Apprendimento delle lingue

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

Apprendimento delle lingue — lo studio di come l'IA supporta l'acquisizione di una seconda lingua (L2), lo sviluppo della scrittura e la diversità linguistica nei contesti educativi. La ricerca sull'IA in educazione metodologica di questa knowledge base spazia dagli interlocutori IA per il dialogo parlato alla valutazione automatica della scrittura per chi apprende una L2, al supporto per la lettura, fino alle preoccupazioni sul pregiudizio linguistico nei sistemi di punteggio basati sull'IA.

Domande da considerare

• Il linguaggio è intrinsecamente interattivo, il che lo rende particolarmente adatto all'IA conversazionale — ma le capacità linguistiche dell'IA sollevano anche rischi di pregiudizio contro le strutture non native. Dove ha visto dispiegarsi questa tensione tra opportunità e rischio?
• Uno studio ha rilevato che il punteggio attribuito dall'IA sottostima sistematicamente gli studenti linguisticamente più deboli, mentre un altro ha proposto di confrontare gli studenti con i loro lavori precedenti anziché con le norme dei madrelingua. Come cambia il "punto di riferimento" della valutazione il fatto che il feedback dell'IA aiuti o penalizzi chi apprende?
• Gli interlocutori IA possono estendere la pratica comunicativa su larga scala, ma la pagina avverte che dovrebbero essere abbinati all'interazione umana perché la fluenza si trasferisca alla conversazione reale. Cosa potrebbe guadagnare esercitandosi con un'IA che un partner umano non può offrire — e cosa perderebbe?
• È stato dimostrato che è il supporto dell'insegnante — non solo lo strumento IA — a determinare il coinvolgimento nell'apprendimento delle lingue assistito dall'IA attraverso gli obiettivi di riuscita degli studenti. Come plasmano il contesto sociale e pedagogico il fatto che chi apprende continui a impegnarsi con uno strumento di pratica basato sull'IA?
• Una meta-analisi ha trovato guadagni da piccoli a moderati, dipendenti dal livello, dalle tecnologie emergenti, con le abilità produttive (parlato, scrittura) che guadagnano più di quelle ricettive. Perché parlare e scrivere potrebbero beneficiare più dell'ascolto e della lettura dagli strumenti IA?
• Se l'IA privilegia l'inglese standard e può penalizzare le strutture linguistiche non native o diversificate, come dovrebbero gli insegnanti di lingue progettare la valutazione e il feedback affinché l'IA supporti la diversità linguistica anziché cancellarla?

Introduzione

L'apprendimento delle lingue è emerso come un ambito significativo dell'IA in educazione perché il linguaggio è intrinsecamente interattivo — il che lo rende adatto all'IA conversazionale — e perché le capacità linguistiche dell'IA sollevano al contempo opportunità (pratica linguistica personalizzata su larga scala) e rischi (pregiudizio sistematico contro le strutture linguistiche non native). Gli articoli di questa knowledge base esplorano entrambi i lati dell'equazione. Quando la lingua obiettivo è specificamente l'inglese — in particolare l'inglese per scopi accademici (EAP) e l'insegnamento dell'inglese EFL/ESL/L2 — si veda la pagina concettuale dedicata a Educazione all'inglese (EAP / EFL / ESL), che distingue la ricerca specifica sull'inglese dall'acquisizione generale di una L2 e dalla scrittura in generale.

L'IA come tutor e interlocutore linguistico è il tema più sviluppato. Cosa cambia quando l'interlocutore è un'IA? esamina la fluenza interazionale e l'assimilazione linguistica (uptake) quando chi apprende una L2 conversa con l'IA anziché con esseri umani. Il TACT fornisce tutoring ESL pedagogicamente adattivo. Children's English Reading Story Generation via Supervised Fine-Tuning of Compact LLMs with Controllable Difficulty and Safety esplora le storie generate dall'IA per lo sviluppo della lettura nei bambini. Questi studi si collegano all'Tutoraggio Intelligente e all'IA generativa. Yang, Weng e Yang (2026) hanno progettato due agenti basati su LLM — un insegnante di inglese IA convenzionale e uno che utilizza il framework 5E (engage, explore, explain, elaborate, evaluate) per l'apprendimento della grammatica per inchiesta. Su 37 studenti ESL in un confronto randomizzato, gli studenti ad alte prestazioni hanno risposto positivamente all'insegnante IA, mentre gli studenti a basse prestazioni hanno mostrato atteggiamenti misti, e le condizioni differivano in motivazione intrinseca, cambiamento cognitivo e prestazioni — a indicare che la progettazione di agenti LLM dovrebbe essere adeguata alla competenza di chi apprende.

