Base di conoscenze AIEdAIEd KB
In questa pagina

Leggi questa pagina in inglese

Concetti

Sviluppo professionale

Creata 2026-10-14

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

Lo sviluppo professionale — la preparazione e lo sviluppo professionale continuo dei docenti, che abbraccia la formazione iniziale degli insegnanti (programmi di certificazione iniziali) e lo sviluppo professionale in servizio. Nella ricerca sull'IA nell'educazione, la formazione dei docenti è diventata un tema centrale perché l'alfabetizzazione in IA dei docenti, la loro conoscenza tecnologica-pedagogica, la loro fluenza etica e la loro preparazione a integrare l'IA nell'istruzione determinano il successo dell'adozione dell'IA nelle classi. Questo concetto organizza la cospicua copertura che la base di conoscenza dedica al modo in cui l'IA rimodella la preparazione, la conoscenza, le credenze e la pratica sia dei futuri docenti sia di quelli in servizio.

Domande da considerare

  • La formazione dei docenti qui abbraccia la formazione pre-servizio (futuri docenti nei programmi di certificazione) e lo sviluppo professionale in servizio (docenti in servizio). Quale delle due ritiene che affronti la sfida più grande nel prepararsi alle classi con l'IA, e perché?
  • La pagina suggerisce che la formazione dei docenti debba prepararli non solo a usare gli strumenti di IA, ma a comprenderli, valutarli e integrarli in modo etico — uno spostamento che «ridefinisce che cosa significhi essere un docente». Come dovrebbe questa ridefinizione cambiare ciò che insegna un programma di certificazione?
  • Framework come AI-TPACK estendono il classico modello TPACK aggiungendo una dimensione dell'IA e dell'etica. Che cosa dovrebbe contenere concretamente una «dimensione IA» della conoscenza tecnologica-pedagogica-dei contenuti, al di là di come si fa funzionare un chatbot?
  • Una revisione di portata di 55 studi citata nella pagina rileva che l'IA potenzia la progettazione didattica, la riflessione e il pensiero critico dei docenti in formazione. Ma se l'IA può fare parte di questo al posto loro, quando il suo uso nella formazione dei docenti costruisce un'abilità e quando invece sostituisce proprio il giudizio di cui avranno bisogno?
  • Se dovesse riprogettare un programma di formazione dei docenti per l'era dell'IA, che cosa richiederebbe a ogni futuro docente di sperimentare — e che cosa le impedirebbe deliberatamente di delegare all'IA?

Introduzione

La formazione dei docenti si colloca all'incrocio di diversi filoni della base di conoscenza: è una disciplina/ambito (come la formazione medica e le discipline umanistiche), ma attinge anche ai concetti generali del ruolo del docente, del TPACK, della competenza in IA dei docenti e dell'alfabetizzazione in IA. Nell'era dell'IA, la formazione dei docenti deve preparare gli insegnanti non solo a usare gli strumenti di IA, ma a comprenderli, valutarli e integrarli in modo etico — uno spostamento che ridefinisce che cosa significhi essere un docente. Le scienze dell'apprendimento forniscono le conoscenze che questa formazione deve veicolare: là dove quel campo studia come apprendono le persone e come andrebbero progettati gli ambienti di apprendimento, la formazione dei docenti è la formazione professionale in cui tali evidenze devono atterrare come capacità propria del docente di progettare, insegnare e valutare.

L'evidenza cross-level affina la priorità progettuale: uno studio multilivello su 46 docenti e 2.832 studenti della secondaria ha rilevato che la conoscenza pedagogica dell'IA (TPAIK) — non la conoscenza tecnica dell'IA — guidava le percezioni degli studenti sull'IA per il bene sociale e la loro intenzione di apprendere l'IA. La formazione dei docenti dovrebbe quindi mettere in primo piano come insegnare con e sull'IA rispetto alla padronanza degli strumenti, in coerenza con la linea guida «prima la pedagogia, poi la tecnologia».

Formazione iniziale degli insegnanti

La formazione iniziale (pre-servizio) degli insegnanti prepara i futuri docenti durante i loro programmi di certificazione. La ricerca sull'IA in questo filone include:

  • La disponibilità nell'AI-TPACK e nell'Intelligent-TPACK. Strumenti e framework misurano e costruiscono la disponibilità dei docenti in formazione a integrare l'IA, estendendo il framework TPACK con una dimensione IA/etica.(Conceptualizing pre-service teachers' readiness for AI integration into teaching practices: An intelligent-TPACK approach)(Assessing AI-TPACK readiness in mathematics teacher education: The role of self-efficacy and teaching beliefs)

  • Profili di accettazione, e un paradosso facilità d'uso/intenzione. Chen et al. (2026) hanno profilato 128 docenti in formazione in quattro gruppi di accettazione di ChatGPT: gli Scettici Resistenti (14,06%) riportavano un'alta facilità d'uso percepita ma un'intenzione comportamentale molto bassa, per cui la sola formazione sulle abilità operative non li converte.

