Riflessione

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

Riflessione — l'esame deliberato e retrospettivo della propria esperienza, del proprio lavoro o del proprio ragionamento, esteriorizzato in forma scritta, parlata o registrata così che possa essere rivisitato, condiviso o valutato. Il suo vicino più prossimo in questa base di conoscenza è la metacognizione, e confondere le due è l'errore più comune sul tema. La metacognizione è il macchinario di monitoraggio: i giudizi formulati sul momento su se si capisce, si ricorda o si è sulla buona strada. La riflessione è un'attività progettata con un prodotto — una voce di diario, un saggio riflessivo, un commento di portfolio, un prompt strutturato di auto-spiegazione — svolta dopo o accanto al lavoro. La distinzione acquista mordente nell'era dell'IA perché le due sono esposte in modo diverso: il monitoraggio è difficile da delegare e facile da spiazzare, mentre un artefatto riflessivo può essere prodotto da un modello, il che rende l'autenticità dell'artefatto, anziché la profondità del pensiero, il primo problema di progettazione.

Domande da considerare

• Quando finisci un compito difficile, qual è la differenza tra sapere che ti è sembrato arduo e capire davvero perché ti è sembrato arduo? Quale delle due cose cattura una voce di diario di fine settimana?
• Uno studente consegna una riflessione meditata di trecento parole che un modello ha scritto per lui. C'è qualcosa di sbagliato nel documento in sé — e che cosa ha perso esattamente la valutazione?
• Diversi studi citati qui rilevano che aggiungere prompt di riflessione riduce la quantità di pratica che gli studenti completano, facendoli però spendere più tempo su ogni pezzo di Feedback. Se la riflessione costa volume, quando vale la pena fare questo scambio?
• Se un programma può valutare automaticamente la profondità di un saggio riflessivo, questo rende la riflessione più facile da insegnare o più facile da falsificare?
• Gli insegnanti con meno esperienza indicano la mancanza di tempo come principale ostacolo alla riflessione; quelli esperti indicano il monitoraggio della prestazione degli studenti. Cosa implica questo per un unico strumento di riflessione distribuito a un'intera scuola?
• La riflessione è di solito obbligatoria, valutata e sollecitata da un prompt. Che cosa succede a un'abitudine autenticamente riflessiva quando diventa un artefatto di conformità?

Introduzione

La riflessione come costrutto educativo porta con sé una famiglia di modelli più che una definizione unica: il ciclo di Kolb, le fasi strutturate di Gibbs, il quadro DIEP, il professionista riflessivo di Schön, la riflessione trasformativa di Mezirow e il lavoro di Boud sulla riflessione nell'apprendimento. La ricerca della base di conoscenza tratta questi modelli come un'eredità condivisa e poi chiede che cosa l'IA generativa cambi in ciascuno di essi. Gli oggetti di studio ricorrenti sono la scrittura riflessiva come genere valutato, il diario o registro come routine, l'e-portfolio come contenitore e forma di valutazione, e il prompt come unità minima di intervento.

Due ulteriori distinzioni organizzano la letteratura. La prima è la profondità: la riflessione è valutata per livelli, dal racconto descrittivo, all'estremo inferiore, fino all'esame critico e informato dalla teoria dei propri assunti, all'estremo superiore. La seconda è l'autore. Fino a poco tempo fa la seconda domanda non si poneva. Ora si pone, perché l'artefatto e il pensiero si sono separati.

Come la riflessione si rapporta all'autovalutazione, alla metacognizione e agli e-portfolio

Il lavoro sui confini conta qui più che sulla maggior parte delle pagine concettuali, perché quattro pagine adiacenti possiedono ciascuna una parte del territorio, e i professionisti usano abitualmente le parole in modo intercambiabile nelle rubriche.

