Base di conoscenze AIEdAIEd KB
In questa pagina

Leggi questa pagina in inglese

Concetti

Autoefficacia

Creata 2026-10-14

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

L'autoefficacia — la credenza di uno studente nella propria capacità di svolgere con successo un compito o raggiungere un obiettivo. Attingendo alla teoria sociale cognitiva (Bandura), l'autoefficacia modella la motivazione, lo sforzo, la perseveranza e il coinvolgimento nell'apprendimento. Nell'IA nell'educazione, l'autoefficacia conta in due modi: gli strumenti di IA possono costruire la sicurezza e l'autonomia degli studenti (ad esempio fornendo feedback e supporto graduale), e l'autoefficacia in IA degli studenti — la loro sicurezza nell'usare le tecnologie di IA — influenza quanto efficacemente essi si impegnano con l'IA, incluso come la conoscenza relativa all'IA si traduce in prontezza rilevante per la carriera.

Domande su cui riflettere

  • L'autoefficacia è una credenza sulla propria capacità — distinta dalla competenza effettiva. Ti è mai capitato di essere molto capace in qualcosa eppure dubitare di te stesso, o di essere fiduciosamente in errore su qualcosa che non sapevi fare? Cosa ti dice quel divario tra credenza e abilità sul perché l'autoefficacia conta?
  • L'autoefficacia in IA (la sicurezza nel lavorare con l'IA) è un costrutto distinto dall'alfabetizzazione in IA, e la ricerca trova che l'alfabetizzazione si traduce in prontezza solo quando gli studenti hanno anche sicurezza. Se qualcuno conosce l'IA ma non crede di poterla usare, cosa accade a quella conoscenza — e cosa implica per la formazione?
  • La ricerca ha trovato che l'uso dell'IA per sostenere la comprensione era pienamente mediato dall'autoefficacia accademica nel suo legame con la prestazione, mentre l'uso scorciatoia prediceva esiti peggiori in parte indipendentemente dall'autoefficacia. Perché lo stesso strumento dovrebbe costruire sicurezza usato in un modo e non riuscirci usato in un altro?
  • La pagina distingue l'autoefficacia dalla parola quotidiana "sicurezza". Prima di proseguire, in cosa differiscono, e perché un ricercatore insisterebbe sulla distinzione anziché trattarle come la stessa cosa?
  • La robotica e l'apprendimento incarnato costruiscono sicurezza ancorando i compiti a esiti osservabili, e il feedback può costruire l'autoefficacia dello studente. Pensa a un compito in cui hai acquisito una sicurezza reale solo dopo aver visto un risultato concreto. Cosa dice questo su quali tipi di esperienze di apprendimento con l'IA hanno più probabilità di costruire — anziché semplicemente riportare — l'autoefficacia?
  • L'autoefficacia del docente incide sull'adozione e sull'integrazione dell'IA. Se un insegnante non crede di poter usare l'IA efficacemente, una qualsiasi quantità di alfabetizzazione in IA risolve il problema? Cosa costruirebbe la sicurezza di un insegnante, e in cosa differisce dal dargli più informazioni?

Introduzione

L'autoefficacia è distinta dalla competenza effettiva: è una credenza sulla capacità che guida il comportamento. È strettamente correlata a — e spesso usata in modo intercambiabile con — la nozione quotidiana di sicurezza nelle proprie capacità. L'autoefficacia si collega strettamente alla motivazione, all'apprendimento autoregolato e all'esperienza studentesca. Nel contesto dell'IA, l'autoefficacia in IA (la sicurezza nel lavorare con l'IA) è un costrutto distinto dall'alfabetizzazione in IA, e la ricerca mostra che essa svolge un ruolo cruciale nel fatto che gli studenti attivino e applichino effettivamente la conoscenza relativa all'IA.

Come l'autoefficacia compare nella ricerca di questa base di conoscenza

  • Declini nel lavoro di studio GenAI+XR: in uno studio di progettazione architettonica con 27 studenti, i team che usavano una pipeline di IA generativa e XR multiutente hanno mostrato maggiori declini relativi pre–post nella sicurezza nella progettazione (β = −1,675, p = 0,021) e nell'aspettativa di esito (β = −2,088, p = 0,002) rispetto ai team che proseguivano il flusso di lavoro normale, senza differenza significativa nelle valutazioni alla cieca delle loro presentazioni da parte di una giuria (Xiao et al., 2026). Ambienti ricchi di strumenti possono deprimere le credenze di efficacia anche quando il lavoro stesso è giudicato equivalente.

