Governance dell'IA

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

La governance dell'IA — i quadri, le politiche, le strutture istituzionali e le norme che guidano la progettazione, l'implementazione e l'uso responsabili dell'intelligenza artificiale nell'educazione. La governance abbraccia meccanismi istituzionali formali (gruppi direttivi sull'IA, politiche sull'integrità accademica e sull'uso accettabile, revisione etica) e norme informali (linee guida per i docenti, sviluppo professionale, culture di uso responsabile dell'IA). Nell'era dell'IA, una governance efficace è un prerequisito per l'adozione etica, equa e sostenibile dell'IA generativa — essa determina se l'IA viene integrata in modo trasparente, con responsabilità, o adottata in modo reattivo in modi che approfondiscono le disparità.

Domande da considerare

• Se la vostra istituzione ha una politica sull'IA sulla carta ma nessun processo chiaro per farla rispettare, aggiornarla o comunicarla, quella è davvero governance? Cosa separa una regola che esiste da una regola che è effettivamente governata?
• In uno studio, gli studenti hanno detto che la loro università non aveva una politica chiara sull'IA e che questo aveva plasmato il modo in cui la usavano. Come potrebbe l'ambiguità delle politiche influenzare ciò che gli studenti decidono essere un «uso accettabile» — e le istituzioni dovrebbero preoccuparsi di lasciare quella negoziazione ai singoli?
• La pagina distingue la governance basata sull'individuazione (sorvegliare l'uso dell'IA) dalla governance basata sulla progettazione (riprogettare la valutazione così che l'uso dell'IA sia atteso e dichiarato). Verso quale approesso inclina la vostra pratica valutativa, e quali sono i compromessi di ciascuno?
• La governance è descritta come operante a livello nazionale, istituzionale e di classe. Pensate a una regola sull'IA nel vostro contesto: chi l'ha stabilita, come viene comunicata e fatta rispettare, e quanto bene questi livelli sono allineati?
• Un quadro reinterpreta la governance dell'IA come problema di azione collettiva nel sostenere competenze condivise — i «beni comuni cognitivi». Come cambia la protezione del patrimonio di conoscenze collettivo di una professione il vostro modo di pensare alla governance dell'IA rispetto al semplice regolamentare uno strumento?
• La pagina avverte che le dichiarazioni obbligatorie di uso dell'IA falliscono quando appaiono punitive o ambigue. Quando avete visto una regola di conformità ritorcersi contro perché la gente non la capiva o non si fidava — e cosa vi ha insegnato sulla governance?

Introduzione

La governance dell'IA nell'educazione è sempre più urgente perché l'IA generativa introduce nuove sfide epistemiche, etiche e organizzative: destabilizza assunti sulla produzione della conoscenza, sull'autonomia di chi apprende, sulla validità della valutazione e sul ruolo dei docenti come autorità epistemiche. La governance affronta questioni di integrità accademica (cosa conta come uso accettabile dell'IA), di privacy dei dati e sicurezza, di distorsione algoritmica ed equità, di trasparenza e responsabilità, e dell'allineamento dell'adozione dell'IA con la missione e i valori dell'istituzione. Un risultato ricorrente in tutta la ricerca della knowledge base è che la governance istituzionale è spesso in ritardo — molte istituzioni mancano di politiche chiare e unificate sull'IA, lasciando studenti e docenti a negoziare da soli l'uso accettabile.

• La governance zero-shot come condizione strutturale della piattaformizzazione. Perrotta (2026) sviluppa il concetto di governance zero-shot — IA generativa agnostica rispetto al dominio che interviene nelle decisioni di policy — attraverso un'analisi a livello di codice di Redbox, un prototipo del servizio civile britannico, ormai discontinuato, costruito su LLM disponibili in commercio. Leggendone l'architettura (un prompt di sistema invisibile più un sottile wrapper Python su una pipeline RAG (Generazione Aumentata da Recupero) retrieve→format→generate e uno stack cloud agnostico rispetto al fornitore), l'articolo sostiene che la natura di uso generale dei modelli di fondazione è una caratteristica strutturale della piattaformizzazione che può essere mitigata ma mai esclusa: l'IA agentica non interrompe la logica monopolistica e rentier delle piattaforme, e lo stesso meccanismo probabilistico che genera novità produce anche allucinazioni. Per la governance, l'implicazione è che la supervisione dell'IA di uso generale deve trattare l'output aberrante come un rischio irriducibile e solo mitigabile anziché come un bug correggibile — un monito che vale ugualmente per il ragionamento sulle politiche di educazione.