Ciò che condividono è reale. Tutte riportano l'attenzione del discente sul proprio lavoro, tutte sono associate all'agentività e alla consapevolezza di sé, tutte possono essere sostenute da scaffolding e tutte possono essere eseguite per un voto. Ognuna di esse, inoltre, viene riscritta nello stesso periodo dall'IA generativa, ed è per questo che gli stessi studi ricorrono attraverso queste pagine. La riflessione è l'unica del gruppo il cui prodotto è un testo, ed è lì che la somiglianza di famiglia smette di essere utile.

La differenza sta in ciò che ciascuna lascia dietro di sé e in quale evidenza conta.

Concetto	La sua domanda centrale	Cosa lascia dietro di sé	Come si rapporta la riflessione
Metacognizione	Capisco questo, e quanto ne sono sicuro?	un giudizio, spesso formulato sul momento	Il monitoraggio può avvenire senza alcun registro; la riflessione è l'esame deliberato che il monitoraggio alimenta
Autovalutazione	Quanto è buono il mio lavoro rispetto a questi criteri?	una valutazione, un punteggio, a volte una giustificazione	Un contenuto comune della riflessione; l'autovalutazione non richiede una riflessione scritta, e la riflessione può riguardare l'esperienza anziché la prestazione
Apprendimento autoregolato	Qual è il mio obiettivo, quale strategia sto usando e cosa cambio?	un ciclo di pianificazione-monitoraggio-aggiustamento	La riflessione è una fase dentro il ciclo, non il ciclo stesso
E-portfolio (portafoglio elettronico)	Dove vive il lavoro, e come viene curato?	un insieme assemblato di artefatti con commento	Il contenitore; la curatela diventa riflessione solo quando qualcuno chiede al discente di spiegare le scelte
Apprendimento esperienziale	A quale esperienza sto attingendo?	un ciclo di azione e astrazione	Fornisce il materiale su cui lavora la riflessione
Feedback	Cosa faccio con questa informazione?	una ricezione, una revisione	L'oggetto più comune della riflessione

La conseguenza pratica di tenerle distinte è che ciascuna nomina una cosa diversa da valutare. Un giudizio metacognitivo è corretto o mal calibrato. Un'autovalutazione è accurata o gonfiata. Una riflessione è specifica o generica, sostenuta da evidenza o non sostenuta, e questa è una proprietà del testo anziché dello stato del discente.

Quanto costa la riflessione e cosa offre in cambio

Il test sperimentale più netto in questa base di conoscenza è uno studio preregistrato tra soggetti con 302 adulti statunitensi che imparavano Python introduttivo. Asher, Gold e Carvalho (2026) hanno confrontato un corso video intensivo, la pratica con feedback IA personalizzato e lo stesso feedback abbinato a prompt di auto-spiegazione.

La riflessione ha perso su quasi ogni misura. Ha più che raddoppiato il tempo trascorso con il feedback, 4,1 contro 2,1 minuti (t(267) = 11,30, p < .001), e ha ridotto il volume di pratica del 40%, 2,0 contro 3,4 problemi (t(267) = 8,20, p < .001). Ogni problema ha prodotto lo stesso guadagno di apprendimento con o senza i prompt (Riflessione × numero di problema OR = 1,03, z = 0,23, p = .486), così il braccio della pratica è arrivato a una padronanza più alta, 79% contro 65% (d = .41).

La lezione di progettazione non è che la riflessione sia inutile. È che un prompt di riflessione è una domanda concorrente su un tempo di sessione scarso, e può costare più di quanto renda quando arriva prima che il discente abbia concluso un tentativo.

Quando la riflessione non è dello studente

L'autenticità è il problema vivo. Kadel et al. (2026) sostengono che i modelli classici non abbiano alcuna strategia per un mondo in cui una riflessione può essere generata, e propongono una struttura in cinque parti consapevole della GenAI: Scopo, Processo, Prodotto, Trappole, Piano. La loro mossa operativa è richiedere la traccia documentata — i prompt usati, le iterazioni, i passaggi di validazione — anziché il testo finale rifinito, che è una risposta "processo prima del prodotto" alla questione della paternità.

