Norme sociali nell'uso dell'IA

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

Norme sociali nell'uso dell'IA — le regole informali, fatte rispettare a livello locale, che decidono quando chi apprende e chi insegna può usare l'IA generativa, con quanta apertura possono ammetterlo, e cosa conta come frode nella pratica anziché nella policy. Il corpus è scarso sulle norme come tema e abbondante sui meccanismi che le producono. Chi apprende non può inferire in modo affidabile l'uso dell'IA degli altri: la correlazione mediana fra le stime di un osservatore e il proprio profilo di utilizzo auto-riferito era r = 0,73 a entrambe le ondate, e l'accuratezza di rango per il tipo di uso dell'IA era r = 0,34 alla seconda ondata. Vergogna e senso di colpa regolano la visibilità anziché l'uso, producendo nascondimento e rivelazione selettiva anziché cambiamento di comportamento. Le norme disciplinari divergono nettamente: compiti che integrano l'IA compaiono nel 27% dei programmi di economia e nel 5% dei programmi di discipline umanistiche su 31.000 corsi. E la letteratura formale sull'etica indirizza agli utenti finali le norme meno numerose e meno azionabili, il che significa che le persone soggette alle norme d'aula sono in gran parte assenti dai documenti che le discutono.

Domande da considerare

• Se gli studenti non possono sapere chi usa l'IA, su cosa si fondano effettivamente le regole informali?
• Da dove vengono le norme sull'IA quando un'istituzione non ha alcuna policy, o quando la policy contraddice ciò che i docenti dicono in aula?
• Perché uno studente che non ha mai usato l'IA dovrebbe riferire più senso di colpa al riguardo di uno studente che la usa ogni settimana?
• Cosa ottiene la vergogna che una policy non può ottenere, e a quale prezzo per il chiedere aiuto?
• La sorveglianza cambia il comportamento, o solo quanto quel comportamento è visibile?
• Di chi sono le norme che dominano in un compito di gruppo, e chi assorbe il costo delle abitudini IA condivise del gruppo?
• Gli studenti dovrebbero partecipare alla scrittura delle norme alle quali sono tenuti?

Introduzione

La regolazione formale dell'IA nell'educazione arriva come policy: dichiarazioni di uso accettabile, clausole di programma, procedure di rilevamento, sistemi di sorveglianza d'esame, codici d'onore. Tutto ciò che gli studenti vivono in realtà, però, sta sotto quello strato. Un compagno di corso che non menziona mai l'uso di ChatGPT, un docente che dice "non mi importa come lo scrivi" e poi lo vieta nel programma, un gruppo di studio che ha tacitamente stabilito cosa è corretto, un dipartimento dove tutti danno per scontato che la curva di valutazione si sia già spostata. Queste sono norme: aspettative condivise sul comportamento accettabile, fatte rispettare da approvazione, disapprovazione e dal rischio di essere visti.

Questa pagina raccoglie ciò che la base di evidenze dice su quello strato. Vale la pena separare con cura, perché "curricolo nascosto" è spesso usato genericamente per indicare tutto ciò che non è ufficiale. Qui l'oggetto è più ristretto: le regole operative sull'uso dell'IA, come si formano, come vengono fatte rispettare, e quanto è debole il legame fra esse e le regole scritte. Il corpus non ha quasi nessuno studio che misuri le norme direttamente, il che è di per sé un risultato. Ciò che ha è evidenza ripetuta sui meccanismi: inferenza, rivelazione, emozione e la variazione disciplinare che plasma ciò che qualsiasi norma locale può diventare.

Cosa gli studenti credono gli uni degli altri

Le norme richiedono informazioni sul comportamento degli altri, e quell'informazione è peggiore di quanto molti docenti assumano. Uno studio su coppie di studenti ha seguito quanto accuratamente chi apprende giudicasse l'uso dell'IA di un partner attraverso sessioni di programmazione in coppia. Rispetto al profilo di utilizzo auto-riferito di ciascun partner, la correlazione mediana era r = 0,73 a entrambe le ondate, abbastanza alta da sembrare conoscenza e abbastanza bassa perché molte stime individuali fossero errate. L'accuratezza di rango per il tipo di uso dell'IA era r = 0,34 alla seconda ondata, e il 25% dei team è diventato peggiore nel giudicare i propri compagni nel tempo.