Per i tutor fisicamente incarnati, una meta-analisi di 11 studi RALL (N = 595) ha trovato un grande effetto aggregato sull'apprendimento della L2 (g = 0,83) con un'elevata eterogeneità, e solo il formato di interazione lo moderava — i formati di gruppo battevano quelli individuali, mentre morfologia del robot, modalità, autonomia e ruolo sociale non avevano effetto (Wang, Zhang & Zou (2026)).

L'IA nella valutazione linguistica sta emergendo man mano che gli LLM supportano la generazione di item e la valutazione. Aryadoust e Wong (2026) hanno confrontato il prompt engineering con il fine-tuning per la generazione automatica di item nella valutazione dell'ascolto in L2: il perfezionamento iterativo del prompt migliorava la qualità degli item ma poi si stabilizzava, mentre il fine-tuning di GPT-4.1 sul prompt ottimizzato (mantenendo costante la progettazione del prompt) produceva ulteriori guadagni — un modello per quando gli sviluppatori di valutazioni dovrebbero investire nell'adattamento del modello piuttosto che nell'iterazione dei prompt.

Un confronto di 52 compiti di valutazione EFL valutati da 20 insegnanti esperti non ha trovato differenze complessive di qualità significative tra item generati dall'IA e sviluppati da esseri umani, ma una chiara divisione del lavoro: l'IA era preferita per grammatica e vocabolario (69%) e lo sviluppo umano per lettura, scrittura, ascolto e parlato (75–83%) (Nourashrafi, Alavinia e Darvishi (2026)).

La valutazione automatica della scrittura per chi apprende una L2 valuta la capacità dell'IA di valutare la scrittura non nativa. Bannò et al. hanno proposto un approccio auto-referenziale che confronta la scrittura dello studente con i suoi lavori precedenti anziché con le norme dei madrelingua. Feser & Tschisgale hanno rilevato che il punteggio attribuito dall'IA sottostima sistematicamente gli studenti linguisticamente deboli — un risultato che si collega all'validità della valutazione e alle preoccupazioni di mitigazione del pregiudizio. Generative AI and linguistic diversity in academic writing and publishing: Perspectives from World Englishes esplora come l'IA influenzi la diversità linguistica nei contesti accademici. Un sistema a livello di discorso va oltre denominando il difetto anziché assegnare un punteggio al testo: la classificazione delle relazioni tra coppie di frasi localizzava le rotture di coerenza — salti logici, connettivi mancanti, riferimenti ambigui — e l'adozione da parte degli insegnanti del feedback da esso generato era compresa tra il 71,2% e l'88,4% (Wang et al., 2026).

L'accessibilità per chi apprende le lingue si collega all'apprendimento inclusivo: il DysLexLens ha analizzato come chi è affetto da dislessia utilizzi l'IA per il supporto all'alfabetizzazione, e AI tools in Arab University English classrooms: Looking back and forward ha esplorato gli strumenti IA nei contesti di classe arabo-inglese. Questi studi collegano l'apprendimento delle lingue all'equità nell'IA in educazione e alla educazione speciale.