• Baroudi scoping review inquadra la governance dell'IA nell'istruzione superiore attraverso le lenti della governance anticipatoria e della leadership.

• Co-progettazione delle politiche da parte degli studenti: Hingle & Johri mostrano come un'attività di indagine guidata in cui gli studenti hanno co-progettato una politica di corso sull'IA generativa abbia portato alla luce i valori degli studenti — dando priorità alla formazione, a procedure standardizzate di dichiarazione, a un supporto istituzionale più forte e a un maggiore coinvolgimento nelle decisioni. Questo posiziona i studenti come partner della governance anziché come soggetti passivi, integrando la politica a livello istituzionale con la voce degli studenti dal basso.

• La trappola tecno-soluzionista e il deficit di policy: Una revisione sistematica di 65 studi sull'IA × apprendimento socio-emotivo (Tran, Liu & Nguyen 2026) rileva che la ricerca spesso mette in primo piano il potenziale tecnico mentre sotto-specifica le condizioni istituzionali per un'implementazione responsabile — una trappola «tecno-soluzionista». Gli autori collegano il coinvolgimento sulle politiche alla sede di pubblicazione e propongono un quadro basato sulle «domande WH» per rendere le implicazioni di governance specifiche per attore, in linea con il risultato più ampio della knowledge base che la governance istituzionale è in ritardo sull'adozione dell'IA.

Come la governance dell'IA appare nella ricerca

• Adozione istituzionale su larga scala: Lo studio AIDA presso la Open University mostra come un'istituzione abbia progettato, implementato e valutato un assistente basato su IA generativa, individuando che un'implementazione responsabile a livello di sistema richiede strutture di governance (un AI Steering Group), la sponsorizzazione della dirigenza senior e l'allineamento con la strategia istituzionale — non solo capacità tecnica.

• Leadership e cambiamento sistemico: SPARK inquadra la governance all'interno della Complexity Leadership Theory, sostenendo che i leader devono bilanciare stabilità amministrativa e innovazione emergente, integrando meccanismi di governance (politiche, regimi di valutazione, quadri di responsabilità) così che le innovazioni nello spazio adattivo possano essere sostenute e scalate.

• Ambiguità delle politiche ed esperienza degli studenti: Il coinvolgimento degli studenti con l'IA generativa ha rilevato che 12 studenti su 23 segnalavano la mancanza di politiche istituzionali esplicite sull'IA («l'Università non ha ancora una politica chiara e unificata»), sostenendo che l'ambiguità della governance plasma le pratiche, le norme e l'autoregolazione degli studenti — a sostegno di uno spostamento verso indicazioni istituzionali trasparenti.

• La alfabetizzazione all'IA come capacità di governance (il «18° SDG»): Islam, Morshed e Islam (2026) riconcettualizzano l'alfabetizzazione all'IA come meccanismo di governance sistemico anziché come abilità di classe, proponendo una tassonomia AIRE a sei livelli (Riconoscere → Comprendere → Applicare → Analizzare → Integrare → Governare) che estende la gerarchia di Bloom con sintesi etica e previsione strategica, e un Nexus IA–SDG che mappa le competenze di alfabetizzazione su tutti e diciassette gli Obiettivi di Sviluppo Sostenibile. Inquadrando l'alfabetizzazione all'IA come euristica del «18° SDG» — una capacità trasversale che incanala l'apprendimento nella governance e nello sviluppo sostenibile — l'indagine dello studio su 300 professionisti ha rilevato che l'alfabetizzazione alla governance è il predittore più forte della consapevolezza del nexus IA–SDG (β = 0,64, r = 0,67 con la consapevolezza del nexus) e ha identificato il ragionamento etico e il pensiero riflessivo come i predittori più forti dell'uso fidato dell'IA. Questo collega la governance istituzionale alla coltivazione dell'alfabetizzazione all'IA pubblica, in linea con il risultato della knowledge base che l'allineamento responsabile dell'IA richiede decisori politici e cittadini in grado di interpretare criticamente i sistemi algoritmici, non un mero controllo tecnico orientato alla conformità.

