Competenza in IA dei docenti

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

La competenza in IA dei docenti — le conoscenze, le abilità e le disposizioni di cui i docenti hanno bisogno per integrare l'IA nell'insegnamento e nell'apprendimento in modo efficace, etico ed equo. Va oltre l'uso tecnico degli strumenti e comprende l'integrazione pedagogica, l'alfabetizzazione valutativa, il giudizio etico e la fiducia di usare bene l'IA. La competenza in IA dei docenti è la controparte dal lato docente dell'alfabetizzazione in IA e si sviluppa attraverso lo sviluppo professionale. È centrale nel modo in cui si trasforma il ruolo del docente nelle classi potenziate dall'IA.

Domande da considerare

• La pagina sostiene che il docente è «il fattore decisivo» nel determinare se l'IA migliori l'apprendimento, ossia che gli strumenti aiutano solo quando i docenti sanno pianificarne l'uso, sostenere gli studenti nel loro utilizzo e valutarne gli output. Questo corrisponde alla sua esperienza, o pensa che lo strumento conti più del docente?
• La competenza in IA dei docenti abbraccia la padronanza tecnica, l'integrazione pedagogica, l'alfabetizzazione valutativa e il giudizio etico. Quale di queste ritiene che i docenti possiedano meno, e quale è più difficile da formare?
• La ricerca documenta un divario tra la competenza in IA auto-percepita dai docenti e quella effettiva. Perché secondo lei le persone sovrastimano la propria preparazione, e che cosa servirebbe per colmare onestamente quel divario?
• Un programma intensivo di sviluppo professionale ha prodotto guadagni rilevanti nella competenza pedagogica in IA nella ricerca citata, il che suggerisce che la competenza tecnico-pedagogica sia addestrabile. Se è vero, perché così tanti docenti sembrano ancora impreparati: che cosa li ostacola?
• Se un docente sa «usare bene l'IA», che cosa significa per lei «bene» — e come farebbe a stabilire che un docente ci è riuscita, anziché aver semplicemente adottato lo strumento?

Introduzione

La competenza in IA dei docenti conta perché il docente è il fattore decisivo nel determinare se l'IA migliori l'apprendimento. La ricerca mostra con coerenza che gli strumenti di IA si traducono in risultati migliori solo quando i docenti sanno pianificarne l'uso, sostenere gli studenti nel loro utilizzo, valutarne gli output e integrarli in un'istruzione coerente. La letteratura della base di conoscenza esamina le dimensioni di questa competenza, i divari tra auto-percezione e abilità effettiva, e lo sviluppo professionale che la costruisce.

Dimensioni fondamentali della competenza

La ricerca della base di conoscenza converge su diverse dimensioni interconnesse:

• Padronanza tecnica: saper formulare prompt efficaci per obiettivi educativi, valutare gli strumenti di IA per verificarne l'adeguatezza pedagogica e la sicurezza, e risolvere i malfunzionamenti in tempo reale. Un programma intensivo di sviluppo professionale su GenAI ha documentato guadagni significativi in tutti e cinque i componenti dell'AI-PCK (nel complesso d = 2,36), dimostrando che la competenza tecnico-pedagogica è addestrabile.

• La conoscenza pedagogica è lo strato decisivo. Uno studio cross-level sull'educazione all'IA nella scuola secondaria (46 docenti, 2.832 studenti) ha rilevato che la sola conoscenza tecnica dell'IA era insufficiente — e poteva addirittura ridurre leggermente la percezione che gli studenti avevano dell'IA per il bene sociale — mentre la conoscenza pedagogica dell'IA guidava le percezioni degli studenti e la loro intenzione di apprendere l'IA. I framework di competenza dovrebbero quindi attribuire alla conoscenza pedagogica dell'IA il peso di dimensione cardine, e non di accessorio secondario.

• Integrazione pedagogica: ricondurre l'uso dell'IA agli obiettivi di apprendimento, progettare impalcature che sostengano la metacognizione e l'auto-regolazione degli studenti, e integrare l'IA nella progettazione didattica. La ricerca su AI-TPACK modella come i docenti combinino la conoscenza tecnologica, pedagogica e dei contenuti attraverso flussi di lavoro multi-agente, mentre un framework a cinque livelli di collaborazione docente-IA (transazionale → sinergica) descrive come la GenAI possa sostituire, integrare o potenziare la competenza del docente.