I meccanismi motivazionali nell'apprendimento delle lingue assistito dall'IA esaminano perché chi apprende si impegni con l'IA nella pratica linguistica. Wang & Wang (2026) hanno usato la teoria della definizione degli obiettivi con 758 studenti universitari cinesi di inglese per mostrare che il supporto dell'insegnante accresce il coinvolgimento nell'apprendimento assistito dall'IA attraverso gli obiettivi di padronanza e di prestazione degli studenti (non gli obiettivi di evitamento) — una prova che il contesto pedagogico e sociale, non solo lo strumento IA, determina se chi apprende resta coinvolto nella pratica linguistica assistita dall'IA. Questo collega l'apprendimento delle lingue alla motivazione e al coinvolgimento degli studenti.

Annamalai et al. (2026) aggiungono un caso qualitativo di autodeterminazione: in interviste con 25 studenti universitari malesi, ChatGPT ha sostenuto competenza e autonomia, e la sua reattività conversazionale produceva un senso di essere ascoltati — un'"ecologia motivazionale mediata dall'IA" in cui il senso di relazione è in parte soddisfatto dallo strumento, sebbene i riferimenti imprecisi richiedessero verifica e integrazione umana.

La qualità della progettazione, non la frequenza d'uso, ha veicolato l'effetto motivazionale in un tutor costruito da un insegnante: su 74 studenti universitari che usavano un GPT di giapponese limitato al corso, la frequenza d'uso fuori dalla classe non mostrava alcuna correlazione significativa con autonomia, competenza o relazione, mentre chi apprende valutava il tutor molto positivamente per l'apprendimento autodiretto (M = 4,39) e citava la sicurezza affettiva (60,8%) (Lee & Kwon, 2026).

La scrittura supportata dall'IA generativa a livello primario. Lu et al. (2026) hanno condotto un programma di scrittura opinativa di nove settimane con 301 studenti di quinta e sesta elementare nella Cina orientale, con otto classi intatte assegnate casualmente al programma o all'insegnamento convenzionale. Il programma ha accresciuto il sé ideale di scrittura in L2 degli studenti (differenza media corretta 0,20) e la resilienza accademica (0,17), e ha innalzato il coinvolgimento comportamentale ed emotivo, ma non ha mosso la mentalità di crescita, il coinvolgimento cognitivo o metacognitivo, né l'organizzazione valutata con rubriche — tra le dimensioni della scrittura, solo l'uso della lingua è migliorato. Due caratteristiche della progettazione contano per gli insegnanti di lingue: la formulazione dei prompt è stata insegnata esplicitamente, attraverso una banca categorizzata di prompt legata a obiettivi di scrittura specifici, e il feedback dell'IA generativa è stato usato insieme al confronto con il feedback dell'insegnante e alla revisione ripetuta. I guadagni di authorship riportati da chi apprende poggiavano su quella struttura didattica piuttosto che sullo strumento di per sé, e gli autori indicano la ridotta auto-regolazione e le strategie orientate alla scorciatoia come i rischi permanenti.

Implicazioni per gli insegnanti di lingue

• Le tecnologie emergenti producono guadagni da piccoli a moderati, dipendenti dal livello. Una meta-analisi di 33 studi TEFL (N = 3.181) trova un effetto complessivo di g di Hedges = 0,38 che cresce con il livello educativo (primario 0,29, secondario 0,35, terziario 0,44), con VR/AR che producono gli effetti maggiori e le abilità produttive (parlato, scrittura) che guadagnano più delle ricettive — a sostegno dell'uso delle tecnologie emergenti, specialmente a livello terziario, mantenendo al contempo aspettative realistiche.

• Una revisione sistematica mappa dove l'educazione linguistica elementare con l'IA è debole. Su 31 studi (2013-2025), il lavoro nelle classi di lingue elementari si concentrava su parlato, alfabetizzazione e vocabolario, mentre grammatica, comprensione dell'ascolto e lingua dei segni erano a malapena studiati, e la maggior parte delle progettazioni mancava di specificità per livello scolastico (Hamasha et al., 2026).

• Usare l'IA per estendere la pratica comunicativa, non per sostituirla. Gli interlocutori IA e i tutor ESL adattivi espandono la pratica interazionale su larga scala — abbinali all'interazione umana perché fluenza e assimilazione (uptake) si trasferiscano alla conversazione reale.

