Autovalutazione

In questa pagina

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

L'autovalutazione — giudicare il proprio lavoro, la propria competenza o i propri progressi rispetto a criteri, e le pratiche e gli strumenti costruiti su quell'atto. Il termine ha due volti che è facile far collassare in uno. Come tecnica didattica è l'autovalutazione, l'autorevisione basata su rubriche, l'autoverifica e la riflessione guidata: attività pensate per sviluppare il monitoraggio e il giudizio su cui si regge l'apprendimento autoregolato. Come misura educativa è uno strumento di autovalutazione, in cui la stima che lo studente dà della propria abilità, della propria sicurezza o del proprio apprendimento sostituisce un'osservazione che nessuno ha fatto. Siede accanto alla valutazione tra pari come l'altra metà degli studenti-in-quanto-valutatori, ed eredita la stessa dipendenza dallo supporto graduale e da criteri espliciti. Entrambi i volti fanno leva sulla stessa facoltà ed entrambi falliscono nella stessa direzione: la stima è sistematicamente generosa, e quanto più il lavoro consegnato da uno studente può essere prodotto da uno strumento di IA generativa, tanto meno quel lavoro dice se la facoltà sia presente o meno.

Domande su cui riflettere

Quando finisci un tuo lavoro, cosa ti dice se è buono: i criteri che ti sono stati consegnati, i criteri che hai interiorizzato, o come ti sembra? Riusciresti a dire quale hai effettivamente usato?
In uno studio su 288 insegnanti della scuola K-12, una misura autodichiarata di alfabetizzazione in IA si è correlata con una misura oggettiva della stessa abilità solo tra r = 0,07 e r = 0,24. Dove, nella tua pratica, una stima di sé divergerebbe con maggiore probabilità da un test della stessa abilità, e perché proprio lì?
L'autovalutazione può far risparmiare tempo al docente e costruire giudizio, e può anche assegnare un voto che lo studente non ha guadagnato. Cosa dovrebbe essere vero del compito, della rubrica e della formazione perché un autovoto possa valere come credito?
Se uno strumento può produrre il saggio, cosa resta a uno studente da valutare del proprio apprendimento? Cosa chiederesti di stimare al suo posto?
Gli studenti che valutano il lavoro di un pari e quelli che valutano il proprio stanno facendo cose diverse. Quale delle due si trasferisce meglio al compito successivo, e quale evidenza potrebbe stabilirlo?

Introduzione

L'autovalutazione è una delle idee più antiche dell'educazione e una delle più confuse nella pratica, perché sotto quel nome viaggiano due cose distinte. La prima è una tecnica: studenti che rivedono il proprio lavoro rispetto a criteri, che lo valutano, che lo verificano, che riflettono su di esso. La seconda è una misurazione: la valutazione che lo studente dà della propria abilità, della propria sicurezza o del proprio apprendimento, usata come dato. La tecnica si giudica da ciò che sviluppa nello studente; la misurazione si giudica dal fatto che il numero sia degno di fiducia.

Entrambe contano in una progettazione della valutazione dell'era dell'IA, e contano per ragioni diverse. La tecnica è il luogo in cui si forma il giudizio valutativo, e il giudizio valutativo è esattamente la capacità che diventa scarsa quando un modello linguistico può produrre su richiesta lavori dall'aspetto competente. La misurazione è il luogo in cui il campo abitualmente sovrastima ciò che sa, perché un'autovalutazione non può misurare l'apprendimento: può solo registrare ciò che qualcuno dice di esso.

L'autovalutazione come tecnica didattica

Le pratiche che rientrano in questa categoria sono familiari: l'autovalutazione rispetto a una rubrica, la revisione di una bozza prima della consegna, l'autoverifica delle soluzioni a un problema, le consegne riflessive che chiedono cosa uno studente farebbe diversamente, e i compiti di predizione in cui lo studente stima il proprio rendimento e poi lo confronta. Il loro scopo è formativo. Uno studente che rivede la propria bozza rispetto a criteri sta provando la valutazione che anche la revisione tra pari e il feedback del docente allenano, e sta costruendo lo standard interno che userà quando nessuno lo guarda.