  • Autoefficacia in IA e prontezza per la carriera: La ricerca sulla prontezza all'IA mostra che l'autoefficacia in IA modera la relazione tra alfabetizzazione in IA e prontezza all'IA: l'alfabetizzazione si traduce in prontezza solo quando gli studenti hanno sicurezza nell'usare l'IA, e l'autoefficacia predice direttamente la adattabilità di carriera.

  • La sicurezza non è sempre la leva. Un SEM trasversale su 502 docenti universitari ha trovato l'autoefficacia tecnologica un predittore modesto del benessere rispetto all'IA (β = 0,082), mentre l'alfabetizzazione in IA dominava (β = 0,713), delimitando l'affermazione che la sicurezza condizioni gli esiti dell'IA: per il benessere, la conoscenza ha superato la sicurezza (Liu et al. (2026)).

  • Le competenze possono abilitare la dipendenza mentre l'efficacia la attutisce. Tra 478 studenti della laurea triennale israeliani, le dimensioni di competenza dell'alfabetizzazione in IA erano associate positivamente alla dipendenza dall'IA (uso/comprensione dell'IA β = 0,404), mentre l'autoefficacia in IA vi era associata negativamente (β = −0,132), quindi una formazione sull'alfabetizzazione che costruisca solo la competenza strumentale può aumentare la dipendenza (Maizel et al. (2026)).

  • La fiducia come perno tra alfabetizzazione e sicurezza: Hu (2026) ha intervistato 450 studenti universitari che usano già ChatGPT e ha trovato una catena ordinata anziché due correlati paralleli: l'alfabetizzazione in IA si relazionava alla fiducia nello strumento (beta = 0,50), la fiducia all'autoefficacia accademica (0,48), e l'autoefficacia all'uso continuato, con l'effetto indiretto seriale significativo (0,07, 95% CI [0,04; 0,10]). L'ansia verso l'IA indeboliva il legame tra alfabetizzazione e fiducia (beta dell'interazione = −0,25, con le pendenze semplici che scendevano da 0,76 a 0,25 lungo l'intervallo dell'ansia), quindi la stessa conoscenza comprava meno sicurezza, e raggiungeva meno uso, tra gli studenti più ansiosi. La sicurezza è dunque un anello a valle nella catena piuttosto che un punto di partenza.

Il percorso dell'ansia attraverso cui la pratica assistita dall'IA si relaziona alla disponibilità può invertirsi anziché attenuarsi con la sicurezza: l'associazione indiretta condizionata è scesa da 0,142 a bassa autoefficacia nel parlato a 0,044 alla media e a −0,054 a elevata, un effetto concentrato in una piccola coda superiore (Wang & Li (2026)).