Due dettagli contano per le norme. Primo, il disallineamento non si è ridotto con il lavoro ripetuto faccia a faccia. La familiarità non ha prodotto accuratezza, il che mina l'assunto che le norme si stabilizzino man mano che i gruppi si conoscono. Secondo, la soluzione proposta dagli autori era strutturale anziché attitudinale: cronologie di prompt condivise, annotazioni sull'uso dell'IA, o registri dell'output prodotto con il supporto dell'IA visibili ai pari. Rendere visibile l'uso dell'IA è un progetto diverso dal rendere gli studenti più onesti o più perspicaci al riguardo, e solo il primo ha evidenza a proprio sostegno.

Visibilità, vergogna e rivelazione selettiva

Se i pari non possono vedere accuratamente l'uso dell'IA, allora le regole che si sviluppano attorno a esso vengono fatte rispettare in larga misura attraverso il rischio sociale. Uno studio intervista con 19 studenti di informatica ha esaminato vergogna e senso di colpa come regolatori sociali e ha rilevato che governano la rivelazione anziché l'uso. Gli studenti hanno descritto comportamenti di nascondimento e rivelazione selettiva, e hanno riferito di provare vergogna verso sé stessi, i propri pari e il proprio corpo docente. Il risultato negativo importante è che queste emozioni convivevano con un uso continuato dell'IA, generando cicli di agentività ridotta e tensione morale anziché spingere qualcuno a smettere.

Questo schema sposta la norma da "usa o non usa" ad "ammetti o non ammetti". Un'aula può avere una forte norma anti-IA sulla carta, un uso diffuso nella pratica, e un equilibrio di silenzio in mezzo, senza che nessuno sia confuso su ciò che la regola dice. Predice anche dove atterra il costo: su chi apprende meno in grado di gestire il rischio sociale, e sui discenti il cui uso visibile comporta conseguenze diverse.

Il lato del docente della stessa emozione è misurabile. Un'indagine sul corpo docente che usa un AI Guilt Index a quattro item (alpha di Cronbach = 0,88) ha rilevato un senso di colpa anticipatorio superiore al rimorso esperito: il punteggio medio dell'indice era 2,39 (DS = 1,01), con il 22,9% dei partecipanti sopra il punto intermedio. I non-utenti di IA hanno riferito un senso di colpa più alto (M = 3,25, DS = 1,04, n = 8) rispetto agli utenti (n = 101, M = 2,32, DS = 0,97), t(8,39) = 2,00, p = 0,078, e l'item sul rimorso ha separato i gruppi in modo più netto, t(7,79) = 2,44, p = 0,041. L'analisi dei cluster ha prodotto quattro profili: Comfortable Adopters (26,6%), Guilty Non-Users (29,4%), Cautious Users (28,4%) e Morally Distressed Avoiders (15,6%), con differenze confermate sul senso di colpa, F(3, 105) = 22,13, p < 0,001, eta-quadrato = 0,39.

Una norma che fa sentire in colpa le persone che non hanno agito sta operando attraverso l'anticipazione. Questo è un vero meccanismo regolatore, ed è invisibile a qualsiasi audit di policy che guardi solo a ciò che docenti e studenti fanno.

Il libro delle regole locale: discipline e aule

Le norme sono locali, e l'evidenza su quanto sono locali è insolitamente concreta. Un'analisi di 31.000 programmi di corso ha rilevato che i compiti che integrano l'IA andavano dal 27% in economia al 5% nelle discipline umanistiche. L'intervallo non è un vuoto nella conformità alle policy; riflette giudizi disciplinari diversi su cosa sia il lavoro, quale pratica valga, e quali competenze una credenziale debba certificare. La raccomandazione degli autori deriva da questo: concedere ai docenti autonomia entro le norme disciplinari anziché emanare mandati unici per tutti, perché il mandato dovrebbe essere scritto per una media che non esiste.

Lo strato dell'aula può anche contraddire lo strato del documento all'interno dello stesso corso. Interviste con studenti di marketing hanno rilevato che le norme dei pari e il "tenere il passo" guidano l'adozione, con il passaparola descritto come la più grande promozione che l'IA abbia mai avuto, sostenuta dalla paura di restare indietro. Lo stesso studio ha registrato una contraddizione che i docenti riconosceranno: alcune classi richiedevano l'IA mentre il programma la vietava, e l'incoraggiamento in aula di un docente non sopravviveva sempre nella policy scritta. Quando i due sono in disaccordo, gli studenti trattano la norma parlata come quella operativa, e il programma come una passività da gestire.