• Alfabetizzazione valutativa: valutare i contenuti generati dall'IA e gli output che gli studenti producono con l'IA, e comprendere come cambi la validità quando gli studenti usano l'IA. Questo si collega alla valutazione automatizzata, al rilevamento dell'IA e al più ampio progetto di riprogettazione della valutazione. Per i sistemi di raccomandazione, ciò si estende al giudizio su se le spiegazioni di un'IA siano genuinamente comprensibili e pedagogicamente significative: Feldman-Maggor et al. (2025) hanno rilevato che i docenti si fidavano di più delle raccomandazioni di raggruppamento dell'IA quando le spiegazioni erano formulate nel linguaggio del dominio (curricolare) piuttosto che quando esponevano le caratteristiche grezze del modello — una competenza nell'esigere e valutare la qualità della spiegazione anziché accettare un output opaco.

• La selezione del modello e la progettazione dei prompt come abilità dimostrabili: l'alfabetizzazione in IA strumentale include il sapere quale modello usare e come formulare il compito. Jacobsen et al. (2026) hanno sottoposto a critica gli obiettivi di pianificazione di lezione di 153 docenti in formazione tramite ChatGPT-4, Claude 3 e Gemini Advanced con quattro prompt variati sistematicamente (N = 240 feedback nello Studio 1, 345 nello Studio 2), con il feedback valutato su nove categorie di qualità. La sola scelta del modello spiegava il 26,9% della varianza nella qualità valutata (18,4% nello Studio 2), e la progettazione del prompt aggiungeva un significativo 15,9% (5,7%) in più; la caratteristica decisiva del prompt era il linguaggio tecnico specifico del dominio, la cui rimozione abbassava significativamente la qualità (β = −0,412), mentre aggiungere esempi ed eliminare l'istruzione di chain-of-thought non produceva differenze significative nello Studio 1. La loro lettura — che la terminologia disciplinare sblocca al contempo i contenuti rilevanti dei dati di addestramento e inquadra la richiesta in modo professionale, come fa il role prompting — insieme alla regola pratica di usare il modello di frontiera più capace attualmente disponibile, rende la scelta del modello una decisione didattica anziché tecnica.

• Uso etico e critico: riconoscere i pregiudizi negli output dell'IA, proteggere i dati degli studenti (privacy) e garantire risultati equi (equità). L'uso culturalmente rilevante dell'IA esamina come i docenti possano usare gli LLM per diversificare i materiali anziché rafforzare le norme dominanti.

• La responsabilità etica è distribuita, non individuale. In sette casi nazionali i docenti sono posti nel ruolo di custodi morali dell'uso dell'IA pur mancando di supporto istituzionale ed epistemico, per cui l'alfabetizzazione etica sull'IA deve estendersi all'agenzia critica e politica anziché alla sola competenza tecnica (Raffaghelli et al. (2026)).

• Fiducia e atteggiamenti: la fiducia dei docenti influenza l'adozione. La ricerca sull'adozione rileva che fiducia, supporto e utilità percepita guidano il fatto che i docenti usino effettivamente l'IA, e gli orientamenti del corpo docente influenzano l'adozione nella ricerca e nell'insegnamento.

• In un'indagine su 1.405 docenti della K-12 in cinque Paesi, la preparazione all'IA prediceva credenze positive sul valore didattico della GenAI (B = 0,59, R² = 0,50) eppure prediceva una maggiore preoccupazione per la creatività (B = 0,18), e gli stessi predittori spiegavano solo il 7% e il 6% della preoccupazione — costruire la sola preparazione lascia la preoccupazione intatta (Xiu et al. (2026)).

La preparazione dovrebbe essere ordinata e misurata di conseguenza: il Capability–Decision Model colloca la capacità in IA dimostrata a monte dell'atteggiamento e della fiducia e propone indicatori di performance anziché il solo autorapporto — compiti di progettazione della lezione, compiti di valutazione dei prompt con errori seminati, giudizi di validità dei contenuti e rubriche per gli artefatti di classe (Mnguni (2026)).

La preparazione emotiva e morale è una dimensione distinta. Vassallo (2026) ha intervistato il personale accademico di un'università maltese (109 rispondenti) e ha costruito un AI Guilt Index (α = 0,88) a partire da quattro item di emozione morale, rilevando che il senso di colpa anticipatorio superava il rimorso provato dopo l'uso: l'adesione più forte era la preoccupazione che l'uso dell'IA minasse la propria credibilità (34,9% d'accordo), poi la sensazione di barare nell'usarla (25,7%), mentre il rimorso post-uso raccoglieva solo il 9,2%. I risultati che contano per i framework di competenza sono che i non utenti riportavano un senso di colpa più alto degli utenti (M = 3,25 vs M = 2,32) e che il senso di colpa diminuiva all'aumentare della sicurezza di carriera — il personale a inizio carriera lo riportava più alto (M = 2,71) e il personale senior più basso (M = 2,03). La preparazione emotiva non è quindi catturata dalle misure di abilità o di fiducia, e l'articolo sostiene che i framework di competenza dovrebbero trattare il senso di colpa e la preoccupazione per l'identità come risposte transitorie normali anziché come difetti da correggere.

