Base di conoscenze AIEdAIEd KB
In questa pagina

Leggi questa pagina in inglese

Concetti

Sud globale

Creata 2026-10-14

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

Il Sud globale indica i paesi di Africa, Asia, America Latina e Oceania che sono spesso emarginati sul piano economico, politico e storico rispetto al Nord globale. Nella ricerca sull'IA nell'educazione scientifica, i contesti del Sud globale sono sempre più riconosciuti come sottorappresentati nella base di evidenze, eppure pongono questioni distintive su equità, rilevanza culturale, vincoli di risorse e dominio epistemico dei dati di addestramento occidentali e anglofoni.

Domande da considerare

  • Se un sistema di IA ottiene buoni risultati nei benchmark costruiti su dati occidentali e in lingua inglese, quanto dovresti essere fiducioso che funzionerà altrettanto bene per i tuoi studenti? Cosa vorresti verificare prima di fidartene nel tuo contesto?
  • Considera uno strumento di apprendimento i cui dati di addestramento e metriche di valutazione siano stati sviluppati interamente nel Nord globale. Quali assunti su lingua, tradizioni di conoscenza e realtà educative potrebbe codificare silenziosamente — e chi ha maggiori probabilità di esserne rappresentato in modo distorto?
  • Quando si studia l'adozione dell'IA, quali classi e istituzioni tendono a dominare la base di evidenze? In che modo ciò potrebbe falsare ciò che crediamo di sapere sul fatto che l'IA "funzioni" nell'educazione?
  • La pagina sostiene di trattare le epistemologie vissute e comunitarie degli studenti come autorevoli, e non semplicemente come aggiunte ai modelli occidentali. Cosa servirebbe perché la tua pratica o ricerca legata all'IA mettesse al centro la conoscenza locale invece di importarla da altrove?
  • I vincoli di risorse sono un tema ricorrente nei contesti del Sud globale. In che modo la promessa di un supporto di IA a basso costo e scalabile potrebbe sia ridurre sia ampliare i divari di opportunità esistenti, a seconda di come viene progettata e distribuita?
  • Come potresti capire se una tecnologia "adottata" in un determinato contesto lo è stata realmente perché si adattava alle condizioni locali — o perché si presumeva che fosse trasferibile? Quali evidenze distinguerebbero i due casi?

Introduzione

Perché conta per l'AIED

La ricerca mainstream sull'IA e sulle tecnologie educative è stata storicamente dominata da dataset occidentali e in lingua inglese e da contesti istituzionali analoghi. Questo crea due problemi: (1) i sistemi di IA addestrati su tali dati possono sottoperformare o rappresentare in modo distorto gli studenti nei contesti del Sud globale, e (2) i benchmark di valutazione costruiti nel Nord globale potrebbero non riflettere le realtà educative, le lingue o le tradizioni di conoscenza di altre regioni. La ricerca proveniente da contesti del Sud globale in questa base di conoscenza comprende dataset, benchmark e studi sull'adozione di tecnologie culturalmente fondati, con implicazioni per l'Alfabetizzazione sull'IA e per l'istruzione superiore e K-12.

Applicazioni nella base di conoscenza

  • Dati e benchmark culturalmente fondati: IKS-Instruct fornisce un dataset di istruzioni multilingue sui Sistemi di Conoscenza Indiani; NSMQ Riddles presenta un benchmark STEM con base in Ghana, uno dei primi dataset di valutazione educativa del Sud globale.

  • Consapevolezza etica sull'IA nell'istruzione superiore ghanese: Acquah et al. (2026) hanno validato una scala di consapevolezza etica sull'IA a tre fattori (autonomia, beneficenza, equità) con 509 studenti universitari in Ghana, individuando cinque profili latenti che vanno da una consapevolezza uniformemente molto alta a un piccolo gruppo quasi del tutto privo di consapevolezza — più debole sulla beneficenza — e nessuna differenza di genere, offrendo un punto di riferimento di misurazione del Sud globale per la letteratura sull'Etica dell'IA.

  • Ragionamento etico degli insegnanti in contesti a basse risorse: Adelana et al. (2026) hanno riscontrato che insegnanti STEAM della secondaria in servizio in un contesto a basse risorse ragionano sull'etica dell'IA attraverso l'identità professionale, le realtà della classe e le norme culturali piuttosto che attraverso elenchi formali di principi, contrastando gli assunti di "etica assente" sul Sud globale.

