova sulla percezione, non sulla comprensione.
• «Un sorriso significa calore.» In un incontro clinico angosciante, gli osservatori leggono il sorriso come incongruenza, e un rilevatore di azioni facciali lo legge come affetto positivo. Il contesto è la variabile mancante.
• «Le scale di autovalutazione misurano l'empatia.» Misurano una disposizione o un concetto di sé; non misurano il comportamento in un incontro.
• «Più immersivo è sempre meglio.» I metodi immersivi mostrano guadagni maggiori, ma a costi e durate diverse volte superiori, e i confronti non equalizzano l'esposizione.

Concetti collegati

• Tutoraggio affettivo
• Computazione affettiva
• Apprendimento socio-emotivo
• Apprendimento sul posto di lavoro
• Simulazione
• Educazione medica e delle professioni sanitarie
• Formazione infermieristica
• Sensori e analisi dello sguardo
• Validità della valutazione
• Misure di autodichiarazione
• Collaborazione tra esseri umani e IA
• Sfrenatezza dell'IA
• Sicurezza pedagogica
• Benessere
• Educazione artistica, al design e ai media

Articoli collegati

• Teaching Empathy: A Comparative Analysis of Real, Virtual, and AI-Driven Methods — Role-play 13,2%, VR 11,6%, dialogo con IA 8,8% all'IRI, con il tempo di esposizione confuso (Zwoliński et al., 2026)
• Detecting Nursing Students' Empathy in Video-Recorded Simulation Using Computer Vision — Il rilevamento del contatto fisico concordava con gli osservatori; il rilevamento dei sorrisi andava in negativo (Nissan et al., 2026)
• Training Empathetic Communication Skills in Medical Students With a Role-Prompted GPT-4o Chatbot — La competenza autovalutata è salita a d = 0,58 dopo 13 scambi, senza gruppo di controllo (Müller et al., 2026)
• Artificial Intelligence for Affective-Domain Development in Healthcare Professions Education: A Systematic Review — 17 studi; guadagni di fiducia comuni, prove sull'empatia limitate (Ismail e Zafira, 2026)
• Exploring the Potential of AI in Nurturing Learner Empathy, Pro-Social Values and Environmental Stewardship — EDA e immagini generative come pipeline di arousal, con l'empatia affermata anziché misurata (Lim et al., 2024)
• People offload empathy when they think AI can give it instead — La fiducia nella capacità empatica dell'IA prevedeva una minore disponibilità a fornire sostegno (Shastry e Gray, 2026)
• AI Empathy as a Human Disposition in Generative AI Interaction: Development and Preliminary Psychometric Evaluation of a Cognitive–Affective–Motivational Scale — Una scala di disposizione a 42 item la cui struttura fattoriale non corrispondeva al disegno (Kang et al., 2026)
• Invisible Impact of Empathy on Behavioral Change: Isolating the Effect of Empathy in Long-term Physical Activity Coaching Chatbot Interactions — Il linguaggio empatico ha alzato la comprensione percepita, che prevedeva il coinvolgimento anziché il cambiamento di comportamento (Siyan et al., 2026)
• Comparing teacher-centered and student-centered agents based on prompt engineering: Effects on learning performance, cognitive load, flow experience, and empathy perception in physics learning — Ruolo e mosse specificati nel prompt hanno prodotto una grande differenza di empatia percepita (Wang et al., 2026)
• Nursing Students' and Faculty Experiences with Artificial Intelligence in Education: A Qualitative Study Using the Technology Acceptance Model — Le studentesse di infermieristica descrivevano l'IA come sostegno emotivo durante lo stress clinico (Akbaba et al., 2026)