L'evidenza che la tecnica funzioni, e su quale versione funzioni, viene principalmente dalla scrittura e dalla ricerca sull'apprendimento autoregolato. In uno studio comparativo sull'alfabetizzazione al feedback, studenti del primo anno di laurea (N = 118 in Cina, 56 in un gruppo GenAI e 62 in un gruppo tra pari) hanno svolto tre cicli di autovalutazione nell'arco di un semestre. Il vantaggio del gruppo GenAI sul gruppo tra pari è stato modesto, solo 0,17 punti di scala (eta quadrato parziale = 0,03), e la conclusione pratica dello studio è quella che ricorre sempre: l'autovalutazione ha bisogno di supporto graduale. Rubriche predefinite, linee guida per le consegne e schede di lavoro sono ciò che separa un ciclo di autovalutazione che costruisce alfabetizzazione al feedback da uno che produce scaricamento cognitivo.

L'autovalutazione è anche il luogo in cui il ciclo dell'apprendimento autoregolato diventa visibile come abilità piuttosto che come disposizione. In uno studio di statistica sulla laurea triennale, gli studenti che avevano ricevuto una formazione esplicita su un supporto graduale centrato sul ragionamento (suggerimenti progressivi e richieste di verifica) hanno ottenuto risultati migliori in un compito successivo affrontato senza assistenza del modello e hanno mostrato una migliore calibrazione dell'autovalutazione rispetto agli studenti che si erano appoggiati al modello in modo acritico. La parte interessante è la seconda misura: le stime che il gruppo formato dava della propria comprensione si allineavano meglio con ciò che sapeva realmente fare. Una tecnica rivolta alla riflessione ha cambiato una proprietà di misurazione dello studente.

Formazione alla calibrazione

La tecnica più diretta è la formazione alla calibrazione, in cui uno studente predice il proprio punteggio o la propria sicurezza prima di vedere un risultato e poi confronta la predizione con l'esito. In uno studio sulla scrittura assistita dall'IA, uno script di alfabetizzazione al feedback ha migliorato la qualità della scrittura, la ricezione del feedback e la revisione profonda, mentre un'Attività di Calibrazione tra Prestazione e Valutazione ha migliorato principalmente l'accuratezza dell'autovalutazione degli studenti e ha ridotto la sovrastima di sé. La combinazione delle due ha prodotto i guadagni di scrittura maggiori e la ritenzione più forte dopo il ritiro del supporto dell'IA, anche se l'attività di calibrazione da sola è rimasta la via migliore verso stime di sé accurate. Questa divisione del lavoro è il punto pratico: l'alfabetizzazione al feedback migliora ciò che uno studente fa con i commenti, la calibrazione migliora quanto bene conosce la propria posizione, e non sono lo stesso intervento.

Un saggio a livello di testo sull'uso etico dell'IA in un'università australiana ha trattato l'autovalutazione guidata come il veicolo piuttosto che come l'oggetto: tra studenti di primo anno di infermieristica, scienze della salute, ingegneria e scienze dal 2021 al 2025, autovalutazioni pre- e post-semestre hanno combinato item di sicurezza su scala Likert con una consegna di riflessione aperta, e gli autori hanno sostenuto che la pratica etica è una capacità formativa da costruire attraverso la riflessione piuttosto che una regola di conformità da far rispettare.