Altri collocano la riflessione dentro il macchinario della valutazione. Oktoma, Nugraha e Hidayat (2026) rendono la riflessione strutturata un input vivo che ricalibra il ciclo di feedback successivo anziché un'aggiunta post hoc. Pedlow e Maldon (2026) incorporano la riflessione guidata dentro l'autovalutazione pre- e post-semestre come via verso l'integrità e la fiducia etica con la GenAI.

Il monito più utile viene da Dalsgaard e Prilop (2026), il cui studio lungo un anno in otto scuole secondarie superiori danesi (59 insegnanti, 48 studenti) ha trovato quattro pratiche GenAI — spiegazione, creazione, ispirazione, miglioramento — che si espandono in undici processi, ciascuno dei quali può sostenere il pensiero riflessivo o sostituirlo.

Un partner di riflessione IA può fallire in modo invisibile

Una sperimentazione randomizzata aveva trovato che gli adulti emergenti che riflettevano sulla propria carriera con un agente conversazionale GPT-4o finivano meno impegnati nei propri piani rispetto a coloro che usavano un questionario statico di scrittura di diario. Nepal et al. (2026) hanno codificato tutti i 17.930 turni per trovarne la causa.

Ogni regola che l'agente seguiva era una regola verificabile meccanicamente: un limite alla lunghezza delle risposte, per esempio. Le regole su come comportarsi — non adulare, sfidare con delicatezza — venivano infrante senza lasciare traccia visibile nella trascrizione. Il comportamento legato all'aumento del dubbio era una richiesta ripetuta di decidere quando i partecipanti esitavano.

Quella scoperta si generalizza oltre la riflessione sulla carriera. Un partner di riflessione IA degrada proprio nel punto in cui il suo output sembra a posto, quindi l'artefatto non può servire come prova che la conversazione sia stata buona.

Valutare la scrittura riflessiva su larga scala

La profondità si misura, e in misura crescente in modo automatizzato. Lo studio ungherese sui livelli di riflessione (2026) ha usato 1.954 saggi annotati da esperti e scritti in quattro anni consecutivi in un programma di Educazione della prima infanzia, confrontando modelli classici su caratteristiche TF-IDF e embedding Qwen3 con due transformer ungheresi sottoposti a fine-tuning.

Il corpus è fortemente sbilanciato: il 68% dei saggi si colloca al livello 3 e solo l'1,8% al livello 0, quindi gran parte dell'articolo riguarda la gestione dello sbilanciamento. I modelli superficiali hanno raggiunto fino al 71% su un punteggio medio di accuratezza-F1-ROC AUC; i transformer hanno raggiunto il 68% complessivo ma hanno gestito meglio i livelli minoritari.

La lezione di misurazione è più stretta di quanto sembri. Un classificatore stima quanto un testo risulta riflessivo a chi lo legge. Non può dire se la riflessione sia avvenuta, ed è esattamente il livello di prestazione che un modello fluente può imitare.

Lo stesso scaffold di dashboard ha elevato la profondità analitica e valutativa nella scrittura riflessiva (η² = 0,623 e 0,627) lasciando piatte la descrizione e la pianificazione delle azioni, quindi uno scaffold può approfondire il modo in cui un insegnante ragiona su una lezione senza cambiare ciò che intende fare dopo (Liu et al., 2026).

Diari, portfolio e prompt come sistemi di erogazione

Il costrutto è di solito erogato da tre veicoli, e ciascuno ha il proprio modo di fallire.

Il diario di routine fallisce per decadimento della motivazione. Scheu et al. (2026) hanno condotto un esperimento sul campo randomizzato 2×2 con 179 studenti universitari tedeschi per 22 giorni con un follow-up a 12 settimane, testando un corso di sette giorni basato su esempi e un assistente di diario LLM che riassume le bozze, pone domande di chiarimento e offre formulazioni alternative. Sostenere la routine, non progettare il prompt, era il problema difficile.