• Integrità accademica e valutazione: La governance è centrale nel modo in cui le istituzioni affrontano le questioni relative all'integrità accademica legate all'IA e riprogettano la valutazione — passando dal divieto/sorveglianza a orientamento, alfabetizzazione all'IA e progettazioni orientate al processo, come si vede nella ricerca sulla razionalizzazione degli studenti e sulla riprogettazione della valutazione autentica.

• La riprogettazione opera su tre dimensioni insieme. Laidlaw (2026) inquadra la riprogettazione della valutazione nell'era dell'IA attraverso dimensioni culturale-discorsive (linguaggio e assunti), materiale-economiche (risorse) e socio-politiche (governance e potere), e individua l'intersezione risorse-potere come sia il punto di leva più grande che il rischio più grande: le risorse che fluiscono attraverso strutture di potere esistenti amplificano le disparità.

• La strumentazione mista della governance scritta: Eldredge et al. (2026) hanno sottoposto ad audit i documenti relativi all'IA di tutti i 48 programmi magistrali in informatica sanitaria e gestione dell'informazione sanitaria accreditati CAHIIM negli Stati Uniti. Quaranta dei 48 (83%) avevano almeno un documento pubblicamente disponibile, e nei 40 documenti analizzati la governance si realizzava per lo più come orientamento anziché come regola vincolante: 21 linee guida (53%), 9 documenti informativi (23%) e solo 7 politiche formali (18%). La maggior parte dei documenti si rivolgeva a docenti e studenti insieme (20, 51%) anziché ai soli studenti (6, 15%), e né il tipo di politica né il pubblico variavano in base alla modalità di erogazione (test esatto di Fisher P = 0,85 e P = 0,71), il che suggerisce che la strumentazione mista segue l'abitudine istituzionale piuttosto che le esigenze dei programmi online, in presenza o ibridi. I contenuti si concentravano su integrità accademica, uso responsabile dell'IA e condotta degli studenti, con scarsità di indicazioni sull'uso dell'IA nell'apprendimento applicato, nella ricerca e negli ambienti simulati, proprio dove le questioni curricolari e di governance dei dati si intersecano. Gli autori riportano inoltre che gli enti di accreditamento regionali hanno fornito la maggior parte del corpus (Higher Learning Commission n = 14 e SACSCOC n = 13, insieme circa il 60%, con nessuno dalla regione WASC) e sostengono che l'accreditamento è la leva esterna meglio posizionata per ridurre la variazione tra i programmi.

• La governance come ecosistema di supporto distribuito: Qian (2026) ha codificato le indicazioni sull'IA delle 50 università statunitensi classificate come più innovative e ha rilevato che la governance si realizza meno come regola che come interpretazione e supporto: solo 6 su 50 inquadravano la loro pagina principale come una «politica», 33 su 50 posizionavano i docenti come principali traduttori delle aspettative istituzionali in regole di corso, e il supporto per farlo si raggruppava in quattro unità interconnesse — centri per l'insegnamento e l'apprendimento che forniscono il linguaggio dei syllabus e menù di politiche di corso, biblioteche che definiscono standard di citazione e provenienza, uffici IT e di governance d'impresa che gestiscono regole di classificazione dei dati e stack di strumenti vagliati, e uffici di integrità accademica che si occupano del giusto processo e della remediation educativo-first. Qian sostiene che è lo Scaffolding (impalcatura), non la posizione, a ridurre l'ambiguità, e lo riporta come distribuito in modo diseguale: 33 delle 50 istituzioni pubblicavano materiali sui syllabus o sulle politiche di corso mentre solo 4 mettevano in primo piano indicazioni rivolte agli studenti. Questa è la scoperta sulla strumentazione mista di cui sopra in forma organizzativa — la capacità di governance situata nelle unità anziché nei documenti.

