Teoria dell'autodeterminazione

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

La Teoria dell'Autodeterminazione (SDT) — una teoria psicologica della motivazione umana che sostiene che la motivazione intrinseca e il benessere dipendono dal soddisfacimento di tre bisogni psicologici di base: autonomia, competenza e relazione. Nell'IA nell'educazione, la SDT fornisce una cornice per progettare strumenti di IA e formazione professionale che sostengano, anziché minare, la motivazione di studenti e insegnanti.

Domande su cui riflettere

• La teoria sostiene che la motivazione non sia solo quanta ne hai, ma una qualità modellata dall'ambiente, fondata su tre bisogni: autonomia, competenza e relazione. Pensa a un'esperienza di apprendimento che ti ha svuotato. Quale di quei tre bisogni è stato violato, e cosa l'avrebbe ripristinato?
• Uno studio della durata di un anno ha individuato tre profili motivazionali — Disimpegnato, In sviluppo, Autodeterminato — stabili nel tempo, e gli studenti che hanno raggiunto il profilo Autodeterminato hanno mostrato i maggiori guadagni in alfabetizzazione in IA. Prima di proseguire: la motivazione è qualcosa che gli studenti portano con sé, o qualcosa che un ambiente ben progettato può far crescere? Cosa implica "in via di sviluppo, non fisso"?
• Se uno strumento di IA rende ogni compito senza sforzo e "facile da usare", quale bisogno psicologico potrebbe star soddisfacendo — e quale potrebbe stare silenziosamente minando? Come potrebbe uno strumento che aumenta il coinvolgimento a breve termine erodere la motivazione a lungo termine?
• La formazione professionale per gli insegnanti centrata sul sostegno ai bisogni ha migliorato la loro alfabetizzazione in IA e sostenuto il coinvolgimento. Questo suggerisce che il modo in cui formiamo gli educatori sull'IA conti quanto ciò che l'IA stessa fa? Come sarebbe, per te personalmente, una formazione sull'IA "di sostegno all'autonomia"?
• Uno studio ha trovato che ChatGPT poteva sostenere autonomia, relazione e competenza nell'apprendimento delle lingue. Ma lo stesso strumento potrebbe minare quei bisogni per uno studente diverso? Cosa dovrebbe essere vero riguardo a come viene usato perché la teoria regga?
• Prima di proseguire nella lettura, indica un modo in cui hai sentito la tua competenza, la tua autonomia o il tuo senso di connessione influenzati dall'uso di uno strumento di IA — e rifletti se ti saresti accorto di quel cambiamento senza essere stato sollecitato a cercarlo.

Introduzione

La SDT è usata in misura crescente nella ricerca sull'IA nell'educazione come lente teorica sia per i sistemi di IA rivolti agli studenti sia per quelli rivolti agli insegnanti. L'affermazione centrale della teoria — che la motivazione non sia semplicemente una quantità che gli studenti possiedono, ma una qualità modellata dall'ambiente sociale e tecnologico — la rende direttamente rilevante per le domande su come gli strumenti di IA incidano sul coinvolgimento, sulla perseveranza e sui risultati di apprendimento. Gli articoli di questa base di conoscenza applicano la SDT in tre contesti principali: la formazione professionale degli insegnanti, il coinvolgimento nell'apprendimento mediato dall'IA e il calcolo affettivo.

Temi principali di ricerca

La formazione professionale degli insegnanti basata sulla SDT applica i principi di sostegno ai bisogni della teoria alla preparazione degli educatori all'IA. Chiu et al. hanno studiato 382 insegnanti della scuola secondaria, trovando che la formazione professionale centrata sul sostegno ai bisogni e fondata sulla SDT migliora l'alfabetizzazione in IA degli insegnanti e favorisce un coinvolgimento comportamentale sostenuto nelle comunità online di apprendimento professionale. L'analisi qualitativa ha individuato nove strategie di progettazione a sostegno di autonomia, competenza e relazione — colmando il divario tra formazione professionale isolata e comunità di apprendimento professionale.

