Modello SAMR

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

Il modello SAMR — un quadro di integrazione tecnologica sviluppato da Ruben Puentedura che classifica la misura in cui una tecnologia trasforma l'apprendimento lungo quattro livelli: Sostituzione, Aumento, Modifica e Ridefinizione. I due livelli inferiori (Sostituzione, Aumento) migliorano un compito esistente — la tecnologia fa ciò che si faceva prima, in modo migliore o più comodo; i due superiori (Modifica, Ridefinizione) lo trasformano — il compito stesso diventa qualcosa che prima non era possibile. Nell'IA nell'educazione, SAMR è la lente standard per chiedersi se l'IA generativa venga usata per migliorare in modo incrementale la pratica esistente o per riconcettualizzare l'apprendimento, e si colloca accanto a TPACK come modo di descrivere come gli insegnanti integrano la tecnologia anziché perché la accettano.

Domande da considerare

• Quando l'IA viene introdotta in un corso, è una Sostituzione (un chatbot sostituisce una casella di ricerca) o una Ridefinizione (un compito diventa possibile quando prima non lo era)? Che cosa determina quale livello sia appropriato — e la trasformazione è sempre l'obiettivo?
• SAMR e i modelli di adozione della tecnologia rispondono a domande diverse: la teoria dell'adozione chiede perché un insegnante o un'istituzione accetti uno strumento; SAMR chiede quanto profondamente lo strumento cambi l'apprendimento. A quale domanda risponde davvero un dato studio sull'integrazione dell'IA?
• Una revisione sistematica dell'integrazione dell'IA nell'istruzione superiore ha rilevato che la maggior parte degli usi si collocava al livello Sostituzione o Aumento, con un solo studio che si avvicinava alla Ridefinizione. Se questo è il caso tipico, che cosa suggerisce riguardo al divario tra il potenziale dell'IA e la sua realtà in classe?
• SAMR viene frequentemente invocato nella formazione degli insegnanti e nello sviluppo professionale per aiutare i docenti a pianificare l'uso della tecnologia. Classificare il livello SAMR di una lezione cambia ciò che un insegnante fa effettivamente, o è principalmente un'etichetta descrittiva?
• I critici sostengono che SAMR, come TPACK, poggi su un'ontologia umanista che tratta la cognizione come immutata dalla tecnologia, e che non dica nulla sul potere, sulla proprietà dei dati o sull'equità. Una lente sul livello di integrazione è sufficiente, o l'integrazione nell'era dell'IA richiede un quadro più critico?

Introduzione

SAMR descrive la profondità della trasformazione tecnologica dei compiti di apprendimento. I suoi quattro livelli formano una scala ascendente dal miglioramento alla trasformazione: Sostituzione (lo strumento ne sostituisce un altro senza cambiamento funzionale — un chatbot al posto di un motore di ricerca), Aumento (lo strumento sostituisce e migliora — il correttore ortografico di un elaboratore di testi rispetto a una macchina da scrivere), Modifica (il compito è significativamente ridisegnato — gli studenti collaborano in tempo reale su una bozza condivisa generata dall'IA) e Ridefinizione (compiti nuovi, prima inconcepibili, diventano possibili — chi apprende cocrea con un modello generativo in modi che non hanno analoghi non-IA). Il modello è ampiamente usato nella ricerca sulle tecnologie educative e nell'sviluppo professionale degli insegnanti come vocabolario per pianificare e valutare l'integrazione tecnologica, ed è un compagno standard di TPACK e dei quadri di adozione della tecnologia — sebbene risponda a una domanda diversa da entrambi.

Che cosa significano i quattro livelli

• Miglioramento (metà inferiore): Sostituzione e Aumento migliorano un compito esistente senza cambiarne la natura. La maggior parte dell'uso routinario dell'IA — la generazione di domande, la rapida generazione di testo, la sintesi — si colloca qui: è più veloce e più comoda ma non altera ciò che si chiede a chi apprende.
• Trasformazione (metà superiore): Modifica e Ridefinizione cambiano il compito stesso. Il vibe coding, la cocostruzione in tempo reale con un modello e il dialogo interattivo adattivo sono compiti che non erano possibili prima dell'IA generativa, e rappresentano l'estremo trasformativo della scala.