  • Adozione contestuale: Asag & Al Mamun modellano l'adozione di GenAI tra studenti ingegneristici bengalesi, e ConnectED dispiega un sistema di pianificazione delle lezioni allineato al curricolo per l'educazione vietnamita.

  • Non le infrastrutture, ma lo sviluppo delle capacità ha determinato l'adozione da parte dei docenti. Tra 255 docenti bengalesi, l'atteggiamento verso la GenAI prediceva fortemente l'uso (β = 0,556) e la rilevanza specifica per il dominio determinava l'atteggiamento (β = 0,413), mentre la fornitura tecnologica istituzionale e le norme soggettive non erano predittori significativi (Alam et al. (2026)).

  • Integrazione istituzionale e disuguaglianza strutturale: l'analisi comparativa dei contenuti di Adeniranye et al. (2026) su 45 università nigeriane (federali/statali/private) ha rilevato che l'integrazione dell'IA è predetta dall'età dell'istituzione e dalla posizione geografica — non dal tipo di governance — e che i legami con le reti internazionali e industriali si rafforzano a vicenda (r = 0,74), così che le istituzioni ben connesse accumulano vantaggio mentre le altre restano ulteriormente indietro. Lo studio colloca la disuguaglianza digitale non solo a livello dello studente, ma nella capacità strutturale delle istituzioni di istruzione superiore stesse.

  • Lo sviluppo accademico come mediazione digitale in condizioni di vincolo strutturale: Sithole (2026) intervista dodici sviluppatori accademici e progettisti dell'apprendimento in due Istituzioni Storicamente Svantaggiate sudafricane e traccia una linea analitica che la letteratura sul Sud globale spesso confonde: la disuguaglianza digitale è distributiva e in linea di principio risolvibile attraverso la ridistribuzione e l'accesso, mentre la colonialità algoritmica è epistemica e persiste anche in condizioni di accesso pieno perché inerisce a ciò che i sistemi codificano e alla conoscenza che essi mettono al centro. Le due sono intrecciate ma richiedono risposte diverse, e l'istituzione è doppiamente posizionata — esclusa dalla scarsità infrastrutturale e, quando inclusa, subordinata da sistemi importati che codificano altre conoscenze e norme. La retorica istituzionale sull'IA ("più performance che pratica") è arrivata debolmente agganciata alle realtà materiali dell'insegnamento, così che gli sviluppatori hanno tradotto il discorso globale sulla trasformazione digitale in una pratica contestualmente praticabile: testare e deliberatamente "rompere" gli strumenti in spazi tra pari, insistere sul giudizio più che sulle competenze tecniche, e assorbire il costo affettivo di proiettare una competenza che stavano ancora acquisendo.

  • Emarginazione epistemica: Tali-Otmani sostiene che i dati di addestramento a impronta occidentale emarginano le conoscenze non occidentali e centrate sulla disabilità — collegando le istanze del Sud globale all'Equità e alla Pedagogia culturalmente rilevante.

  • Disabilità e inclusione nel Sud globale: Khlaif et al. (2026) — uno studio di caso qualitativo su 21 studenti universitari con disabilità visiva in tre università palestinesi — hanno riscontrato che la GenAI colma i divari digitali, geografici e socioeconomici per gli studenti con disabilità, estendendo la ricerca sull'accettazione della tecnologia ai contesti della disabilità, dove usabilità, accessibilità economica e Accessibilità si rafforzano reciprocamente.

  • Progettare per fattori di stress locali in condizioni di vincolo di risorse: Bashir e Afzal (2026) costruiscono Sukoon come risposta progettuale del Sud globale a un disallineamento documentato — i chatbot per la salute mentale addestrati prevalentemente su dataset occidentali e in larghissima misura in lingua inglese, mentre gli studenti pakistani affrontano simultaneamente stress accademici, finanziari, familiari e relazionali e spesso non possono sollevare difficoltà emotive con genitori, insegnanti o pari a causa dello stigma. I vincoli pratici degli autori sono altrettanto istruttivi del loro modello: un Grandi modelli di linguaggio (LLM) Open source ad accesso gratuito attraverso un'API ospitata per bassi requisiti di risorse, un deployment Flask leggero per le università regionali, "gli strumenti sono disponibili ma spesso costosi" indicato come barriera, e l'accesso diseguale ai modelli a pagamento segnalato come rischio di dipendenza generale. Gli autori notano inoltre che il classificatore è stato addestrato su un dataset disponibile pubblicamente e non rappresentativo degli studenti pakistani, e si impegnano a raccogliere dati DASS-21 locali prima di trarre conclusioni sulla popolazione.