Il lavoro di gruppo è dove le norme informali fanno più lavoro, perché l'unità valutata è collettiva. Uno studio su 52 insegnanti in formazione attraverso 15 focus group ha identificato pattern distinti anziché un unico continuum entusiasmo-evitamento, con gruppi che negoziavano cosa contasse come assistenza legittima in assenza di una regola condivisa. Qualsiasi studente che abbia visto un gruppo stabilire tacitamente l'uso dell'IA di un solo membro ha visto una norma venire scritta in tempo reale, senza un processo di policy e di solito senza una registrazione.

Etica formale, norme vissute

La letteratura professionale sull'etica dell'IA e la norma d'aula che dovrebbe raggiungere si stanno allontanando, e il divario è documentato. Una revisione sistematica dei valori e delle norme etiche ha estratto norme da 15 articoli e le ha mappate su quattro insiemi di stakeholder tratti da Smuha (2022). Gli sviluppatori ricevevano il maggior numero di norme, seguiti dagli istituti educativi e dai regolatori. Gli utenti finali ricevevano le norme meno numerose e meno azionabili, con nessuna norma che si rivolgesse direttamente agli studenti su non-discriminazione, gestione dei dati o appropriatezza educativa, e con le voci degli studenti essenzialmente assenti dal materiale.

Il risultato è una letteratura che specifica obblighi per le persone che costruiscono e acquistano l'IA, e lascia le persone che la vivono in aula a escogitare le proprie regole. Questa è una spiegazione plausibile del perché le norme che gli studenti descrivono, come nello studio su vergogna e senso di colpa, riguardino così spesso la visibilità e la reputazione anziché i valori che i documenti di etica nominano. I due sistemi regolano cose diverse.

Perché la sorveglianza non risolve le norme

Quando le istituzioni cercano di sostituire le norme informali con il monitoraggio formale, l'evidenza è coerente e poco lusinghiera. Uno studio a quattro ondate su 1.760 studenti in 105 corsi ha rilevato che la sorveglianza online degli esami aumentava significativamente l'ansia da esame, e non aveva alcun effetto sulla tentazione di barare. Non cambiava nemmeno la difficoltà percepita o il rendimento all'esame. Il costo in termini di ansia era concentrato fra gli studenti già vulnerabili, inclusi quelli con ambienti domestici più deboli e tecnologie meno affidabili.

Due ulteriori studi spiegano perché la sorveglianza è uno strumento inadeguato per definire le norme. Una revisione di ambito sulla sorveglianza remota ha rilevato che il monitoraggio era ampiamente percepito come deterrente verso le condotte scorrette, eppure docenti sudafricani hanno riferito disonestà continuata nonostante il monitoraggio attivo, una situazione che Khalil et al. (2022) chiamano "etica sotterranea", e frequenti allarmi minori generavano falsi positivi e lavoro di revisione per il corpo docente. La sorveglianza compra conformità attraverso la paura del rilevamento anziché l'impegno verso uno standard condiviso. Un modello della valutazione in condizioni di informazione imperfetta affina il meccanismo: la deterrenza dipende dalla capacità di un rilevatore di discriminare fra uso nascosto e lavoro legittimo anziché dal suo tasso di cattura, e quando i falsi positivi crescono più rapidamente dei veri positivi, gli studenti si disimpegnano dal sistema anziché conformarsi a esso. Il suo ulteriore risultato è quello che riguarda direttamente le norme: il monitoraggio riduce l'attrattività dell'uso nascosto, ma non aumenta la rivelazione. Gli studenti si muovono verso l'apertura solo quando la dichiarazione è più sicura o più preziosa dell'occultamento, e un divieto può rendere l'occultamento più attraente della conformità.

L'argomento della giustizia procedurale trae la conclusione: poiché l'uso dell'IA abile o lievemente modificato è non rilevabile nel caso generale, una procedura per condotte scorrette fondata sul rilevamento produce ingiustizia senza efficacia, e la risposta è una valutazione migliore, non una sorveglianza migliore.

Il costo di quella sostituzione emerge in dove docenti e studenti parlano effettivamente. Su 253.222 record relativi all'IA provenienti da 26 subreddit sull'educazione, un terzo di tutti i thread docente-studente riguardava dispute di rilevamento o di applicazione, gli studenti ne hanno aperti il 68,4%, e la negatività prediceva il coinvolgimento (ρ = −0,72) — il conflitto avversariale, non la deliberazione, è la forma di contatto fra ruoli ad alto volume sull'IA generativa (Yüce et al. (2026)).