SAMR è frequentemente abbinato al quadro ICAP perché i due si allineano: i quattro scenari dalla cucina all'apprendimento in Rummel, Nachtigall & Panadero (2026) mappano le modalità di coinvolgimento dell'ICAP sui livelli SAMR — ICAP Passivo con SAMR Sostituzione, Attivo con Aumento, Costruttivo con Modifica e Interattivo con Ridefinizione — illustrando una progressione dalla delega passiva alla cocostruzione interattiva.

Evidenze dalla base di conoscenza

• L'integrazione dell'IA nell'istruzione superiore è in gran parte incrementale, non trasformativa. AlSheikh et al. (2026), in una revisione sistematica PRISMA di 22 studi di intervento selezionati da 959 record, hanno classificato l'integrazione dell'IA con il modello SAMR e hanno rilevato che la maggior parte degli studi si concentrava al livello Sostituzione o Aumento, con meno alla Modifica e un solo studio che si avvicinava alla Ridefinizione. L'IA veniva tipicamente introdotta per migliorare la pratica esistente — dominata dall'automazione della valutazione e dal supporto all'apprendimento personalizzato — anziché per riconcettualizzare curricoli o risultati di apprendimento.
• SAMR è una comune lente analitica per il cambiamento del curriculum guidato dall'IA generativa. Sabani et al. (2026) mappano cinque spostamenti curricolari (da statico a dinamico, da trasmissione a capacità, da locale a istituzionale) su lenti consolidate tra cui SAMR e l'allineamento costruttivo, usando il modello per chiarire i meccanismi pedagogici attraverso cui l'IA generativa rimodella il curriculum.
• SAMR e TPACK ancorano gli standard di integrazione della tecnologia per insegnanti. Crompton et al. (2026) collocano i loro sei standard tecnologici per il corpo docente rispetto a quadri esistenti — Conoscenza Tecnologica Pedagogica dei Contenuti (TPACK), RAT, SAMR, SETI — e standard (ISTE, UNESCO, DigCompEdu), la maggior parte dei quali rivolti agli insegnanti K-12 o solo alla porzione di insegnamento dei ruoli del corpo docente, lasciando una lacuna nello sviluppo del corpo docente dell'istruzione superiore.
• SAMR è un bersaglio della critica postumanista. Elsayed (2026) critica i modelli TPACK, SAMR e Alfabetizzazione sull'IA per la condivisione di un'ontologia umanista che presuppone un soggetto che apprende circoscritto, la cui cognizione è fondamentalmente immutata dalla mediazione tecnologica, sostenendo che questi quadri strumentalisti non possono affrontare il ruolo costitutivo dell'IA nella cognizione.
• Un quadro per l'integrazione, non un quadro per il potere. Poudyal (2026) valuta SAMR accanto a TPACK e ad altri quadri di integrazione e rileva che nessuno affronta il potere equo, la proprietà dei dati o la responsabilità, motivando un quadro alternativo di coagentività ecologica.
• Anche l'uso da parte degli studenti si mappa su SAMR, e il feedback attraversa ogni livello. Codificando le dichiarazioni sull'uso dell'IA generativa di 31–36 studenti in un'unità di fisica, l'apprendimento è stato collocato a sostituzione–aumento, la formattazione a sostituzione e lo svolgimento dei compiti a modifica–ridefinizione, mentre il feedback — verificare, chiarire, controllare — appariva a tutti e quattro i livelli (Quince e Faulconer (2026)).

SAMR, TPACK e adozione della tecnologia: in che cosa differiscono

Tre quadri vengono frequentemente confusi ma rispondono a domande distinte:

• I modelli di adozione della tecnologia (TAM, UTAUT) spiegano perché un individuo o un'istituzione accetti e continui a usare una tecnologia — utilità percepita, facilità d'uso e influenza sociale.
• TPACK descrive la conoscenza di cui un insegnante ha bisogno per integrare la tecnologia in modo efficace — l'interazione tra conoscenza tecnologica, pedagogica e disciplinare, estesa nell'era dell'IA ad AI-TPACK/GenAI-TPACK.
• SAMR classifica quanto profondamente una tecnologia trasformi un compito di apprendimento, dal miglioramento alla ridefinizione.