La SDT nel coinvolgimento nell'apprendimento mediato dall'IA esamina come gli strumenti di IA generativa modellino la motivazione degli studenti. Isaeva et al. hanno combinato la SDT con la network analysis epistemica per studiare il coinvolgimento degli studenti con l'IA generativa nell'apprendimento accademico. Why Put in This Much Effort?": How AI Availability Shapes Students’ Motivation in Introductory Programming esplora come la disponibilità dell'IA incida sulla motivazione e sulla perseveranza degli studenti, collegandosi alle preoccupazioni sull'erosione della motivazione legate all'eccessiva dipendenza. Liang et al. (2026) estendono la SDT all'apprendimento con l'IA con un'analisi di transizione latente su 2.086 studenti della scuola secondaria in un curricolo di IA della durata di un anno, individuando tre profili motivazionali (Disimpegnato, In sviluppo, Autodeterminato) stabili nel tempo e mostrando che la maggior parte degli studenti ha mantenuto o avanzato verso profili più alti. Crucialmente, gli studenti che hanno raggiunto o sono rimasti nel profilo Autodeterminato hanno mostrato i maggiori guadagni in alfabetizzazione in IA — evidenza longitudinale diretta del fatto che soddisfare autonomia, competenza e relazione predice migliori risultati nell'apprendimento con l'IA, e che la motivazione è una proprietà dello studente in via di sviluppo (non fissa).

Un risultato di classe in contrasto mostra che i bisogni non si muovono insieme: tra 2.464 studenti della secondaria di primo grado, l'apprendimento per competenze sostenuto da ChatGPT ha aumentato il sostegno all'autonomia e la soddisfazione della competenza, eppure ha prodotto una quota maggiore di profili motivazionali di bassa qualità, e la soddisfazione della relazione era più debole che nell'apprendimento per competenze senza IA (Schweder, Hagenauer & Raufelder (2026)).

Una verifica configurazionale acuisce il punto: tra 498 studenti di medicina del primo anno, l'uso dell'IA generativa era solo debolmente associato alla soddisfazione dei bisogni (β = 0,155) ed è risultato non necessario per un elevato coinvolgimento, mentre la soddisfazione del bisogno di competenza era la condizione centrale nella configurazione più forte (He et al. (2026)).

Doppi percorsi dal clima di apprendimento all'uso dell'IA. Shen e Arunrugstichai (2026) integrano la SDT con il modello Hook del coinvolgimento comportamentale per spiegare perché l'uso dell'IA generativa spazzi dal sostegno costruttivo alla dipendenza compulsiva. In dati di indagine trasversali su 508 studenti universitari con diversi trascorsi scolastici e contesti attuali (Cina e Thailandia), le dichiarazioni retrospettive sulla pressione scolastica vs. sostegno all'autonomia hanno predetto in modo differenziato quale dei due percorsi gli studenti seguissero all'università — uno verso un uso costruttivo e autonomo dell'IA generativa e l'altro verso una dipendenza compulsiva — con risultati coerenti tra analisi multi-gruppo cross-contestuali. Il modello collega i processi motivazionali della SDT alla qualità percepita dell'apprendimento supportato dall'IA, inquadrando il sostegno all'autonomia come una leva che indirizza gli studenti verso un uso produttivo anziché dipendente dell'IA.

• ChatGPT e i bisogni della SDT nell'apprendimento delle lingue: Annamalai et al. (2026) hanno usato una lente SDT con 25 studenti universitari malesi, trovando che ChatGPT sostiene autonomia, relazione e competenza nell'apprendimento della lingua inglese — migliorando i compiti di grammatica, scrittura e conversazione, e lasciando al contempo agli educatori la possibilità di concentrarsi sulla formazione di ordine superiore.

La SDT applicata alla pratica mediata dall'IA degli stessi docenti. Claassen et al. (2026) hanno usato la SDT come lente interpretativa sul modo in cui i docenti integrano le analisi di apprendimento e l'IA generativa nella progettazione dell'apprendimento — trovando che sostenere i bisogni di base dei docenti (autonomia, competenza, relazione) favorisce la risoluzione di problemi creativa richiesta dal loro lavoro di progettazione. Nella loro analisi ENA, l'uso dell'IA generativa era associato alla progettazione per l'autodeterminazione degli studenti (ad esempio la co-creazione di rubriche di valutazione con gli studenti), estendendo la SDT dagli studenti agli educatori che costruiscono ambienti di sostegno ai bisogni mediati dall'IA.

Per gli insegnanti stessi, la collaborazione con l'IA taglia in due sensi: uno studio a tre ondate su 468 docenti universitari ha trovato che essa aumentava il coinvolgimento lavorativo attraverso la disponibilità psicologica e lo abbassava attraverso l'alienazione lavorativa, e la competenza digitale rafforzava il primo percorso e indeboliva il secondo (Sun et al. (2026)).