Una versione più forte di questo rifiuto sostiene che la GenAI sia un concetto soglia piuttosto che una carenza di abilità: un resoconto autoetnografico argomenta che l'ansia e la resistenza del corpo docente siano costitutive dell'attraversamento della soglia, per cui la formazione sulle abilità fallisce e la non-adozione per principio dovrebbe essere rispettata anziché corretta (Laidlaw (2026)).

Il divario di competenza

Un risultato chiave è il divario tra competenza auto-riferita e competenza basata sulla performance. La ricerca sulla valutazione dell'alfabetizzazione in IA documenta una discrepanza sostanziale (fino a ~40%) tra ciò che i docenti credono di saper fare e ciò che sanno effettivamente dimostrare — i docenti fiduciosi nelle proprie competenze in IA spesso mancano delle abilità fondamentali di prompt e valutazione. Questo motiva la valutazione basata sulla performance della competenza docente anziché l'affidamento sull'autorapporto, e si collega all'auto-valutazione calibrata. Un'indagine nazionale su 2.586 docenti della secondaria nigeriana ha misurato le due facce con strumenti separati — consapevolezza dell'IA moderata (M = 3,13 su 8) contro una competenza pedagogica in IA più bassa (M = 2,47 su 5) — con i docenti a inizio e metà carriera che riportavano una competenza più alta dei colleghi esperti (Olurinola et al., 2026).

Il divario non riguarda solo la distanza tra abilità percepita ed effettiva, ma l'ampiezza di ciò che i docenti sanno: un'indagine nazionale su 2.018 educatori della secondaria ucraina ha rilevato che l'84% dichiarava di usare l'IA nella pratica professionale, mentre solo l'11% era in grado di nominare un servizio di IA specializzato oltre a ChatGPT (Marienko, Markova & Semerikov (2026)). Una seconda ristrettezza emerge da ciò che i docenti segnalano spontaneamente piuttosto che da ciò che sanno nominare: 53 docenti in servizio hanno etichettato i propri casi di classe rispetto all'OECD AI Literacy Framework descrivendo 43 pratiche di alfabetizzazione in IA contro solo 10 insuccessi (Wang et al., 2026). Le loro selezioni di competenza si concentravano sul giudizio pratico (valutare gli output dell'IA, N = 38) e raggiungevano raramente i pregiudizi sociali (N = 5), l'allineamento etico (N = 6) o il consumo energetico dell'IA (N = 9).

Il divario è visibile nell'artefatto oltre che nell'autorapporto. Un collaboratorio interistituzionale di docenti nella formazione degli insegnanti, in cui i formatori di docenti hanno progettato l'integrazione dell'IA nei propri corsi di metodo, ha riferito che i candidati riuscivano a produrre piani di lezione rifiniti assistiti dall'IA pur essendo incapaci di spiegare perché un piano si adattasse agli studenti e agli standard, dal momento che il piano stesso non dice nulla del ragionamento che lo sorregge. Valutare la giustificazione anziché il prodotto è una risposta. Il frame delle pedagogie della pratica ne suggerisce un'altra, trattando le prove come approssimazione della pratica: le prove mediate dall'IA con feedback strutturato post-prova hanno aumentato il ricorso a domande di approfondimento e di esplorazione da parte dei candidati, eppure i giudizi che i candidati davano della propria performance continuavano a divergere da ciò che gli osservatori registravano.

Un calo dell'auto-valutazione dopo la formazione può segnalare apprendimento anziché perdita. In un programma di sviluppo professionale Intelligent-TPACK professionale della durata di sei mesi con 64 docenti universitari di Hong Kong contro 61 controlli, la competenza complessiva in IA è cresciuta di circa mezza deviazione standard (d di Cohen = −0,521), eppure alcuni docenti in entrambi i gruppi hanno ottenuto punteggi inferiori al post-test rispetto al pre-test (Tan, Cheng & Ling, 2025). Le interviste attribuivano i cali a uno spostamento dall'incompetenza inconscia all'incompetenza consapevole — la ricalibrazione prevista dall'effetto Dunning–Kruger — anziché a un'abilità perduta. Gli autori concludono che l'autorapporto pre-post sottostima un intervento, perché parte del guadagno arriva come correzione al ribasso nello strumento stesso.

Il divario si manifesta anche come non partecipazione. Watson & Rainie (2026) hanno intervistato 1.057 docenti universitari statunitensi alla fine del 2025 e hanno rilevato che il 26% non usa affatto gli strumenti di IA generativa, con un terzo che sceglie di non usarli per l'insegnamento e il non uso concentrato nelle arti e nelle discipline umanistiche (40%). Il lato istituzionale del divario era più ampio di quello individuale: il 68% dichiarava che il proprio istituto non aveva preparato i docenti a usare l'IA generativa per l'insegnamento e la tutorizzazione, e i docenti indicavano la resistenza dei colleghi (82%) e la loro non familiarità (83%) come i principali ostacoli all'adozione a livello dipartimentale — un quadro in cui costruzione delle capacità, norme tra pari e politiche devono muoversi insieme.