• Etica, privacy e distorsione: I meccanismi di governance rendono operativi i principi etici (Etica, Privacy, Mitigazione del bias) che sono spesso riconosciuti ma non fatti rispettare, collegandosi ai dibattiti sull'IA responsabile e sulla regolamentazione nell'educazione.

• Una matrice valori/norme per la governance. Agarwal et al. (2026), una revisione sistematica di 25 articoli, consolidano l'etica dell'AIED in sei valori etici principali (non discriminazione, custodia dei dati, supervisione umana, benevolenza, esplicabilità, adeguatezza educativa) e mappano le norme etiche estratte dalla letteratura su una matrice stakeholder-per-valore. La mappatura rende le norme regole azionabili per realizzare valori specifici e offre una fondazione per costruire quadri etici dettagliati e regolamentazione per l'AIED — dando a istituzioni educative, sviluppatori e regolatori norme concrete da implementare. Le norme per la supervisione umana si raggruppano sugli istituti educativi e gli utenti finali, l'adeguatezza educativa sugli istituti educativi e i regolatori, e le norme di benevolenza rivolte ai regolatori sono di gran lunga più numerose (nove) rispetto a qualsiasi altro insieme, a segnalare il ruolo dei regolatori nel garantire che l'AIED vada a beneficio di chi apprende attraverso politiche e legislazione.

Educazione alla governance

La governance dell'IA opera a due livelli che la knowledge base tratta insieme: le regole istituzionali che governano l'uso dell'IA (politiche, quadri di uso accettabile, requisiti di valutazione e dichiarazione) e l'educazione su quelle regole (preparare le persone a navigarle). La governance senza educazione rischia di essere inapplicata o opaca; l'educazione senza governance manca di denti. La ricerca in questo filone include l'analisi delle politiche istituzionali sull'IA generativa, i quadri di dichiarazione dell'IA, la governance della valutazione, le politiche britanniche sull'IA nell'istruzione superiore e le revisioni complessive sull'AIED che situano la governance nel più ampio panorama delle politiche.

Governance della valutazione

Un'arena centrale della governance dell'IA è come le istituzioni governano la valutazione — le regole che determinano cosa conta come uso accettabile dell'IA, come viene dichiarato il lavoro assistito dall'IA e come vengono salvaguardate le misure sommativo-valutative. Questo include la progettazione e l'applicazione delle dichiarazioni di uso e divulgazione dell'IA: la ricerca mostra che le dichiarazioni obbligatorie falliscono quando appaiono punitive o ambigue (Gonsalves 2025, Vetter et al. 2026), e che è una politica chiara, coerente e basata sulla fiducia a favorire effettivamente la divulgazione. La ricerca della knowledge base distingue tra governance basata sull'individuazione (sorvegliare l'uso dell'IA, per esempio tramite l'Rilevamento dell'IA) e governance basata sulla progettazione (riprogettare la valutazione sommativa e autentica così che l'uso dell'IA sia atteso, dichiarato e scrutinato). La governance evidence-centered dell'IA generativa nella valutazione e Beyond Detection sostengono che la governance deve abbinare qualsiasi individuazione alla riprogettazione della valutazione, mentre la scelta di formati sommativi resistenti all'IA (esami orali, misure sorvegliate/a libro chiuso, colloqui di revisione del codice — vedere Valutazione sommativa) è essa stessa una decisione di governance. L'evidenza su larga scala (Strömberg, Lei, & Wu 2026) sottolinea l'importanza di governare le misure sommative, poiché i compiti a casa non governati possono essere gonfiati dall'IA mentre l'apprendimento effettivo declina. L'ambito di un divieto è esso stesso una decisione di governance: Wright (2026) mostra che le regole che vietano l'«IA generativa» senza distinguere la generazione dalla conversione di formato catturano gli strumenti assistivi di trascrizione e trasformano la scorretta applicazione della politica in accuse di scorrettezza, gravando sugli studenti disabili e esposti sul piano dell'equità — un fallimento di governance che le questioni legali e i rischi tratta come una questione di uguaglianza tanto quanto di integrità.