  • Profili di autoefficacia accademica e chi ricorre all'IA: Suriá-Martínez et al. (2026) hanno condotto un'analisi dei profili latenti dell'autoefficacia accademica tra 102 studenti universitari con disabilità motorie in Spagna e hanno trovato tre profili (basso 29,4%, moderato 41,2%, alto 29,4%) il cui uso dichiarato dell'IA cresceva per gradini al livello del profilo (medie 2,41, 3,56, 4,68; F(2, 99) = 27,84, p < .001, eta quadrato = 0,36), con l'Eccellenza, la dimensione della pianificazione e della fissazione degli obiettivi, più fortemente associata all'uso dell'IA (beta = 0,47). Gli autori leggono questo come un problema di equità: se la sicurezza si accompagna all'uso, gli studenti con autoefficacia più bassa possono essere i meno propensi a ricorrere al supporto dell'IA che potrebbe ridurre le barriere di accesso, quindi il sostegno all'autoefficacia accademica appartiene alle cornici di inclusione.
  • Modalità d'uso dell'IA e autoefficacia: Stamatoulis et al. (2026) hanno trovato che usare l'IA generativa per sostenere la comprensione (integrazione valutativa) era pienamente mediato dall'autoefficacia accademica nella sua associazione con la prestazione — l'uso dell'IA orientato alla comprensione costruisce sicurezza — mentre l'uso scorciatoia (recepimento a bassa verifica) prediceva esiti peggiori in parte indipendentemente dall'autoefficacia. L'autoefficacia è quindi al contempo il percorso attraverso cui l'uso produttivo dell'IA aiuta e un fattore che l'uso scorciatoia può non riuscire a costruire.
  • L'attribuzione modella se l'efficacia cresce. Attribuire il successo all'IA anziché al proprio sforzo limita la crescita dell'autoefficacia e rafforza le modalità scorciatoia, quindi sequenziare le attività complesse in passi in cui gli studenti attribuiscono il progresso alle proprie strategie conta più dello strumento (Øby, 2026).
  • Robotica e apprendimento pratico: il gioco di ruolo mediato da robot di REMind ha costruito l'autoefficacia dei bambini nell'intervento contro il bullismo; la robotica e l'apprendimento incarnato in generale costruiscono sicurezza ancorando i compiti a esiti osservabili.
  • Autoefficacia creativa nei bambini: Niu et al. (2026) riportano, in una revisione di scoping sistematica di 22 studi primari sull'IA generativa con bambini dai 6 ai 15 anni, che i guadagni nell'autoefficacia creativa si raggruppano con il pensiero divergente e la creatività narrativa, perlopiù attraverso strumenti testo-immagine che abbassano la barriera tra idea e artefatto. Si arrestano prima di affermare l'efficacia: le progettazioni sono eterogenee, la revisione non ha svolto alcuna valutazione critica, e il corpus è quasi silente su disabilità, bassa connettività e studenti svantaggiati, quindi la sicurezza creativa è un esito che si riporta in crescita piuttosto che uno che il campo ha confermato.
  • Autoefficacia del docente: la ricerca sulla competenza in IA degli insegnanti esamina come lo sviluppo professionale costruisca la sicurezza degli insegnanti nell'usare l'IA, il che incide su adozione e integrazione. Ismael, Luo & Li (2026) aggiungono evidenza quasi-sperimentale che un modello di e-mentoring supportato dall'IA accresce l'autoefficacia e l'intelligenza emotiva degli insegnanti di EFL in formazione durante il tirocinio: il gruppo sperimentale ha guadagnato sostanzialmente più dei controlli su entrambe le misure, con un ampio effetto tra gruppi e guadagni in tutti i sottodomini dell'autoefficacia — e gli autori li attribuiscono al mentoring mediato dall'IA all'interno di cicli riflessivi strutturati piuttosto che alla sola IA.
  • Feedback e sicurezza: il feedback dell'IA e il tutoring possono costruire l'autoefficacia dello studente fornendo feedback azionabili e di sostegno.
  • Potenziamento nell'uso dell'IA per la risoluzione di problemi: Zhu e Kong (2026) trovano che il potenziamento degli studenti nell'usare l'IA per la risoluzione di problemi media la relazione tra apprendimento basato su progetti percepito e soddisfazione per un corso di alfabetizzazione in IA. Nella loro analisi SEM su 1.027 studenti, l'apprendimento basato su progetti ha favorito le condizioni che hanno potenziato gli studenti nell'uso dell'IA per la risoluzione di problemi, il che a sua volta ha determinato la soddisfazione per il corso — evidenza che costruire la sicurezza e la capacità degli studenti con l'IA è un meccanismo chiave dell'educazione efficace all'alfabetizzazione in IA.

L'autoefficacia si collega alla motivazione, all'apprendimento autoregolato, all'esperienza studentesca, all'alfabetizzazione in IA, all'agency e alla robotica educativa. Costruire l'autoefficacia è un meccanismo chiave attraverso cui l'IA sostiene il coinvolgimento e l'apprendimento. L'autoefficacia è misurata quasi interamente tramite autovalutazione, quindi le sue associazioni con il comportamento osservato meritano la consueta cautela.