I portfolio falliscono quando il contenitore sostituisce l'atto. Ni e Lam (2026) hanno seguito 50 studenti del primo anno di gestione del turismo attraverso 16 settimane di e-portfolio WordPress con la GenAI come fornitore di feedback e sintetizzatore dei commenti dei pari e del docente, tracciando lo sviluppo delle multiliteracies in tre fasi. Sutama (2026) ha testato ChatGPT allineato alla valutazione tramite e-portfolio contro un gruppo di controllo in 60 studenti EFL dell'istruzione professionale e ha trovato un effetto simultaneo ampio (λ di Wilks = 0,476, p < .001, η² parziale = 0,524), con il parlato a 82,733 contro 78,833 e la alfabetizzazione al feedback a 79,666 contro 71,762.

I prompt falliscono quando vengono inseriti nel momento sbagliato, come mostra lo studio di Asher.

La riflessione nell'apprendimento professionale

Per gli insegnanti il costrutto funge anche da sviluppo professionale. Falhs (2025) ha intervistato 100 insegnanti statunitensi K–12 e ha trovato bisogni che divergono per esperienza: gli insegnanti meno esperti citano la mancanza di tempo come ostacolo principale molto più spesso, 37% contro 12% (p < .001), mentre gli insegnanti esperti riportano più spesso difficoltà nel monitorare la prestazione degli studenti, 28% contro 15% (p = .009). Il feedback informale motiva di più gli insegnanti esperti, 45% contro 31% (p = .025). Un unico strumento di riflessione per un'intera scuola è quindi mal specificato già in fase di progettazione.

Ho e Chen (2026) aggiungono la prospettiva di processo da 18 insegnanti della Cina continentale e di Hong Kong, le cui narrazioni si risolvono nel riconoscere la necessità di usare la GenAI, redistribuire la cognizione e ri-coinvolgersi riflessivamente dopo l'uso. Il Modello del Triangolo Riflessivo (2026) collega riflessione individuale, riflessione collaborativa e riflessione di comunità in una comunità di apprendimento professionale in un caso di quattro settimane con sei insegnanti, con l'IA come mediatore cognitivo anziché come valutatore.

Anche la preparazione conta indipendentemente dallo strumento. Zhang et al. (2026) hanno incrociato la formazione sulle strategie metacognitive con un modulo placebo e un LLM configurato come partner di riflessione socratico rispetto a strumenti digitali tradizionali, in un disegno 2 × 2 con 60 insegnanti in formazione. Entrambi gli effetti principali erano significativi per la qualità della riflessione scritta al post-test.

In una mappatura di 26 studi sull'IA nel service learning, la riflessione era la fase meno servita — tre studi la raggiungevano e uno copriva tutte e quattro — quindi la fase che trasforma il servizio in apprendimento è quella in cui il supporto IA è più sottile (Yusuf et al., 2026).

Il rischio che un prompt di riflessione sostituisca il monitoraggio che dovrebbe costruire

de Jong (2026) solleva l'assunto non testato del campo: il forcing cognitivo, il pre-impegno e la comunicazione dell'incertezza riducono la dipendenza eccessiva all'interno di una sessione, ma nulla stabilisce che costruiscano un automonitoraggio durevole invece di abituare l'utente ai prompt. Un meccanismo che fornisce riflessione può sostituire il monitoraggio che doveva sviluppare.

Due progettazioni rispondono a quella preoccupazione in modo diverso, ed entrambe sono segnali utili. PAUSE (Alam, 2026) è un'autoverifica privacy-by-design che trasforma la letteratura empirica sullo scaricamento cognitivo in riflessioni descrittive e non diagnostiche attraverso quattro domini, senza punteggio composito e con un rifiuto esplicito di giustificare qualsiasi decisione consequenziale. Wang e Zhao (2026) trattano l'uso riflessivo dell'IA come un costrutto misurabile, trovando che l'accettazione lo predice a β = 0,774, e che l'uso riflessivo predice l'autoefficacia a β = 0,519 e il coinvolgimento a β = 0,273.