L'evidenza che Zagami (2026) raccoglie da ambiti ad alto rischio indica una governance diseguale anziché un semplice rifiuto: adozione parziale e politiche incomplete nella valutazione, nelle ammissioni e nei processi disciplinari, con il ritardo istituzionale che opera come posizione di governance anziché come fallimento. Il compito istituzionale è interpretare il rifiuto abbastanza bene da migliorare la governance, chiedendosi quali decisioni richiedano revisione umana, quali sistemi richiedano audit, quali usi richiedano dichiarazione, e quali scelte di approvvigionamento richiedano giustificazione pubblica. Weidlich (2026) aggiunge il corollario specifico della valutazione: i punteggi dei rilevatori sono segnali probabilistici condizionali che non possono da soli stabilire una scorrettezza, quindi una governance centrata sull'individuazione è una base insufficiente per difendere le affermazioni sulla valutazione.

Governance tra i livelli

La governance dell'IA opera a molteplici livelli — da quello nazionale/regolamentare (politiche governative, il quadro OCSE, linee guida statali sull'IA) a quello istituzionale (politiche universitarie, gruppi direttivi sull'IA, comitati di revisione etica) a quello di classe (linee guida dei docenti, dichiarazioni nei syllabus, progettazione dei compiti). Una governance efficace allinea questi livelli: i quadri nazionali stabiliscono le aspettative, le istituzioni li traducono in politiche e strutture di supporto, e i docenti li implementano in modi che costruiscono l'alfabetizzazione all'IA e l'autonomia degli studenti. La ricerca della knowledge base sottolinea che la governance non riguarda meramente la restrizione ma il creare le condizioni per un'integrazione dell'IA responsabile, equa e di supporto all'apprendimento — incluso lo sviluppo professionale dei docenti, indicazioni trasparenti e valutazione continua. Condotta identica, verdetti diversi. Poudyal (2026) ha applicato 15 vignette standardizzate sull'uso da parte degli studenti agli ambienti di policy pubblici di 20 università australiane, producendo 300 classificazioni: 40,0% chiaramente vietate, 32,3% potenziali violazioni di policy, 9,0% consentite con condizioni e 18,7% indeterminate — nessuna che raggiungesse la soglia di chiaramente consentita. Gli strumenti vincolanti tacevano sull'IA generativa in 100 combinazioni mentre le indicazioni ne risolvevano 88, e la riscrittura divulgata e un paragrafo redatto dall'IA producevano la più alta divergenza tra università contro l'unanimità per un divieto esplicito di valutazione. Laddove si assume che i livelli sopra descritti siano allineati, questo studio misura quanto divergono, e situa il confine operativo nelle indicazioni piuttosto che nella politica vincolante.

La governance dei docenti e il caso della revisione deliberata. Laddove i livelli sopra sono allineati attraverso la politica, alcuni settori li raggiungono invece attraverso la governance condivisa. Gutowski e Hurley (2025) descrivono le facoltà di giurisprudenza come un caso difficile proprio per questo motivo: i docenti di giurisprudenza statunitensi detengono un'autorità individuale insolita sugli standard dei corsi, quindi la politica deve essere costruita con loro anziché annunciata a loro, e la maggior parte delle scuole che redigevano regole proibitive riservava anche la discrezionalità ai singoli docenti e si impegnava a rivedere man mano che la tecnologia si evolveva. Le loro raccomandazioni — flessibilità per progettazione, revisione periodica, formazione proattiva e autoregolazione attraverso la condivisione di informazioni anziché aspettare che un ente di accreditamento detti la politica — descrivono la governance come un processo continuativo anziché come un documento, lo stesso punto che il consenso Delphi fa nel raccomandare cicli di revisione programmati e un comitato multidisciplinare permanente.

A livello di tutta l'istituzione, il quadro AIGEM (Tan et al. 2026) posiziona l'IA responsabile come capacità organizzativa strategica per la gestione educativa, integrando leadership strategica sull'IA, governance responsabile, intelligenza decisionale, intelligenza collaborativa uomo-IA, sviluppo delle competenze e creazione di valore sostenibile — e collega l'implementazione responsabile agli SDG. Sottolinea che la governance non è solo uno strato di conformità sull'insegnamento ma una funzione esecutiva delle istituzioni educative.