  • L'autoefficacia AIGC come perno tra strumento e apprendimento. Liang et al. (2026) trovano che le affordance percepite dei contenuti generati dall'IA accrescono l'autoefficacia AIGC (beta = 0,583), che poi media i percorsi verso la motivazione all'apprendimento (effetto indiretto 0,329) e verso l'apprendimento autoregolato (0,145), con il percorso seriale da affordance ad autoefficacia a motivazione ad auto-regolazione anch'esso significativo (0,173). Il contrasto che rende utile il risultato è che la qualità del feedback dell'IA sulla valutazione non prediceva l'autoefficacia (beta = 0,131, n.s.) pur predicendo fortemente la soddisfazione — la sicurezza con lo strumento si costruisce dirigendolo, non ricevendo da esso buoni output.
  • Nessun effetto del trattamento in un RCT di un semestre — la sicurezza è cresciuta con il tempo di corso: nell'esperimento sul campo randomizzato di Thoeni e Fryer (2026) con 454 studenti della laurea triennale in un corso di Principles of Marketing, l'autoefficacia è cresciuta nel corso del semestre per tutti gli studenti (effetto tempo β = 0,099, p = 0,0009, ƒ2 di Cohen = 0,025), mentre né l'effetto gruppo (p = 0,1162) né l'interazione gruppo × tempo (p = 0,5306, d = 0,023) erano significativi, quindi il chatbot RAG non ha aggiunto nulla. I guadagni di sicurezza nei corsi supportati dall'IA possono accompagnare la progressione del corso piuttosto che lo strumento — un rischio di attribuzione per un costrutto che il campo misura quasi interamente tramite autovalutazione.
  • La sicurezza può muoversi in direzione opposta al comportamento. Nella programmazione competitiva, gli studenti che hanno smesso di competere riportavano una sicurezza teorica più alta dei loro pari attivi, eppure mostravano abitudini significativamente più deboli di upsolving e di cerchia tra pari (p < .001), quindi un segnale di autoefficacia da solo fuorvierà un sistema di allerta precoce (Ruhan et al. (2026)).
  • La sicurezza può crescere mentre la capacità che la sostiene declina. Tra gli studenti universitari, l'uso frequente dell'IA generativa accresceva la sicurezza e l'efficienza percepite e aumentava la dipendenza tecnologica negli stessi studenti, quindi un punteggio di autoefficacia rilevato durante un lavoro assistito dall'IA può risultare alto nel momento in cui la competenza soggiacente si sta erodendo (Yan et al., 2025).
  • L'uso dell'IA ha viaggiato con la sicurezza, ma la sicurezza non ha predetto la frequenza. In un'indagine PLS-SEM su 291 studenti portoghesi, l'uso generale dell'IA era associato positivamente all'autoefficacia per l'apprendimento indipendente (β = 0,266, f² = 0,106). Il costrutto era modellato come un composito formativo di secondo ordine delle quattro fonti di Bandura — esperienza di padronanza, esperienza vicaria, persuasione verbale e stato emotivo. L'autoefficacia a sua volta non prediceva l'assenteismo (β = −0,068, p = 0,276), benché l'uso dell'IA fosse separatamente associato a un assenteismo più alto (β = 0,148, f² = 0,029). Il percorso uso dell'IA → autoefficacia era significativamente più forte tra i maschi che tra le femmine (β = 0,449 vs. 0,159; Δβ = −0,289, p = 0,013), sotto invarianza di misura parziale (Franco et al. (2026)).
  • I compiti di progettazione con IA aperti selezionano gli studenti per sicurezza preesistente. Zangari et al. (2026) hanno trovato che l'autostima di prestazione si correlava con l'estroversione (r = 0,262, p < 0,001) in un corso in cui 345 studenti avevano ciascuno costruito un agente conversazionale per insegnare a un pari, e che le studentesse riportavano un'autostima significativamente più bassa dei colleghi maschi (Kruskal-Wallis H(2) = 9,87, p < .005). L'inferenza di progettazione che gli autori traggono: i compiti creativi conversazionali e aperti avvantaggiano chi è già sicuro di sé, quindi "open-ended design tasks [should] include sufficient scaffolding to equitably build performance self-esteem across all personality types" — un monito del fatto che i compiti con artefatti creati dagli studenti possono ampliare, anziché colmare, i divari di sicurezza se il supporto graduale non è deliberato.
  • L'autoefficacia interagisce con la preferenza di formato, non solo con gli esiti. Uno studio within-subject controbilanciato (97 studenti di prima superiore; pratica su tutor e su carta con contenuti abbinati nell'interpretazione e costruzione di grafici) ha trovato che la pratica su tutor batteva la carta nel complesso (t(62,30) = 2,38, p = .020) e — controintuitivamente — che un'autoefficacia di base più bassa prediceva guadagni maggiori in entrambi i formati (t(98,40) = −2,14, p = .035). La struttura interessante è un'interazione a tre vie significativa autoefficacia × favorevolezza × formato (t(99,84) = −2,58, p = .011): tra gli studenti con bassa autoefficacia, la favorevolezza verso il tutor predice guadagni maggiori specificamente nella pratica su tutor. Un null scoraggiante per l'assunto che la pratica su tutor sia motivazionalmente auto-rinforzante: la pratica su tutor intelligente non ha migliorato significativamente l'autoefficacia post-formazione rispetto alla carta — attribuito alla brevità dell'intervento (due sessioni di circa 40 minuti). Il segnale pratico: l'autoefficacia di base e la favorevolezza verso la tecnologia sono input economici e azionabili per l'assegnazione del formato; la pratica su tutor capitalizza la favorevolezza esistente anziché crearla. (Self-efficacy and favorability shape learning from tutoring systems and paper practice)

Concetti collegati

Articoli collegati

FAQ collegate

Metadati

Destinatari previstiLearners
Apprendimento e istruzioneMotivazione, Autoefficacia, Apprendimento autoregolato
Valutazione e misurazioneValutazione
Basi dell’IA nell’educazioneAlfabetizzazione sull'IA
SourceHistoryEditChat

Incorpora questa pagina

Copia il codice qui sotto per incorporare questa pagina in un sistema di gestione dell’apprendimento o in un altro sito. La versione incorporata mostra solo il contenuto della pagina — nasconde header, navigazione e footer del sito.