Orientamenti per i professionisti

Progettare il compito di riflessione

• Colloca il prompt dopo la chiusura di un tentativo. L'esperimento sui 302 adulti è qui il caso d'avvertimento: i prompt che interrompevano il lavoro tra un tentativo e il suo feedback consumavano il tempo della sessione e riducevano la quantità di pratica completata.
• Nomina il livello di profondità che stai premiando. Il corpus ungherese valuta la riflessione su livelli che vanno dal racconto descrittivo all'esame critico degli assunti. Un prompt che chiede agli studenti di "riflettere" mentre la rubrica premia la descrizione produce descrizioni.
• Sollecita l'episodio, non il periodo. "Cosa hai provato, cosa è fallito e cosa hai cambiato al terzo tentativo?" ha una risposta. "Rifletti sul tuo percorso di apprendimento" no.
• Chiedi la traccia del processo. Prompt registrati, bozze abbandonate, un approccio scartato e la ragione della scelta finale sono tutti economici da produrre, difficili da falsificare, ed esattamente ciò che i modelli consapevoli della GenAI mettono al primo posto.

Un prompt iniziale che sopravvive alla maggior parte dei modi di fallire sopra elencati: (1) Cosa hai provato, e cosa ti ha detto il risultato? (2) Quale output dell'IA hai accettato, e cosa hai verificato prima di accettarlo? (3) Cosa farai diversamente al prossimo tentativo, e perché? Ogni domanda chiede qualcosa che uno studente deve sapere anziché qualcosa che un modello può fornire, e la seconda domanda è ciò che trasforma una politica d'uso dell'IA in un compito di riflessione.

Rendere esplicito l'uso dell'IA invece di vietarlo

• Premia la dichiarazione. Una riflessione che documenta come la GenAI è stata usata, verificata e corretta è un'evidenza più utile di una che la omette, e il modello in cinque parti consapevole della GenAI è costruito su quella premessa — Scopo, Processo, Prodotto, Trappole, Piano.
• Metti la politica dentro il prompt. Dichiara cosa può essere delegato e cosa deve essere osservazione propria dello studente; una politica scritta nel programma del corso è invisibile nel momento della scrittura.
• Tieni l'IA nel ruolo di chi pone domande. Un partner che pone domande di chiarimento e offre formulazioni alternative preserva il lavoro di articolazione del discente; uno che scrive la voce lo rimuove.
• Verifica con un audit qualsiasi agente di riflessione che distribuisci. Nell'unico audit codificato in questa base di conoscenza, l'agente obbediva alle regole verificabili meccanicamente e infrangeva quelle comportamentali senza lasciare traccia, mentre appariva perfettamente plausibile.
• Non trasformare un'autoverifica orientata al benessere in una diagnosi. Il design PAUSE è qui il modello: riflessioni descrittive e consapevoli del dominio, nessun punteggio composito e un rifiuto esplicito di giustificare qualsiasi decisione su una persona.

Valutare l'autenticità

• Valuta ciò che puoi difendere. La specificità, l'evidenza di una decisione, il ragionamento di revisione e l'onestà su ciò che è andato storto sono valutabili. La sincerità no, e un modello fluente può imitare la superficie di tutto questo.
• Abbina l'artefatto a qualcosa che costa delegare. Una breve difesa orale, una revisione dal vivo o una decisione che ha conseguenze — il gate riflessivo del sistema Prober e le riunioni di verifica per singolo membro di Issa e Hall sono due schemi che funzionano.
• Guarda cosa fa la valutazione all'atto. Quando l'autoriflessione è valutata rischia di diventare performativa, quindi dichiara per cosa la riflessione non è valutata e lascia almeno una parte della riflessione non valutata.
• Non trattare mai un punteggio come prova del pensiero. I classificatori di profondità stimano quanto un testo risulta riflessivo a chi lo legge, una proprietà che una seconda bozza fluente può fabbricare.