La formazione pre-servizio elude in gran parte la dimensione etica della competenza. Una revisione sistematica sull'IA nella formazione iniziale degli insegnanti di matematica della scuola primaria (Pinto et al. 2026, 11 studi selezionati da 341 record) ha rilevato che gli interventi si concentravano su guadagni tecnici e pedagogici a breve termine, con nove degli undici che conducevano interventi brevi della durata da una a sei sessioni, e ha riferito che l'etica era trattata in soli tre degli undici studi. I framework di competenza nominano il giudizio etico come dimensione; la letteratura pre-servizio destinata a costruirlo raramente lo insegna o lo misura.

Sviluppo professionale che funziona

La letteratura sullo sviluppo professionale nella base di conoscenza identifica gli approcci efficaci:

• Programmi intensivi e fondati sulla teoria: un programma intensivo di sviluppo professionale su GenAI con 163 docenti e docenti in formazione ha prodotto guadagni significativi in tutti i componenti dell'AI-PCK, con i docenti in formazione che ne beneficiavano di più. Lo sviluppo professionale basato sulla teoria dell'autodeterminazione mostra che la formazione supportiva dei bisogni migliora l'alfabetizzazione in IA, gli atteggiamenti e il coinvolgimento dei docenti riducendo al contempo l'ansia.
• Approcci basati sul design e integrati: la formazione all'alfabetizzazione in GenAI basata sulla DBR affronta la sovra-enfasi sulla conoscenza tecnica e sugli strumenti pre-GenAI; i framework integrativi e di sviluppo e l'integrazione delle competenze socio-emotive ampliano l'alfabetizzazione al di là della pura tecnica.
• Indagine e pratica autentica: i modelli di indagine supportati dall'IA costruiscono alfabetizzazione in IA e performance autentica nei docenti in formazione.
• Preparazione specifica per il contesto: il framework di preparazione EPIQ-AI sottolinea che la preparazione del corpo docente è una questione sociotecnica che richiede l'allineamento tra capacità dei docenti, governance e assicurazione della qualità.
• Il supporto deve essere differenziato per esperienza e competenza in IA. Choi et al. (2026) hanno rilevato che il modo in cui i docenti interagiscono effettivamente con l'IA nella progettazione della lezione dipende dall'interazione tra esperienza didattica e competenza in IA, non dall'una o dall'altra separatamente. I docenti esperti con alta competenza in IA adattano in modo critico l'output dell'IA al contesto (ri-formulando i prompt, elaborando), mentre i novizi — anche quelli tecnicamente fluenti — tendono ad accettare direttamente le risposte dell'IA e considerano raramente gli studenti e il contesto. Questo argomenta a favore di uno sviluppo professionale basato sui profili: checklist di valutazione delle risposte e modelli di prompt per i novizi, e costruzione pratica di abilità per i docenti esperti con competenza in IA più bassa.

La configurazione delle credenze è un secondo asse di profilazione: tra 40.680 docenti nel TALIS 2024, lo stesso status di non uso nascondeva ostacoli opposti — l'83,3% del profilo Indifferent citava riserve pedagogiche, mentre il 66,2% del profilo Measured Endorsement citava conoscenze e abilità insufficienti (Fang & Jin (2026)). L'apprendimento professionale legato all'IA seguiva l'appartenenza al profilo più coerentemente dell'età o del titolo di studio.

• I docenti non condividono un'unica concezione dell'IA. Uno studio fenomenografico su 16 docenti dell'istruzione superiore danese ha rilevato tre concezioni dell'insegnare-con-l'IA e tre dell'imparare-con-l'IA, per cui un unico modello di workshop raggiunge solo una parte di qualsiasi gruppo di docenti (Stenalt (2026)).

• La co-progettazione e l'alfabetizzazione pedagogica nei prompt sono competenze, non accessori. Una revisione sistematica sulla co-progettazione docente-IA di compiti di apprendimento (Wang, Liu & Islam 2026, 28 studi) rileva che la modalità di collaborazione dominante è l'IA come assistente e generatore di contenuti, e individua un vuoto nelle più ampie capacità di co-progettazione e di partnership dialogica dei docenti. Talebzadeh (2026) mostra che lo sviluppo professionale che abbina la formazione tecnica sull'IA al ragionamento pedagogico — costruendo l'«alfabetizzazione pedagogica nei prompt» (codificando il PCK nei prompt) — è ciò che permette ai docenti di trasformare l'output dell'IA in attività di gruppo differenziate efficaci.