Cosa aggiunge l'IA alla tecnica

L'IA cambia tre cose nella tecnica. Può generare gli item e le rubriche, il che rende economici i cicli di autovalutazione ripetuti. Può essere la cosa valutata, ed è così che si forma il giudizio valutativo: uno studente che giudica una bozza dell'IA sta esercitando la valutazione con una scorta illimitata di materiale. E può rendere visibile il giudizio dello studente come evidenza di processo. Nelle dashboard di apprendimento interattive, una dashboard analitica convenzionale è stata estesa con una funzione di autovalutazione Judgment of Learning e un agente conversazionale, sostenendo che sollecitare il giudizio proprio dello studente faccia di più per il coinvolgimento che dirgli cosa mostrano i dati. Le strutture istituzionali hanno cominciato a trattare le stesse tracce di processo, incluse le autovalutazioni strutturate e le consegne metacognitive, come evidenza di capacità adattive che un libretto non può mostrare.

L'autovalutazione come misura

Usata come misura, l'autovalutazione di solito arriva travestita da qualcos'altro: un indice di sicurezza su una scala Likert, un punteggio predetto, un item Judgment of Learning, o un inventario basato su tassonomie dell'abilità percepita. È una famiglia all'interno del più ampio insieme delle misure autodichiarate, ed eredita il limite categorico di quella famiglia. Un'autovalutazione non può misurare l'apprendimento o il comportamento; può misurare solo ciò che una persona è disposta a dire del proprio apprendimento o comportamento, e queste due cose divergono abbastanza spesso in questa base di ricerca da costituire di per sé un risultato.

Quanto sono accurate le stime

L'accuratezza è il problema principale, e la direzione è coerente. L'evidenza più pulita viene da uno studio che ha costruito misure autodichiarate e misure oggettive parallele dell'alfabetizzazione in IA degli insegnanti all'interno di un'unica cornice. Tra 288 insegnanti della scuola K-12, le correlazioni tra i fattori oggettivi e quelli autodichiarati sono risultate comprese tra r = 0,07 e r = 0,24, e l'analisi dei profili latenti ha individuato sei profili: 43 insegnanti si sono valutati costantemente alti pur ottenendo punteggi più bassi sulla misura oggettiva, 59 hanno mostrato il pattern inverso, e i profili rimanenti si raggruppavano vicino alla media o si dividevano in base all'esperienza pregressa di alfabetizzazione in IA. Due misure di un'unica abilità, costruite dallo stesso team sullo stesso costrutto, non condividono quasi nulla.

Il quadro a livello di campo corrisponde a quel singolo studio. Zainal, Mohd Matore and Maat's 2026 review of teacher AI literacy measurement tools ha valutato 33 strumenti pubblicati tra il 2019 e il 2025 e ha trovato che 31 (93,9%) erano scale autodichiarate di sicurezza percepita, solo due (6,1%) testavano oggettivamente la conoscenza, e nessuno usava compiti basati sulla prestazione. La lettura degli autori è quella su cui ruota il volto di misurazione di questa pagina: un punteggio autodichiarato registra la sicurezza riportata piuttosto che la capacità, quindi non può sostituirsi alla competenza, ed essi sostengono compiti di prestazione e analisi secondo la teoria della risposta all'item accanto all'autovalutazione, per separare la capacità validata dalla sicurezza riportata.

L'accuratezza dipende anche da ciò che viene stimato. Un'analisi psicometrica di un'autovalutazione dell'alfabetizzazione in GenAI basata su tassonomie, con 158 membri del personale universitario e studenti, ha trovato un profilo invertito, con i rispondenti che dichiaravano padronanza della creazione prima delle fondamenta concettuali su cui essa poggia, e solo una correlazione debole (r = 0,188) tra i profili degli studenti e quelli del personale accademico. Un'indagine sugli studenti dei corsi di formazione docente ha trovato la stessa forma dall'altro lato: quasi tutti (97,8%) hanno valutato importante l'analisi critica dei media, mentre solo il 13,8% ha detto che il proprio percorso formativo la affrontava, e meno della metà (44,9%) credeva di avere le competenze per analizzare criticamente le informazioni mediatiche. La competenza mediatica autovalutata era in ritardo rispetto all'importanza autovalutata.