SAMR si comprende al meglio come una lente sulla profondità di integrazione usata nella pianificazione e nella valutazione, che integra la teoria dell'adozione (che spiega l'adozione) e TPACK (che spiega la capacità degli insegnanti). Nell'era dell'IA, è usata in modo più produttivo per chiedersi se l'IA generativa venga applicata per migliorare compiti esistenti o per abilitare compiti genuinamente nuovi — una distinzione che percorre tutta la ricerca della base di conoscenza sulla valutazione e il curriculum.

Implicazioni per la pratica

• Usare SAMR per porre la domanda sulla profondità, non per prescrivere la trasformazione. Il miglioramento non è intrinsecamente inferiore; molti usi routinari dell'IA sono Sostituzioni legittime. Il modello è diagnostico: chiarisce che cosa un dato uso cambi effettivamente.
• Abbinarlo a ICAP. SAMR descrive che cosa diventa il compito; ICAP descrive come chi apprende si coinvolga. Usati insieme distinguono la sostituzione superficiale dalla profonda cocostruzione interattiva.
• Integrarlo con lenti di adozione e di equità. SAMR non dice nulla sul perché uno strumento venga adottato o su chi ne tragga beneficio. Abbinarlo ai modelli di adozione e all'analisi dell'equità per evitare che un'etichetta di profondità si sostituisca a una valutazione critica.
• Trattare l'evidenza dell'integrazione incrementale come un risultato, non come un fallimento. Se la maggior parte dell'integrazione dell'IA si concentra a Sostituzione/Aumento, il compito progettuale non è forzare la Ridefinizione ma riconoscere che l'uso trasformativo richiede progettazioni di compiti diverse, non solo strumenti migliori.

Concetti collegati

• IA in educazione — IA nell'educazione (ombrello)
• Conoscenza Tecnologica Pedagogica dei Contenuti (TPACK) — Conoscenza tecnologica, pedagogica e disciplinare
• Modelli di adozione della tecnologia — Modelli di adozione della tecnologia
• Framework ICAP — Il quadro ICAP del coinvolgimento cognitivo
• Tecnologie — Tecnologie e tecniche di IA
• Competenza in IA dei docenti — Competenza degli insegnanti in materia di IA
• Sviluppo educativo professionale — Sviluppo educativo
• Progettazione dell'apprendimento — Progettazione dell'apprendimento
• K-12 — Istruzione K-12
• Istruzione superiore — Istruzione superiore
• IA generativa — IA generativa

Articoli collegati

• Mapping artificial intelligence integration in higher education: A systematic review using the FACETS and SAMR frameworks — Integrazione dell'IA nell'istruzione superiore classificata con SAMR: per lo più Sostituzione/Aumento
• With a Thermomix You Lose the Ability to Cook: A Kitchen Machine Analogy for Applications of Generative AI in Education — ICAP e SAMR che mappano i quattro scenari dalla cucina all'apprendimento
• Rewriting the Curriculum: A Systematic Review of Generative AI-Driven Pedagogical Change and Emerging Systems of Learning in Higher Education — SAMR tra le lenti per il cambiamento curricolare guidato dall'IA generativa
• Designing faculty standards for technology integration in higher education institutions: a design-based research study — SAMR tra i quadri che informano gli standard tecnologici per il corpo docente
• Pedagogical Symbiosis: conceptualizing the Post-Human Learner in the age of cognitive AI — La critica postumanista all'ontologia umanista di SAMR
• Reclaiming Epistemic Agency: A Critical Framework for Human-Generative AI Co-Agency in Education — Il silenzio di SAMR su potere, proprietà dei dati e responsabilità
• Student GenAI use under changing institutional policies: a mixed-methods case study in undergraduate physics — Uso dell'IA generativa da parte degli studenti sotto politiche istituzionali in cambiamento: funzioni d'uso mappate sui livelli SAMR (Quince & Faulconer 2026)