• Strutture che costruiscono la competenza, anziché elenchi di essa. Perl-Nussbaum e Finkelstein (2026) hanno condotto una comunità di apprendimento docente di sei sessioni a cadenza quindicinale in un ampio dipartimento di fisica pubblico di tipo R1 — diciannove docenti nell'arco della serie, circa dieci a ogni incontro — in cui ogni sessione si apriva sui dati locali, passava alla verifica in piccolo gruppo dell'IA su compiti reali anonimizzati degli studenti e si chiudeva in una discussione collettiva, producendo un repository condiviso a cinque voci anziché un pacchetto formativo. L'alfabetizzazione valutativa può essere costruita nello stesso modo attraverso uno strumento di progettazione: nel pilota di Paula et al. (2026), otto coordinatori di corso esperti in discipline STEM e Scienze della Salute hanno accresciuto la propria alfabetizzazione valutativa criticando le bozze di valutazione di un GPT personalizzato rispetto agli standard disciplinari, anche se gli output mancavano ripetutamente il contesto disciplinare, ignoravano la sequenza degli argomenti e, in un caso, riportavano riferimenti fabbricati nonostante i prompt ripetuti. Tutti e otto hanno mantenuto il giudizio accademico presso di sé e hanno rifiutato l'automazione end-to-end, il che rende la critica strutturata delle bozze generate il meccanismo di sviluppo anziché la formazione sugli strumenti.

• Sessioni brevi possono spostare l'accettazione senza spostare l'adozione. Mesenhöller e Böhme (2026) hanno valutato una sessione INSIGHT di tre ore con 100 docenti tedeschi della primaria e della secondaria e hanno rilevato che sia l'utilità percepita sia la facilità d'uso percepita erano aumentate significativamente (utilità t(99) = −3,24, p = 0,002, d = 0,32; facilità d'uso d = 0,25), mentre l'intenzione comportamentale di usare tecnologie basate sull'IA per la differenziazione non era cambiata. Gli autori osservano che le loro baseline erano già favorevoli, per cui è plausibile un effetto soffitto. La lettura per la progettazione dello sviluppo professionale è ristretta ma utile: una sessione breve può cambiare il modo in cui i docenti giudicano gli strumenti di IA senza cambiare se intendono usarli, ed è il tipo di cambiamento che richiede un seguito anziché un evento una tantum.

• I docenti preferiscono la fluidità ma attribuiscono l'apprendimento all'impalcatura. Tra 41 docenti, una baseline GPT-4o era preferita nel complesso (21 vs 13), eppure il modello perfezionato a tre passaggi (identifica, esplora, sviluppa) era più spesso accreditato dell'apprendimento (18 vs 13), e i due giudizi concordavano solo il 39% delle volte (Molnar et al. (2026)).

• Supporto istituzionale: lo sviluppo professionale deve essere accompagnato da un'infrastruttura istituzionale (politiche, cambiamento istituzionale) per un'adozione sostenibile.

• Gli strumenti di authoring non garantiscono la fedeltà pedagogica. Riahi et al. (2026) hanno studiato 27 docenti della scuola media che configuravano chatbot educativi in workshop di sviluppo professionale, analizzando i focus group insieme ai log di configurazione e di interazione. I docenti trattavano il chatbot come un'impalcatura didattica delimitata da regole definite dal docente, eppure l'allineamento tra intenzione e comportamento rilevato nei log era più forte per la reattività (88,9%) e la persona (81,5%) che per le regole (70,4%) e lo scopo (59,3%). I soli controlli configurabili non trasportano l'intenzione pedagogica nel comportamento, per cui esprimere, testare e affinare la pedagogia di un chatbot è esso stesso una competenza che gli strumenti di authoring devono supportare.

Un controesempio basato sul design tratta la competenza come situazionale anziché come un piolo su una scala. Lo studio basato sul design di Eyal (2025) con 22 formatori di docenti dell'istruzione superiore ha fatto esaminare ai partecipanti cinque framework di valutazione pubblicati e co-progettare un'alternativa organizzata attorno a tre assi interrelati: aderenza al contesto (infrastruttura, fattori socio-culturali, bisogni locali, stadio di sviluppo), bisogni professionali (disciplina, pedagogia, leadership, supporto) e sviluppo dinamico. Il modello rifiuta i livelli di competenza fissi e consente una progressione non lineare, ed è corredato di un questionario riflessivo di auto-valutazione a 20 item valutati da 1 a 5. La sua validazione è solo qualitativa, senza test quantitativi di affidabilità, per cui si presenta come un contributo di design anziché come uno strumento validato.