• Attenzione agli errori pragmatici, non solo grammaticali, nell'output dell'IA. Insegnanti di cinque metodi di insegnamento linguistico online hanno indicato la cecità pragmatica, in cui l'output dell'IA è grammaticalmente corretto ma errato quanto a tono, formalità o cultura (Baoyi e Khan (2026)).

• Dare priorità alla qualità del feedback piuttosto che alla quantità nel parlato supportato dall'ASR. Chen et al. (2026) rilevano che la correzione accurata degli errori e i compiti strutturati di riflessione migliorano l'interiorizzazione del Feedback e il comportamento riflessivo nel parlato inglese universitario, mentre l'uso frequente dell'ASR e la precisione del riconoscimento accrescono motivazione o riflessione solo parzialmente — la sola precisione tecnica non guida un coinvolgimento cognitivo più profondo, e la competenza linguistica modera i guadagni (chi apprende più forte interiorizza il feedback più efficacemente). Questo sostiene un feedback pedagogicamente solido (ad es., spiegazioni articolatorie anziché semplici segnalazioni di errore), la riflessione assistita da scaffolding e il supporto differenziato per competenza.

• Dare indizi prima delle correzioni. Un compito ChatGPT con "indizio prima della correzione", in cui chi apprende deduce le correzioni da suggerimenti guidati anziché ricevere correzioni dirette, ha ridotto il carico cognitivo e sostenuto la revisione personalizzata — ma il beneficio valeva principalmente per chi aveva già conoscenze pregresse sufficienti (58 studenti, CEFR A1–B1) (Lukešová & Jennings (2026)).

• Fornire un feedback sulla pronuncia che localizzi la differenza da colmare. Profy apprende la competenza da parlato ampiamente non annotato e mostra dove chi apprende diverge dalle distribuzioni dei madrelingua; i suoi intervalli di confidenza dell'intelligibilità pre/post non si sovrapponevano, a differenza di una baseline di imitazione elicitata — una prova che la pratica di imitazione può essere supportata senza valutatori esperti (Kawamura (2026)).

• Sostenere l'adattamento psicologico di chi apprende allo studio assistito dall'IA. Wu (2026) segue chi apprende il giapponese per un semestre e rileva che si dividono in profili di adattamento disadattivo, moderato e positivo guidati dall'equilibrio tra tecnostress e resilienza, con la maggior parte di chi apprende che si sposta gradualmente verso un adattamento positivo e riporta maggiore autoefficacia e minore burnout — un segnale per progettare una pratica linguistica mediata dall'IA che gestisca la tensione tecnologica, non solo l'accesso allo strumento.

• Stare attenti al pregiudizio di punteggio e feedback contro chi apprende. Il punteggio attribuito dall'IA può penalizzare le strutture non native; la ricerca sulla diversità linguistica avverte che l'IA privilegia l'inglese standard — usare valutazione auto-referenziale o moderata da esseri umani.

• Sostenere l'intero spettro di chi apprende. Gli studi su dislessia e accessibilità e la progettazione culturalmente responsiva (contesti arabo-inglesi) mostrano che l'IA deve essere adattata a esigenze di apprendimento diverse, non data per universale.

• È l'infrastruttura, non solo il punteggio, a escludere le lingue. Il bengalese detiene meno dello 0,5% dei contenuti web globali contro un deficit di token di addestramento inglese-bengalese di 67:1 e un divario di connettività rurale–urbano (36,5% contro 71,4% di penetrazione di internet), per cui la progettazione nativa, offline-first è un prerequisito per l'accesso anziché una comodità (Roy e Roy (2026)).