Collegamenti ai concetti correlati

La governance dell'IA si collega all'Etica (i principi che rende operativi), all'Istruzione superiore (il contesto istituzionale), alla Privacy e alla Mitigazione del bias (specifiche questioni di governance), e all'Integrità accademica (un'arena primaria di governance). È centrale per il cambiamento istituzionale e l'IA responsabile, e si interseca con l'Alfabetizzazione sull'IA (la governance supporta lo sviluppo di un uso critico e informato). Si collega anche ai Analitiche dell'apprendimento (governance dei dati) e all'esperienza degli studenti (Esperienza dello studente) (la governance plasma il modo in cui gli studenti navigano l'uso accettabile).

Governare i beni comuni cognitivi. Il quadro dei Beni Comuni Cognitivi (Lovett 2026) inquadra la rigenerazione delle competenze come problema di azione collettiva a livello professionale che richiede una governance in stile Ostrom (definizione dei confini, monitoraggio, sanzioni graduate, scelta collettiva). La governance dell'IA non è quindi solo regolamentazione degli strumenti ma sostenimento del patrimonio di competenze condivise di cui le professioni hanno bisogno — a livello organizzativo, di associazioni professionali e di policy.

Relazione con le politiche educative

La governance è distinta da — ma inseparabile da — le politiche educative sull'IA. La policy è il contenuto: le regole e le dichiarazioni formali (quale uso dell'IA è consentito, cosa deve essere dichiarato, quale valutazione è ammessa). La governance è la macchina che produce, implementa, fa rispettare e rivede quelle regole: chi le stabilisce, come vengono risorse e comunicate, come vengono gestite conformità e ricorsi, e come si adattano man mano che l'IA si evolve. Laddove la pagina sulle politiche cataloga le regole stesse e le loro lacune di maturità, questa pagina si concentra sulle strutture e pratiche che rendono reali le regole — gruppi direttivi, revisione etica, governance della valutazione e responsabilità tra i livelli. Una regola sulla carta è policy; una regola che è posseduta, monitorata e fatta rispettare è governance. Le due sono mutualmente dipendenti: la policy senza governance è inapplicata, e la governance senza policy manca di direzione.

Il linguaggio della responsabilità può lasciare senza nome l'attore responsabile. Poudyal (2026) ha estratto 166 espressioni di obbligo o di rendicontabilità da 366 abstract sull'istruzione superiore con IA generativa e ha rilevato che nessuna assegnava responsabilità a un sistema mentre 33 lasciavano il titolare non specificato; «è necessaria una governance» non nomina nessuno che convochi, decida o faccia rispettare. Istituzioni e attori di policy avevano 37 obblighi, metonimie istituzione/educatore 30, educatori 20, ricercatori 18, e studenti solo sei.

Svetec, Divjak & Kadoić (2026) identificano l'etica e la governance dei dati come uno dei sette abilitatori di interventi educativi fidati basati sui learning analytics — politiche per l'uso etico dei LA e dell'IA, privacy dei dati, sicurezza e responsabilità — e posizionano l'affidabilità (inclusa la leadership e la governance che supportano l'implementazione) come prerequisito per interventi significativi basati sui dati.

• La governance può essere progettata dentro lo strumento. Un profilo di governance a sei dimensioni — ancoraggio pedagogico, autorità didattica, responsabilità e controllo umani, autonomia e coinvolgimento cognitivo di chi apprende, specificità di contesto e visibilità della valutazione — situa la governance nel modello di interazione, nei prompt, nelle rubriche, nei cancelli di approvazione e nelle dashboard di uno strumento didattico, e chiede se i meccanismi si adattino alla funzione didattica piuttosto che quanto lo strumento sia rigido o permissivo (Dickey, 2026).