• Stima meta-analitica. Guo et al. (2026) hanno aggregato 212 dimensioni dell'effetto da 34 studi e stimano lo sviluppo professionale in alfabetizzazione in IA dei docenti a g = 0,76 (IC al 95% [0,50, 1,02]), più forte per le abilità (g = 0,91) e più debole per atteggiamenti e valori (g = 0,61); la correzione per l'apparente selezione da pubblicazione abbassa la stima a circa g = 0,49.

• È la presenza a predire i guadagni, laddove la sensazione di partecipare non lo fa. Nello stesso programma di sei mesi, il tasso di presenza prediceva il guadagno di competenza (β = 0,407, p = 0,001), mentre la partecipazione auto-percepita non lo faceva (β = 0,049, p = 0,692), e disciplina, esperienza didattica e titolo professionale spiegavano poco; gli autori leggono la presenza come investimento comportamentale e la partecipazione percepita come coinvolgimento superficiale (Tan, Cheng & Ling, 2025).

• Anche in un programma specifico di dominio i valori restano indietro rispetto alle abilità. In un programma di un anno a Hong Kong con 30 docenti di inglese, la conoscenza delle strategie di valutazione multimodale è salita da 3,13 a 4,15 su 5 (η² parziale = 0,571) e la competenza nel sostenere gli studenti da 3,05 a 3,98 (0,482), entrambe significative, mentre ogni sottodominio dei valori è rimasto statisticamente piatto con un alfa corretto secondo Bonferroni di 0,006. I docenti attribuivano i guadagni alla co-pianificazione nella scuola e agli incontri dei cluster tra scuole, piuttosto che ai soli workshop (Jiang et al., 2026).

• Il microlearning può sviluppare la competenza in IA dei docenti universitari. Cechovsky (2026) ha perfezionato due moduli per l'istruzione e la formazione professionale attraverso due discussioni di gruppo online, distillandoli in cinque principi di progettazione — struttura e orientamento chiari, supporto alla guida e alla navigazione, segmentazione e modularizzazione, presentazione multimodale e attivazione di chi apprende — e ha rilevato che la navigazione della piattaforma e l'individuazione dei moduli costituivano i principali ostacoli pratici.

La competenza in IA dei docenti e la trasformazione del ruolo docente

Man mano che l'IA assume i compiti routinari di istruzione e valutazione, il contributo distintivo del docente si sposta verso l'orchestrazione, il giudizio e la relazione: decidere quando e come usare l'IA, sostenere l'agentività e l'uso critico degli studenti, garantire l'equità e fornire il supporto sociale ed emotivo che l'IA non può dare. Questo riformula la competenza docente attorno alla supervisione umana nel ciclo, al giudizio etico e al sostegno all'apprendimento auto-regolato — collegandosi al ruolo del docente e alla difesa contro l'eccessivo affidamento.

Implicazioni per l'IA nell'educazione

• Valutare la performance, non solo l'autorapporto: la competenza docente dovrebbe essere valutata attraverso la dimostrazione, dato il divario documentato nell'autorapporto.

• Formare la competenza nella sua interezza, non solo gli strumenti: lo sviluppo professionale dovrebbe costruire insieme le dimensioni tecnica, pedagogica, valutativa ed etica, ancorate alle teorie dell'apprendimento.

• Costruire la fiducia accanto all'abilità: gli atteggiamenti e l'auto-efficacia influenzano l'adozione, per cui lo sviluppo professionale dovrebbe ridurre l'ansia e costruire fiducia attraverso una pratica autentica e supportata.

• Sostenere il livello istituzionale: una competenza docente sostenibile richiede politiche, governance e capacità allineate, non una formazione isolata.

• La competenza digitale dei docenti per la progettazione curricolare con la GenAI. Guillén-Gámez (2026) validano uno strumento diagnostico basato sul TAM con 434 docenti in servizio; l'intenzione comportamentale era il principale predittore della competenza digitale nell'uso della GenAI nella pianificazione curricolare, con l'auto-efficacia come motore alla radice.

Uno strumento psicometrico per la competenza in IA dei docenti

• Uno studio psicometrico ha sviluppato la Teachers' AI Literacy Scale (TAILS) per misurare l'alfabetizzazione in IA specificamente nell'ambito della formazione dei docenti di lingua, operazionalizzando le sei dimensioni del framework ED-AI. Lo sviluppo dello strumento colma un vuoto nelle valutazioni rivolte agli studenti o agli utenti generici, sostenendo la misurazione della competenza in IA dei docenti.