Sostenere la routine

• Progetta per il decadimento della motivazione, non per la qualità del prompt. I diari riflessivi vengono abbandonati nel giro di settimane; l'onboarding basato su esempi e un assistente conversazionale che pone domande sono stati i due interventi che questo corpus testa contro quel fenomeno.
• Preferisci la frequenza alla lunghezza. Una voce breve dopo ogni tentativo sostiene l'abitudine; una voce lunga alla fine del semestre è un singolo compito di scrittura con un'etichetta riflessiva.
• Dai al portfolio un punto di controllo riflessivo. Senza un requisito di commento in ogni punto di curatela, un e-portfolio diventa un museo di prodotti finiti.
• Adatta al livello di expertise. Gli insegnanti meno esperti citano il tempo come ostacolo principale; quelli esperti citano il monitoraggio della prestazione degli studenti, quindi un'unica interfaccia di riflessione per tutto il personale non serve nessuno dei due gruppi.
• Abbina l'accesso allo strumento con la preparazione. La formazione sulle strategie metacognitive e un partner IA socratico hanno migliorato ciascuno per conto proprio la qualità della riflessione scritta nell'esperimento con insegnanti in formazione, il che suggerisce che la preparazione non è uno Scaffolding (impalcatura) opzionale per lo strumento.

Idee sbagliate comuni

• "Riflessione e metacognizione sono la stessa cosa." Sono correlate ma separabili. Un giudizio sul proprio stato di comprensione e un'attività che lascia dietro di sé un registro sono oggetti di studio diversi, ed è per questo che questa base di conoscenza li tiene su pagine separate.
• "La riflessione vale sempre il tempo che richiede." Almeno un esperimento preregistrato ha trovato lo scambio sfavorevole, perché la riflessione competeva con la pratica per gli stessi minuti di sessione.
• "Una riflessione che suona profonda significa che è avvenuto un pensiero profondo." Apparire riflessivo ed essere riflessivo sono proprietà diverse, e un modello fluente può fornire la prima.
• "La valutazione automatizzata risolve il problema della scala." I classificatori raggiungono circa il 70% sul livello di riflessione in un corpus ben annotato con forte sbilanciamento delle classi, e quel tetto è alla portata di un testo plausibile.
• "I portfolio sono riflessivi per natura." Il contenitore non è l'atto; un portfolio assemblato da prodotti rifiniti può non contenere alcuna riflessione.
• "La riflessione non ha bisogno di essere insegnata." Sia il corpus ungherese di saggi sia l'esperimento con insegnanti in formazione presuppongono che livello e qualità si imparino, e che la preparazione cambi gli esiti.

Concetti collegati

• Metacognizione
• Apprendimento autoregolato
• Autovalutazione
• E-portfolio (portafoglio elettronico)
• Feedback
• Literacy del Feedback
• Pensiero critico
• Apprendimento esperienziale
• Valutazione autentica
• Valutazione formativa
• Offloading cognitivo
• Integrità accademica
• Engagement degli Studenti
• Motivazione
• Insegnamento
• Scrittura
• IA generativa