Due meccanismi spiegano la generosità. Il primo è motivazionale e ben documentato al di fuori di questa letteratura: le persone si valutano generosamente, e i meno competenti sovrastimano di più. Il secondo è specifico delle coorti nate con l'IA. Un saggio teorico del 2026 sulla baseline cognitiva assente sostiene che l'uso sostitutivo prolungato dell'IA durante gli anni formativi della scuola secondaria riduce gli incontri cognitivi indipendenti da cui dipende qualsiasi autovalutazione accademica. L'affermazione è strutturale più che individuale: l'autovalutazione funziona confrontando una prestazione attuale con una registrazione di prestazioni precedenti, e laddove quella registrazione non è mai stata costruita, la stima non ha nulla rispetto a cui calibrarsi. Questo viene presentato come distinto dallo scaricamento cognitivo e dalla resa cognitiva, che descrivono processi durante l'uso dell'IA, perché il divario persiste quando lo strumento è assente.

La fase formativa fissa un confine all'accuratezza, e gli studenti più piccoli sono il punto in cui uno strumento di autovalutazione validato è più scarso. Thianwan and Srikoon's 2025 validation study of an AI literacy self-assessment questionnaire for upper primary students ha costruito una misura di 15 item per le classi dalla 4ª alla 6ª su Learning About AI, Learning About How AI Works e Learning for Life with AI, confermando una struttura a tre fattori in campioni di 335 e 579 studenti con un'alfa di Cronbach complessiva di 0,934. Gli autori sono espliciti sul limite del genere: l'accuratezza dell'autovalutazione dipende da una capacità metacognitiva che nei bambini è ancora in maturazione, quindi i punteggi indicano la comprensione percepita piuttosto che la competenza dimostrata, e lo strumento è pensato per la diagnosi formativa.

L'autovalutazione come variabile di esito

Il volto della misurazione compare anche nella progettazione della valutazione, dove gli strumenti di autovalutazione sono usati come misure di esito. Uno studio sulla valutazione assistita da IA di relazioni complesse nell'istruzione superiore valuta esplicitamente l'apprendimento con strumenti validati di alfabetizzazione al feedback e di autovalutazione, accanto alla prestazione successiva e al confronto con un gruppo di controllo. Questo è difendibile quando lo strumento misura una credenza di cui lo studio parla effettivamente, come l'autoefficacia o la competenza percepita, ed è fuorviante quando è trattato come un sostituto del rendimento. La critica ricorrente agli studi di intervento sull'IA si applica qui con piena forza.

Misurare l'agency attraverso questionari post-compito e autoefficacia specifica al compito rischia il ragionamento circolare: la stima dello studente viene riletta come evidenza della capacità che dovrebbe indicare, e l'alternativa sono analisi dinamiche che tracciano come l'autovalutazione viene usata attraverso cicli successivi (Mao (2025)).

Cosa cambia l'IA generativa

I due volti convergono sotto l'IA generativa, perché lo strumento attacca il legame su cui entrambi fanno affidamento: che il lavoro consegnato da uno studente sia un'evidenza sullo studente.

Laddove il lavoro può essere prodotto su richiesta, un saggio corretto non dimostra più il giudizio che c'è dietro, e chiedere a uno studente di valutare una bozza che non ha scritto è un compito diverso dal valutarne una che ha scritto. È per questo che gli argomenti sulla validità della valutazione si sono spostati dal rilevamento alla riprogettazione, ed è per questo che l'autovalutazione si sposta da ausilio allo studio a componente della progettazione della valutazione stessa: il giudizio che uno studente dà su un pezzo di output dell'IA, agli atti e con motivazioni, è un'evidenza in un modo in cui l'output non lo è.