Anche il panorama degli strumenti è stato oggetto di revisione. La revisione sistematica di Zainal, Mohd Matore e Maat (2026) sugli strumenti di misurazione dell'alfabetizzazione in IA dei docenti ha valutato 33 strumenti pubblicati tra il 2019 e il 2025 e ha rilevato che il campo è metodologicamente monotono: 31 (93,9%) sono scale di autorapporto della fiducia percepita, solo due (6,1%) verificano la conoscenza in modo oggettivo, e nessuno usa compiti basati sulla performance. La coerenza interna era il dominio di qualità più forte (28 su 33 al Grado A) e l'equità il più debole, con cinque strumenti (15,2%) che riportavano evidenze di invarianza di misura o di funzionamento differenziale degli item. Anche i contenuti restano indietro rispetto alla tecnologia, dal momento che 29 strumenti (87,9%) prendono di mira i concetti generali di IA e solo quattro (12,1%), tutti del 2025, affrontano l'IA generativa.

Concetti collegati

• Alfabetizzazione sull'IA
• Sviluppo educativo professionale
• Insegnamento
• Prompt engineering
• Progettazione dell'apprendimento
• Scaffolding (impalcatura)
• Metacognizione
• Validità della valutazione
• Equità
• Etica
• Autoefficacia
• IA con intervento umano (HITL)
• Agentività di chi apprende
• Offloading cognitivo
• Politica sull'IA nell'istruzione
• IA in educazione
• Conoscenza Tecnologica Pedagogica dei Contenuti (TPACK)
• Sviluppo professionale
• Pedagogie e strategie didattiche — Ombrello: pedagogie e strategie didattiche nell'educazione con l'IA

Articoli collegati

• Conceptualizing and developing second language teachers' multimodal assessment literacy in the GenAI era — Multimodal assessment literacy: a year-long program where knowledge and competence moved and values did not

• The impact of professional development programs on K-12 teachers' AI literacy: A systematic review and meta-analysis

• Enhancing Teachers' AI Competency: A Professional Development Intervention Study Based on Intelligent-TPACK Framework — Intelligent-TPACK PD: half a standard deviation of gain, and negative gains that read as recalibration — The impact of professional development programs on K-12 teachers' AI literacy: A systematic review and meta-analysis

• AILitHub: Building AI Literacy Infrastructure to Situate Frameworks into Practice — Teachers tagged their own classroom AI cases and reached practical competencies readily but societal and ethical ones rarely (Wang et al. 2026)

• Typology of Generative AI Tools for Education — Tool selection as an exercise of educator agency

• Generative Artificial Intelligence (GAI) in Teaching and Learning Processes at the K-12 Level: A Systematic Review — Systematic review of generative AI in K-12 teaching and learning (Marzano 2026)

• Pedagogy first, technology second: Cross-level relationships between teacher professional knowledge and student — Teacher professional knowledge in K-12 AI education: TAIK vs TPAIK and student learning (Shen et al. 2026)

• Analyzing teacher-AI interaction patterns across teacher experience and AI proficiency in student-centered lesson design — Teacher-AI interaction patterns in lesson design across experience and AI proficiency (Choi et al. 2026)

• Preparing Pre-Service Teachers for Responsible Generative AI Use: Curriculum Implications for Ethics, Privacy, and AI Literacy — Pre-service teachers' responsible GenAI use: curriculum implications (Kohnke et al. 2026)

• Validating AI-generated classroom observations: Reliability, accuracy, and limits of LLM-based pedagogical judgment — LLM classroom observation for teacher professional development (Melo et al. 2026)

• Responsible Integration of AI into Pedagogies of Practice in Mathematics Teacher Education — Generative AI across representations, decompositions and approximations: rehearsal, structured feedback and the accuracy cautions

• Efficacy of an Intensive Generative AI Professional Development Program on Pedagogical Content Knowledge (AI-PCK) and the Comparative Analysis of Learning Gain between Experienced and Pre-service Teachers — Efficacy of an intensive GenAI professional development program

• Modeling AI-TPACK in Practice: Insights from Teachers'' Multi-Agent Workflow Design — Modeling AI-TPACK through teacher multi-agent workflows

• Towards Synergistic Teacher-AI Interactions with Generative Artificial Intelligence — Toward synergistic teacher-AI interactions

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

• Development and evaluation of artificial intelligence literacy training for teacher education students — Design-based research GenAI literacy training

• Rethinking Generative AI Literacy: An Integrative, Developmental, and Dialectical Framework for K-12 Teacher Education — Rethinking GenAI literacy in teacher education

• Exploring interfaces and implications for integrating social-emotional competencies into AI literacy for education: a narrative review — Integrating social-emotional competencies with AI literacy

• AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes — AI adoption among teachers: confidence and support

• Faculty Orientations Shape Adoption of AI in Research and Teaching — Faculty orientations shape AI adoption

• How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures — Misalignment between self-reported and performance-based AI competency