Una cornice di co-agency delimita la portata della SDT nell'educazione mediata dall'IA: essa cambia le circostanze in cui sorgono autonomia, competenza e relazione, ma lascia non affrontate l'equità di potere, la proprietà dei dati e la responsabilità, ed è per questo che i suoi autori pongono la responsabilità epistemica umana come condizione non negoziabile al di fuori della teoria (Poudyal (2026)).

Il sostegno all'autonomia come cornice per l'uso dell'IA generativa da parte dei bambini. Fan, Li e Zhang (2026) spostano la questione dell'uso responsabile dalla restrizione al sostegno ai bisogni, sostenendo che la distinzione che conta è se gli adulti attorno a un bambino sostengano l'autonomia piuttosto che controllarla, e distinguendo tra scaricamento cognitivo dipendente e autonomo nei termini della SDT: lo scaricamento dipendente trasferisce l'agency e abbassa la motivazione intrinseca, lo scaricamento autonomo fornisce supporto graduale mentre lo studente conserva il controllo epistemico. Due caratteristiche della revisione sono direttamente rilevanti per l'applicazione della SDT: essa insiste che il sostegno all'autonomia non è permissività, e tratta il coordinamento famiglia-scuola che le linee guida attuali danno per assunto come un'ipotesi non verificata, formalizzando versioni additive, sinergiche e compensative che solo una sperimentazione fattoriale che contrapponga indicazioni solo familiari, solo scolastiche, coordinate e di pratica usuale potrebbe discriminare.

Connessioni con i concetti correlati

La SDT si collega direttamente alla motivazione come suo costrutto genitore, al calcolo affettivo e alla tutoring affettivo per la progettazione di IA emotivamente consapevole, e all'esperienza studentesca per il modo in cui gli studenti vivono gli ambienti mediati dall'IA. L'enfasi della teoria sull'autonomia si collega all'apprendimento autoregolato, mentre la sua dimensione della competenza si collega all'autoefficacia e alla competenza in IA degli insegnanti. La SDT è particolarmente rilevante per la formazione professionale e lo sviluppo educativo perché la progettazione di sostegno ai bisogni è un principio trasferibile per preparare gli educatori a usare l'IA.

Concetti collegati

• Motivazione
• Esperienza dello studente
• Computazione affettiva
• Tutoraggio affettivo
• Apprendimento autoregolato
• Competenza in IA dei docenti
• Sviluppo educativo professionale
• Apprendimento sul posto di lavoro
• Offloading cognitivo
• Engagement degli Studenti
• IA in educazione
• Teorie dell'apprendimento

Articoli collegati

• Family-school autonomy support for children's responsible use of generative artificial intelligence — Family-School Autonomy Support for Children's Responsible Use of Generative AI

• How High-School Pressure and Autonomy Support Are Linked to Dual AI Learning Pathways: A Cross-Contextual SEM Analysis — High-school pressure/autonomy support and dual AI learning pathways (Shen & Arunrugstichai 2026)

• Reclaiming Epistemic Agency: A Critical Framework for Human-Generative AI Co-Agency in Education

• Understanding the Role of Learning Analytics and Generative Artificial Intelligence on Decision-Making and Learning Design Practice in Higher Education — LA and GenAI in learning design decision-making

• Teacher education for artificial intelligence literacy through a self-determination theory perspective

• Students' engagement with generative AI in academic learning: A self-determination theory and epistemic network analysis study

• Why Put in This Much Effort?": How AI Availability Shapes Students’ Motivation in Introductory Programming

• 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

• From disengaged to self-determined: a latent transition analysis of students' AI learning motivation — SDT latent transition analysis of students' AI learning motivation (2,086 secondary students)

• Student Motivation and Need Satisfaction in GenAI-Supported Classrooms: A Self-Determination Theory Perspective — Student motivation and need satisfaction in GenAI classrooms (Schweder, Hagenauer & Raufelder 2026)

• Generative Artificial Intelligence Use and Learning Engagement Among Medical Undergraduates: Statistical Indirect and Configurational Associations Involving Basic Psychological Need Satisfaction — GAI use is weakly tied to need satisfaction and unnecessary for high engagement (He et al. 2026)

• The Double-Edged Sword Effects of Teacher–AI Collaboration on Work Engagement: A Self-Determination Theory Perspective — Dual pathways from teacher–AI collaboration to work engagement, moderated by digital competency