Concetti collegati

• Partnership pedagogiche — Pedagogical Partnerships
• Dichiarazioni sull'uso e la divulgazione dell'IA — AI use and disclosure statements
• Sorveglianza degli esami a distanza
• Etica
• Istruzione superiore
• Privacy
• Mitigazione del bias
• Integrità accademica
• Alfabetizzazione sull'IA
• Analitiche dell'apprendimento
• Esperienza dello studente
• Politica sull'IA nell'istruzione
• La regolamentazione dell'IA nell'istruzione
• Valutazione sommativa
• Uso improprio dell'IA e danno all'apprendimento
• Calibrazione della fiducia
• IA generativa
• Portatori di interesse — Umbrella: people and audiences in AI education (learners, teachers, designers, administrators, policymakers)
• Sostegno e successo degli studenti — oversight for institutional AI support systems

Articoli collegati

• Artificial Intelligence Literacy and Sustainable Development: An Ethical Governance and Development Goals Framework — AI literacy as a governance capacity for sustainable development: the AIRE Taxonomy and AI–SDG Nexus (Islam, Morshed & Islam 2026)
• Artificial Intelligence in Educational Management: Opportunities, Challenges, and Future Directions — AIGEM framework for AI governance in educational management
• Institutional approaches to artificial intelligence policy and guidance in health informatics and information management education: emerging trends and inconsistencies — AI policy and guidance documents across 48 CAHIIM-accredited health informatics programs: governance as non-binding, integrity-centric guidance (Eldredge et al. 2026)
• A Guided Inquiry Approach to Students Co-Designing Generative AI Course Policies — Students co-designing GenAI course policies via guided inquiry (Hingle & Johri 2026)
• From Learning Analytics to Educational Interventions: Enhancing Decision-Making and Learning Design — From learning analytics to educational interventions: enablers of trustworthy LA-based interventions (Svetec, Divjak & Kadoić 2026)
• Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher — Student non-compliance with AI use declarations
• The Hidden Cost of Disclosure: A Multi-institutional Study on Undergraduate Students' Generative AI Usage and Faculty Accusations — The hidden cost of disclosure
• "Should I Tell My Teacher?" Student AI Disclosure Practices, Stigma, and Self-Regulated Learning in Higher Education — Student AI disclosure, stigma, and self-regulated learning
• Which inference is at risk? Assessment validity reasoning and generative AI — Which inference is at risk: assessment validity reasoning and generative AI (Weidlich 2026)
• Governing generative AI in higher education: a global Delphi study on policy and practice — Global Delphi on GenAI governance and policy
• Governing generative AI in higher education: Emerging policy approaches and support ecosystems at innovative U.S. universities — Governance by guidance: 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 — Faculty governance, instructor discretion and periodic review in law school GenAI policy (Gutowski & Hurley 2025)
• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Over-inclusive "AI" prohibitions, format conversion and the reasonable-adjustment problem (Wright 2026)
• AI refusal in higher education: the right to refuse, the duty to understand and the diagnostic value of non-use — Refusal as evidence: uneven governance, the duty to understand and the diagnostic value of non-use (Zagami 2026)
• Anticipatory governance and leadership for AI implementation in higher education: A scoping review — Anticipatory governance and leadership for AI
• New systems of learning for distance learning institutions? A six-study review of implementing AIDA — Implementing AIDA at the Open University
• Leveraging complex systems: Leading for transformative change — SPARK: Leading for Transformative Change
• Students' engagement with generative AI in academic learning: A self-determination theory and epistemic network analysis study — Students' Engagement With GenAI (SDT)
• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — Beyond Detection: Authentic Assessment Redesign
• A Comparative Analysis of Institutional and Course Generative AI Policies within Higher Education: Implications for Instruction in Computing Education — Institutional GenAI policy in computing
• Structuring Transparency: Developing Domain-Specific Generative AI Declaration Frameworks in Higher Education — AI declaration frameworks
• Generative AI as a Design Variable: An Evidence-Centered Framework for Principled Governance in STEM Assessment — Assessment governance under GenAI
• Artificial Intelligence in UK Higher Educational Policy and Institutional Decision Making — AI in UK higher-education policy
• Review of Artificial Intelligence in Education from 2020 to 2025 — Comprehensive review of AIED research
• The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise — The tragedy of the cognitive commons: AI and expertise regeneration
• 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)
• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research
• Instructional Governance by Design: A Framework for AI in Computing Education — Instructional Governance by Design: A Framework for AI in Computing Education
• Mapping the Authorized Boundary: A Comparative Policy-Vignette Study of Generative AI Governance in Australian Higher Education — Mapping the Authorized Boundary: A Comparative Policy-Vignette Study of Generative AI Governance in Australian Higher Education