• Effects of an AI-supported inquiry model on AI literacy and authentic performance: A quasi-experimental study with preservice teachers — AI-supported inquiry for pre-service teachers

• Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity — EPIQ-AI faculty readiness framework

• LLMs to Support K-12 Teachers in Culturally Relevant Pedagogy: An AI Literacy Example — LLMs for culturally relevant K-12 pedagogy

• A Framework for Institutional Change in the Age of AI — Institutional change framework for AI

• TeachingCoach: A Fine-Tuned Scaffolding Chatbot for Instructional Guidance to Instructors — TeachingCoach chatbot for instructor guidance

• When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap — GenAI as identity crisis, not skills gap

• Situated AI ethics: a cultural-historical and ecological framework for education

• Transforming Curriculum Design with Generative AI: A Model for Assessing Teacher Digital Competence — Assessing Teacher Digital Competence for GenAI Curriculum Design (Guillén-Gámez 2026)

• Understanding what good education is: a phenomenographic investigation of university teachers' understandings of AI — phenomenographic study of university teachers' conceptions of AI

• AI Literacy in Secondary Education: Framework, Assessment, and Professional Development in the Ukrainian Context — Five-level AI literacy framework + PD for Ukrainian secondary educators (Marienko et al. 2026)

• Reimagining teacher-AI co-design in learning task design: trends and perspectives — Teacher–AI co-design of learning tasks: trends and perspectives (Wang et al. 2026)

• The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework — Architecture of roles in AI-designed differentiated group activities (Talebzadeh 2026)

• The Impact of Explainable AI on Teachers' Trust and Acceptance of AI EdTech Recommendations: The Power of Domain-specific Explanations

• AI Literacy of Teachers: Prompt Engineering and Model Selection as Predictors of AI-Feedback Quality — Prompt engineering and model selection as predictors of AI-feedback quality (Jacobsen et al. 2026)

• The AI guilt complex: Moral emotions and ethical dilemmas in academic technology adoption — The AI Guilt Complex: anticipatory guilt and four moral response profiles among academic staff (Vassallo 2026)

• Empowering teachers to use AI for differentiation: changes in teachers’ acceptance of AI-based technologies following participation in a short professional development training session — A three-hour teacher PD session raised perceived usefulness and ease of use but not stated intention to adopt (Mesenhöller & Böhme 2026)

• Artificial intelligence in initial teacher training for pre-service primary school teachers in mathematics: a systematic review — Systematic review of AI in pre-service primary mathematics teacher training: ethics addressed in only three of eleven studies (Pinto et al. 2026)

• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — AAC&U/Elon survey of 1,057 US faculty: preparedness, non-use and the individual-vs-institutional policy gap (Watson & Rainie 2026)

• AI Integration as Instructional Design: Lessons from a Cross-Institutional Faculty Collaboratory in Teacher Preparation — Cross-institutional faculty collaboratory: AI integration as instructional design in teacher preparation

• Assessing teachers' AI literacy: a systematic review of measurement tools — Systematic review of 33 instruments for measuring teacher AI literacy: 31 self-report, two objective knowledge tests, no performance tasks (Zainal, Mohd Matore & Maat 2026)

• Rethinking artificial-intelligence literacy through the lens of teacher educators: The adaptive AI model — A design-based adaptive AI literacy model and 20-item reflective questionnaire co-designed with 22 teacher educators (Eyal 2025)

• A Workshop Series for Effective Use of AI in Uncertain Times: Building a Physics Faculty Learning Community — A Workshop Series for Effective Use of AI in Uncertain Times: Building a Physics Faculty Learning Community

• Designing Authentic Assessments with Generative AI: A Pilot Study of Assessment Authentifire in Higher Education — Designing Authentic Assessments with Generative AI: A Pilot Study of Assessment Authentifire in Higher Education

• Will It Teach as Intended? How Teachers Configure Educational AI Chatbots — Will It Teach as Intended? How Teachers Configure Educational AI Chatbots

• A Capability–Decision Model of teacher readiness for AI integration in teaching — Ordered capability-first teacher readiness model with performance-based capability indicators

• K-12 in-service teachers' beliefs about generative AI in classrooms: insights from the United States, India, Qatar, Colombia, and the Philippines — Cross-national survey of 1,405 K-12 teachers: readiness predicts positive beliefs but not concern

• Teachers’ AI Belief Profiles and Their Associations with AI Use, Pedagogical Applications, and Barriers: A Person-Centered Analysis of TALIS 2024 — Four TALIS 2024 teacher belief profiles link professional learning and profile-specific barriers to AI use

• Designing Microlearning Modules on AI for University Teachers in Vocational Teacher Education: A Design-Based Research Study — Progettazione di moduli di microlearning sull'IA per i docenti universitari nella formazione professionale: uno studio di design-based research