  • Evidenze di valutazione scarne e specifiche per strumento dall'istruzione superiore africana: una revisione sistematica PRISMA 2020 della ricerca empirica pubblicata tra il 2023 e il 2025 ha individuato solo dieci studi, concentrati in Nigeria e Sudafrica e condotti quasi esclusivamente su ChatGPT, cosicché ciò che si sa sulla riprogettazione della valutazione per l'IA generativa nell'istruzione superiore africana poggia su studi su campioni piccoli, istituzioni singole e autodichiarati piuttosto che su guadagni di apprendimento misurati — gli autori della revisione inquadrano le loro raccomandazioni come direzioni piuttosto che come effetti accertati.

  • L'equità è la dimensione meno studiata dell'intera regione. Una revisione di scoping PRISMA-ScR di 75 studi del Sud globale (2022–2025) ha rilevato che l'equità è la meno esaminata delle sue cinque aree nonostante la sua centralità per l'educazione inclusiva, e ha segnalato un divario tra le posizioni etiche dichiarate dagli studenti e il loro comportamento (Nguyen & Perkins, 2026).

Implicazioni

Prestare attenzione ai contesti del Sud globale richiede di andare oltre l'assunto che i modelli e i benchmark occidentali si trasferiscano direttamente. Richiede dataset fondati localmente, Pedagogie e strategie didattiche culturalmente rilevante, standard di valutazione centrati sulla comunità e una ricerca che tratti le epistemologie vissute e comunitarie degli studenti come autorevoli — in linea con framework come l'apprendimento di IA basato sulla comunità e la ricerca sull'accettazione della tecnologia adattata alle condizioni locali.

Il bilancio dello scaling fa parte di quel quadro, ed è sobrio. I programmi che funzionano su scala pilota smettono frequentemente di funzionare quando i governi li gestiscono: il programma keniota che ha prodotto guadagni sostanziali sotto implementazione non governativa non ha mostrato alcun guadagno rilevabile su scala governativa (Bold et al.), le dimensioni dell'effetto tendono a diminuire con la crescita dei programmi (Vivalt), e la qualità dell'implementazione si diluisce con il moltiplicarsi dei siti (Al-Ubaydli, List & Suskind). Il precedente dell'America Latina è il programma peruviano One Laptop per Child — circa 800.000 computer portatili distribuiti senza alcun effetto rilevabile sulla matematica o sulla lettura — da cui si è tratto l'insegnamento che l'accesso alla tecnologia non è istruzione. Restrepo Morales et al. (2026) aggiungono una lezione di rendicontazione alla lezione dello scaling: nell'episodio di El Salvador del 2026 un pilota di tutoraggio con IA in 171 scuole è stato annunciato come comparabile a Germania e Svezia, mentre lo stesso campione nazionale rappresentativo del PISA 2025 del paese non mostrava alcun movimento in due delle tre materie, e i dati del pilota erano troppo esigui (7,0 studenti valutati per scuola contro 25,4 a livello nazionale) per escludere la selezione come spiegazione. Per i sistemi del Sud globale che adottano l'IA su larga scala l'implicazione è duplice: l'evidenza che una riforma funzioni riguarda di solito le componenti che essa raggruppa piuttosto che la tecnologia nel suo titolo, e un dispiegamento graduale progettato prima dell'implementazione individua gli effetti a costo quasi nullo — il che conta di più dove la connettività detta comunque la scansione temporale.

Concetti collegati

Articoli collegati

Metadati

LivelloHigher Ed, K 12
Tecnologie e tecnicheIA generativa
Equità, etica e uso responsabilePedagogia culturalmente rilevante, Equità, Sud globale
Basi dell’IA nell’educazioneAlfabetizzazione sull'IA
SourceHistoryEditChat

Incorpora questa pagina

Copia il codice qui sotto per incorporare questa pagina in un sistema di gestione dell’apprendimento o in un altro sito. La versione incorporata mostra solo il contenuto della pagina — nasconde header, navigazione e footer del sito.