• Gli educatori valorizzano l'IA generativa per il lavoro preparatorio, non per l'uso in classe dal vivo. Una revisione sistematica PRISMA di 23 studi (Li et al. 2026) rileva che gli educatori linguistici valorizzano maggiormente l'IA generativa per la preparazione dietro le quinte — la pianificazione delle lezioni, la creazione di materiali e il supporto/feedback alla scrittura — pur restando esitanti sull'implementazione diretta e visibile in classe, a riflettere un divario teoria–pratica tra l'approvare l'IA in linea di principio e l'usarla dal vivo. L'adozione è plasmata da fattori di identità professionale, pedagogici, tecnici, istituzionali e di integrità accademica, con educatori che si collocano lungo uno spettro dalla non-adozione all'integrazione completa; gli atteggiamenti tendono a evolvere dall'insicurezza iniziale verso un uso selettivo e fiducioso con l'esposizione.

• Preparare l'alfabetizzazione sull'IA degli insegnanti di lingue. Le revisioni sistematiche rilevano che l'alfabetizzazione sull'IA tra gli insegnanti di lingue è una lacuna chiave — investire nella formazione professionale degli insegnanti insieme all'adozione degli strumenti. Man mano che l'IA rimodella l'educazione linguistica, l'alfabetizzazione sull'IA è cruciale anche perché gli insegnanti si impegnino criticamente con la tecnologia: la Teachers' AI Literacy Scale (TAILS) è stata sviluppata per la formazione degli insegnanti di lingue, operazionalizzando il framework ED-AI a sei dimensioni (conoscenza, valutazione, collaborazione, contestualizzazione, autonomia, etica) e validata con insegnanti di inglese pre-servizio.

• Quattro profili di interazione in un compito bilingue ad alta pressione. Kuang, Li e Weng (2026) hanno usato eye-tracking, registrazione della penna e registrazione vocale con 22 tirocinanti di interpretariato per mostrare che gli studenti dividono l'attenzione tra output dell'IA e i propri appunti in quattro modi distinti — Intensive Engagers, Fast Scanners, Traditionalists e Frequent Switchers — e che il 58,3% delle osservazioni a livello di fase cambiava profilo tra le fasi di comprensione e produzione dello stesso compito. Solo le strutture della fase di comprensione predicevano la qualità del prodotto, e il gruppo più dipendente dall'IA otteneva il punteggio più basso in fluenza di resa e qualità della lingua obiettivo, il che argomenta a favore dell'insegnare a chi apprende a descrivere e riflettere sulla propria strategia anziché prescrivere un unico modo di lavorare con lo strumento.

• Instradare il ciclo completo delle quattro abilità attorno a costo e connettività. Guo et al. (2026) rilasciano LLMersion-1, un prototipo local-first che copre ascolto, lettura, parlato e scrittura sul documento personale di chi apprende su hardware di consumo — un tutor 1B si quantizza a 808 MB e l'intero stack residente resta sotto i 4 GB — e prezza cinque anni di pratica quotidiana a circa \$18 di elettricità, contro \\$1.200 per un abbonamento cloud. Non sono riportati esiti per chi apprende e il feedback sulla pronuncia è solo segmentale.

Concetti collegati

• E-portfolio (portafoglio elettronico)
• Scrittura
• Alfabetizzazione sull'IA
• Equità
• Validità della valutazione
• Mitigazione del bias
• Apprendimento inclusivo
• Istruzione speciale
• Tutoraggio Intelligente
• IA generativa
• Esperienza dello studente
• Istruzione superiore
• K-12
• L'AIEd nelle discipline
• Educazione all'inglese (EAP / EFL / ESL)
• Tecnologie vocali e della voce