Cosa significa per la pratica

• Rendi visibile l'uso anziché inferirlo. Gli studenti non possono giudicarsi a vicenda con accuratezza, e la collaborazione ripetuta non lo risolve. Registri condivisi leggeri del lavoro svolto con il supporto dell'IA, annotazioni o cronologie di prompt danno a un gruppo qualcosa di fattuale su cui ragionare.
• Aspettati che la norma parlata batta quella scritta. Se ciò che si dice in aula contraddice il programma, gli studenti seguiranno l'aula. L'allineamento fra i due vale più di una clausola più severa.
• Tratta la rivelazione come un problema di progettazione, non di virtù. La rivelazione diventa probabile quando dichiarare è più sicuro o più prezioso che nascondere. Ciò significa rendere l'uso dichiarato leggibile nella valutazione stessa, anziché chiedere onestà come tratto caratteriale.
• Rispetta la variazione disciplinare. Uno spread dal 27% al 5% fra dipartimenti non è un'incoerenza da normalizzare, sono giudizi diversi su cosa la credenziale certifichi. I mandati a livello istituzionale tendono a essere scritti per una disciplina che non esiste.
• Non ricorrere al monitoraggio per definire le norme. La sorveglianza d'esame ha aumentato l'ansia senza cambiare la tentazione di barare nello studio più forte disponibile, e concentra quel costo sugli studenti meno avvantaggiati.
• Chiedi chi manca dalla norma. La letteratura di etica assegna agli studenti quasi nessun obbligo e tiene poco conto del loro giudizio, mentre l'aula ne assegna loro molti e li fa rispettare socialmente. Colmare quel divario è una questione di curricolo, non di conformità.

Concetti collegati

• Integrità accademica — il libro di regole formale accanto al quale queste norme crescono
• Dichiarazioni sull'uso e la divulgazione dell'IA — la pratica che le norme regolano più direttamente
• Inquadrare l'uso dell'IA per gli studenti — come un'aula dichiara le proprie aspettative
• Ridurre l'uso improprio dell'IA — la controparte didattica della definizione delle norme
• Identità dello studente — chi si ritiene che chi apprende sia quando l'uso dell'IA diventa visibile
• Rilevamento dell'IA — la risposta tecnica che perlopiù fallisce
• Sorveglianza degli esami a distanza — la sorveglianza come sostituto tentato delle norme
• Fiducia — ciò da cui dipendono sia le norme sia la rivelazione
• Equità — chi assorbe il costo sociale
• Ricerca di aiuto — il comportamento che la vergogna reprime per primo
• Lavoro di gruppo — dove le norme di gruppo vengono negoziate
• Esperienza dello studente — il lato vissuto di tutto questo
• Ansia e stress — il residuo affettivo
• Governance dell'IA — lo strato formale sotto il quale stanno queste norme
• Etica — la letteratura che ha meno da dire agli studenti

Articoli collegati

• Students' Perception Accuracy of Partners' AI Use and its Relation to Collaboration Performance — Students' perception accuracy of partners' AI use and its relation to collaboration performance
• Stuck in a Spiral": Shame and Guilt as Social Regulators of AI Use in Computing Education — Shame and guilt as social regulators of AI use in computing education
• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — How instructors regulate AI in college: evidence from 31,000 course syllabi
• The AI guilt complex: Moral emotions and ethical dilemmas in academic technology adoption — The AI guilt complex: moral emotions and ethical dilemmas in academic technology adoption
• Identifying the ethical values and norms for artificial intelligence in education: A systematic literature review — Identifying the ethical values and norms for artificial intelligence in education
• The fear of Big Brother: The potential negative side-effects of proctored exams — The fear of Big Brother: the potential negative side-effects of proctored exams
• Under surveillance: Mapping remote proctoring practices in the assessment of nursing students — a scoping review — Under surveillance: mapping remote proctoring practices in nursing assessment
• Assessment Design Under Imperfect Information: Generative AI, Disclosure, and Student Response in Higher Education — Assessment design under imperfect information: generative AI, disclosure, and student response
• Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI — Detecting the undetectable: misconduct procedures after generative AI
• Cheating or Competing? University Students' Experience of AI Marketing and What It Means for AI Literacy Programming — Cheating or competing? AI in marketing education
• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — Agency in GenAI-supported group assessment
• ChatGPT vs Teachers vs Students: Large-Scale Analysis of Generative AI Discourse in Education Communities on Reddit — Reddit discourse analysis: faculty–student contact concentrates in detection and enforcement disputes (Yüce et al. 2026)