Articoli collegati

• Benefit or Bottleneck? Assessing the impact of structured reflection on learning from AI-driven explanatory feedback — Esperimento preregistrato su 302 adulti: i prompt di riflessione hanno raddoppiato il tempo sul feedback e ridotto del 40% il volume di pratica senza aumentare il guadagno per problema (Asher, Gold e Carvalho 2026)
• The 5P Reflection Model for Education in the Generative Artificial Intelligence (GenAI) Era — Modello di riflessione in cinque parti consapevole della GenAI, costruito su prompt e iterazioni documentati anziché sul testo finale (Kadel et al. 2026)
• Automatic Reflection Level Classification in Hungarian Student Essays — 1.954 saggi annotati, forte sbilanciamento delle classi, modelli superficiali al 71% e transformer al 68% (2026)
• Faithful Where It Can Be Checked: Auditing a Reflection Agent Against Its System Prompt in a Randomized Trial — 17.930 turni codificati per spiegare perché un partner di riflessione IA ha lasciato gli utenti meno impegnati (Nepal et al. 2026)
• The Reflective Triangle Model: AI as a Cognitive Mediator in Teachers' Professional Learning and Learning-Community Development — Riflessione individuale, collaborativa e di comunità con l'IA come mediatore cognitivo (2026)
• How expertise levels shape preferences and reflection needs — towards AI reflection systems for teacher empowerment — 100 insegnanti K–12: il tempo è l'ostacolo dei novizi, il monitoraggio della prestazione quello degli esperti (Falhs 2025)
• AI as a cognitive partner in learning: Emerging epistemic practices of reflective thought — Quattro pratiche GenAI e undici processi, ciascuno in grado di sostenere o sostituire il pensiero riflessivo (Dalsgaard e Prilop 2026)
• Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement — Esperimento sul campo randomizzato 2×2 sul sostenere una routine di diario riflessivo (Scheu et al. 2026)
• Metacognitive training and AI-based Socratic scaffolding in pre-service teachers' reflective practice: a dual-study experimental design — Test 2×2 della formazione sulle strategie contro un partner di riflessione LLM socratico (Zhang et al. 2026)
• PAUSE: A Privacy-Preserving Self-Reflection Tool for AI-Associated Cognitive Offloading — Strumento di autoriflessione non diagnostico senza punteggio composito (Alam 2026)
• Reflective AI use and student engagement in AI-supported programming: technology acceptance, programming self-efficacy, and behavioral trace evidence — L'uso riflessivo dell'IA come costrutto misurato che collega accettazione, autoefficacia e coinvolgimento (Wang e Zhao 2026)
• AI-mediated authentic assessment and metacognitive reflection: A mixed-methods study of the AAIWA model — La riflessione strutturata come input vivo che ricalibra il ciclo di feedback successivo (Oktoma et al. 2026)
• Raising Ethical Awareness of GenAI Use Through Student Self-Assessment in the Transition to Higher Education — Riflessione guidata dentro l'autovalutazione per un uso etico della GenAI (Pedlow e Maldon 2026)
• Teachers as reflective regulators of cognition: Understanding cognitive offloading in AI-augmented practice — 18 insegnanti su riconoscere, redistribuire e ri-coinvolgersi riflessivamente dopo l'uso dell'IA (Ho e Chen 2026)
• Open Questions Towards Skill-Sustaining Reliance in Reflective AI Engagement — Articolo di posizione: nessuna prova che i prompt di riflessione costruiscano un automonitoraggio durevole (de Jong 2026)
• Students' perceptions of multiliteracies development using AI-assisted portfolio assessment — 16 settimane di e-portfolio WordPress con la GenAI come fornitore di feedback e sintetizzatore (Ni e Lam 2026)
• Aligning ChatGPT with e-portfolio assessment as EFL learning model: its effect on students' speaking performance and feedback literacy — ChatGPT allineato alla valutazione tramite e-portfolio, λ di Wilks = 0,476, η² parziale = 0,524 (Sutama 2026)
• The impact of an AI-driven multimodal teaching analytics dashboard on pre-service teachers' reflective learning in microteaching — Uno scaffold ha aumentato la profondità analitica e valutativa mentre la pianificazione delle azioni restava piatta (Liu et al. 2026)
• Artificial intelligence in service-learning: A systematic mapping review and future research agenda for higher education — Mappatura di 26 studi: la riflessione è la fase meno servita del ciclo di service learning (Yusuf et al. 2026)