Introduce anche un rischio di denominazione che vale la pena enunciare chiaramente. L'autovalutazione dell'IA non è questo concetto. Quando un articolo riferisce che un modello valuta il proprio ragionamento o assegna un voto al proprio output, quella è valutazione del modello e appartiene alla valutazione automatizzata e allo studio dell'addestramento del modello e degli studenti simulati; uno studio sul tutoring ne dà la versione pratica, sostenendo che il feedback dovrebbe essere condizionato da un classificatore diagnostico separato piuttosto che dalla validità del ragionamento autovalutata dal modello. L'autovalutazione dello studente e l'autovalutazione del modello condividono un vocabolario e nient'altro.

Implicazioni per la pratica

Costruire il supporto graduale della tecnica. Rubriche, linee guida per le consegne e schede di lavoro sono ciò che rende formativo un ciclo di autovalutazione. L'autovalutazione nuda, come il feedback nudo dell'IA, tende a produrre rassicurazione piuttosto che giudizio.
Formare la calibrazione separatamente dall'uso del feedback. Le attività di predizione-e-confronto cambiano l'accuratezza delle stime di sé; il lavoro sull'alfabetizzazione al feedback cambia ciò che gli studenti fanno con i commenti. Se l'obiettivo è l'accuratezza, esegui l'attività di calibrazione.
Mantenere gli autovoti a bassa posta in gioco, a meno che la formazione non sia reale. Un autovoto è un'affermazione sull'apprendimento fatta dalla persona che ne trae beneficio, e i profili di sovrastima nello studio sull'alfabetizzazione in IA non sono un piccolo bias da assorbire in un voto sommativo.
Usare l'autovalutazione dove è onesta. Sicurezza, competenza percepita e disponibilità a dichiarare l'uso dell'IA sono cose legittime da misurare chiedendole. Il rendimento non lo è.
Chiedere giudizio, non opinione. L'autovalutazione più difendibile nell'era dell'IA chiede a uno studente di valutare uno specifico pezzo di lavoro rispetto a criteri e di motivare la decisione, il che è addestrabile, ispezionabile e collegato al giudizio valutativo.
Attenzione all'effetto coorte. Per studenti i cui anni formativi hanno incluso un uso sostitutivo dell'IA, una stima di sé accurata può essere indisponibile piuttosto che semplicemente ottimistica, il che sposta il compito didattico dal correggere la sovrastima di sé al ricostruire la registrazione esperienziale di cui essa ha bisogno.

Concetti collegati

Articoli collegati

Fostering Self-Directed Growth with Generative AI: Toward a New Learning Analytics Framework — Self-assessment placed at the center of a self-directed growth framework (2026)
Measuring Acceptance of Age-Tiered AI Literacy Guidebooks: A Developmentally Informed Study of K-12 Students and Teachers — Developmentally tiered AI literacy materials, with measurement of acceptance and validity (2026)
The cognitive impact of ChatGPT in higher education: A systematic review of critical and creative thinking outcomes — Triangulating AI feedback with peer, instructor, and self-assessment (2026)
Confirming Correct, Missing the Rest: LLM Tutoring Agents Struggle Where Feedback Matters Most — Why feedback should not rest on a model's self-assessed reasoning validity (Yasir et al. 2026)
Development of an AI literacy self-assessment questionnaire in upper primary school students — A validated 15-item AI literacy self-assessment questionnaire for Grades 4 to 6, with the metacognitive limits of child self-report (Thianwan & Srikoon 2025)
Assessing teachers' AI literacy: a systematic review of measurement tools — 31 of 33 teacher AI literacy instruments are self-report, two test knowledge objectively, none use performance tasks (Zainal, Mohd Matore & Maat 2026)

FAQ collegate

Metadati

Livello	Higher Ed
Destinatari previsti	Learners, Instructors
Apprendimento e istruzione	Metacognizione, Apprendimento autoregolato, Scaffolding (impalcatura)
Valutazione e misurazione	Validità della valutazione, Giudizio valutativo, Literacy del Feedback, Valutazione formativa, Valutazione tra pari, Misure di autodichiarazione
Equità, etica e uso responsabile	Calibrazione della fiducia
Basi dell’IA nell’educazione	Alfabetizzazione sull'IA

Source History Edit Chat