Articoli collegati

• Student-AI Interaction in Computer-Assisted Consecutive Interpreting: Patterns and Performance — Student-AI Interaction in Computer-Assisted Consecutive Interpreting
• Profiles and Transitions of Psychological Adaptation in AI-Assisted Japanese Language Learning — Profiles and Transitions of Psychological Adaptation in AI-Assisted Japanese Language Learning
• Designing large language model-based agents with 5E framework for ESL learners' grammar acquisition — LLM agents with 5E framework for ESL grammar acquisition (Yang, Weng & Yang 2026)
• How to Train Your Dragon: Evaluating Prompting and Fine-Tuning for GPT-Based Item Generation in L2 Listening Assessment — Prompting vs. fine-tuning GPT for L2 listening item generation (Aryadoust & Wong 2026)
• Automatic discourse relation classification and feedback optimization in English teaching based on transformer BERT model — BERT discourse classification for English teaching
• Ethical Generative AI Integration in English for Academic Purposes within Higher Education: A Mixed-Methods Study
• Aligning ChatGPT with E-Portfolio Assessment as EFL Learning Model: Its Effect on Students' Speaking Performance and Feedback Literacy
• Students' Perceptions of Multiliteracies Development Using AI-Assisted Portfolio Assessment
• LLMs in text linguistics teaching: An exploratory study with genAI novices in higher education — LLMs in text linguistics teaching
• AI-Generated versus Human-Developed Assessment Tasks in EFL Context: Insights from TPCK Model — AI-generated vs human-developed assessment tasks in EFL
• Governing the Unseen: A Systematic Review of AI Literacy among Language Teachers in Higher Education — Governing the unseen: AI literacy among language teachers
• AI-Guided Learning: Research on Knowledge and Skill Acquisition Support Methods Using Deep Learning Audio-Video Processing Techniques
• What Changes When the Interlocutor Is an AI? Interactional Fluency and Linguistic Uptake in L2 Spoken Dialogue
• Multimodality and Social Interactions in AI-Enhanced Embodied Robot-Assisted Language Learning: A Meta-Analysis — Meta-analysis of AI-enhanced embodied robot-assisted language learning
• Towards Self-Referential Analytic Assessment: A Profile-Based Approach to L2 Writing Evaluation with LLMs
• AI-based scoring systematically underestimates conceptual understanding of linguistically weak students' explanations in physics
• Generative AI and linguistic diversity in academic writing and publishing: Perspectives from World Englishes
• DysLexLens: A Low-Resource LLM Framework for Analysing Dyslexic Learners Insights from Online Forums
• TACT: Taxonomy-Aligned Post-Training for Pedagogically Adaptive English Tutoring
• AI tools in Arab University English classrooms: Looking back and forward
• Structural Silence: When AI Infrastructure Fails Speakers of Underrepresented Languages
• Instructor-Designed AI Tutors in University Foreign Language Education: A Mixed-Methods Study of Learner Motivation and Reflective Learning Experience Based on Self-Determination Theory — Instructor-Designed AI Tutors in University Foreign Language Education: A Mixed-Methods Study of Learner Motivation and Reflective Learning Experience Based on Self-Determination Theory
• Clue before correction: ChatGPT-enhanced strategy for promoting autonomous and reflective language learning — Clue Before Correction: ChatGPT for Autonomous Language Learning
• Students' experiences of using ChatGPT for English language learning: a qualitative study in a Malaysian higher education institution — Students' ChatGPT experiences in English language learning
• Interaction Effects Between Learner Characteristics and Dialogue Format in TTS Dialogue-Based Lessons — Learner characteristics × TTS dialogue-format interactions
• A Systematic Review of Emerging Technology Applications for Teaching English as a Foreign Language Across Different Educational Levels — Meta-analysis of emerging tech for EFL
• Explaining learning engagement in AI-assisted learning through teacher support and achievement goals: insights from goal-setting theory — Goal-setting theory: teacher support, achievement goals, and engagement in AI-assisted English learning (758 Chinese students)
• A Systematic Review of Language Educators' Practices and Development with GenAI — Language educators' practices and development with GenAI
• ASR Technology in College English Speaking Instruction: The Role of Feedback Internalization and Metacognitive Strategies — ASR technology in college English speaking: feedback internalization and metacognitive strategies
• Exploring the impact of a GenAI-supported writing program on primary students' writing motivation, engagement — A GenAI-supported writing program for primary L2 learners (Lu et al. 2026)
• LLMersion: A Local-First AI Agent Framework for Low-Cost Home Language Learning toward Educational Equity — LLMersion: A Local-First AI Agent Framework for Low-Cost Home Language Learning toward Educational Equity
• AI and higher education: teachers' perceptions of students' ethical tensions in online pedagogical methods — Pragmatic blindness: AI language output can be grammatically correct but culturally wrong