  • Applicazioni e benefici. Una revisione di portata di 55 studi mostra che l'IA potenzia la progettazione didattica, l'insegnamento disciplinare, le abilità pratiche di insegnamento, la valutazione, la pratica riflessiva, il pensiero critico, l'integrazione tecnologica e l'innovazione pedagogica dei docenti in formazione.(Harnessing artificial intelligence for preservice teachers' development: A scoping review of applications, benefits, and challenges)

  • Un accesso non impalcato alla GenAI ha ottenuto punteggi inferiori all'assenza di GenAI. In un quasi-esperimento di 11 settimane con 52 docenti in formazione, la classe con GenAI non impalcata ha prodotto piani di lezione valutati con rubrica inferiori a quelli della classe senza GenAI (86,54 corretti vs 81,87, F = 8,348, p = 0,006, η² = 0,146), senza differenza tra i gruppi nell'apprendimento auto-regolato o nel pensiero critico (Zhang et al. (2026)).

  • Robotica educativa e machine learning. La formazione iniziale degli insegnanti incorpora attività di coding, robotica e machine learning (per es. micro:bit) per costruire il pensiero computazionale nei futuri docenti.(Coding, robots, computational concepts, and machine learning using the microbit card and the Maqueen and Nezha kits. A study in initial teacher training)

  • Valutazione autentica e metacognizione. I modelli di valutazione mediati dall'IA (per es. AAIWA) integrano la valutazione autentica basata su rubriche, il feedback dell'IA sensibile alle condizioni e la riflessione metacognitiva nei programmi pre-servizio.(AI-mediated authentic assessment and metacognitive reflection: A mixed-methods study of the AAIWA model)

  • L'indagine supportata dall'IA nella formazione scientifica. Un quasi-esperimento con 48 docenti in formazione scientifica in Turchia (Aydın) ha integrato l'apprendimento basato sui problemi e sulla progettazione in un programma di indagine guidata supportato dall'IA di 8 settimane su fotosintesi e respirazione. Ha prodotto guadagni significativi nella comprensione concettuale dei due processi biologici, ma nessun effetto significativo sull'alfabetizzazione in IA o sul pensiero computazionale auto-percepito — un promemoria del fatto che l'IBL con l'IA può approfondire la comprensione disciplinare nei candidati docenti senza costruire automaticamente le loro competenze in IA/CT, che richiedono una progettazione esplicita e mirata.

  • La IA generativa per la progettazione didattica costruttivista. Il modello SAHAB è un intervento di sviluppo professionale quasi-sperimentale in cui l'IA generativa dà potere ai docenti di progettare un'istruzione costruttivista, con guadagni rilevanti (d = 1,18). Mostra che la GenAI può impalcare la progettazione didattica sia per i candidati docenti sia per i docenti in servizio — non solo erogare contenuti, ma sostenere la progettazione di attività di apprendimento centrate sullo studente.

  • Formazione sulle classi intelligenti per gli studenti magistrali di matematica. Zhu, Liang, Mao e Wang (2026) mostrano come un corso di matematica per il master in educazione possa essere potenziato con tecnologie educative intelligenti (correzione automatizzata, raccomandazioni personalizzate, feedback multi-IA) attraverso le fasi pre-, in- e post-classe, producendo guadagni statisticamente significativi nella padronanza della progettazione degli obiettivi didattici. Il Modello D-T-E trasferibile (Disciplinary Demand–Technological Empowerment–Evaluation Loop) offre ai formatori di docenti un framework specifico per disciplina per integrare l'educazione intelligente nella preparazione magistrale dei docenti.

  • L'adozione sotto una politica permissiva è più esile di quanto lascino intendere le indagini, e l'alfabetizzazione valutativa non si trasferisce. Zou et al. (2026) hanno intervistato 85 studenti-docenti in tre corsi di formazione docente a Hong Kong in cui l'IA generativa era esplicitamente consentita nella valutazione: il 62,4% (53) ha scelto di non usarla affatto, e l'uso degli adottanti era superficiale e correttivo (revisione linguistica 43,8%, verifiche di chiarezza 34,4%, generazione di testo 18,8%, brainstorming 12,5%). Il timore di essere accusati ingiustamente di plagio (41,5% dei non adottanti) e la preferenza per il lavoro solitario (77,4%) superavano la mancanza di abilità (13,2%), e nove degli undici intervistati leggevano la politica permissiva come una possibile «trappola» — un'evidenza del fatto che i docenti pre-servizio portano nei corsi in cui l'IA è consentita un'ansia da integrità, e non solo una prontezza rispetto agli strumenti.

  • La scrittura di politiche di classe sull'IA come lente sul pensiero pre-servizio. Nash & Burriss (2026) hanno chiesto a 27 docenti pre-servizio di inglese della secondaria, nell'anno capstone di un programma di preparazione all'insegnamento dell'inglese, di scrivere le politiche sull'IA che avrebbero usato nelle proprie classi 6–12, in uno Stato privo di orientamenti statali sull'IA. 26 dei 27 consentivano qualche uso dell'IA, quasi sempre limitato a compiti, tempi e luoghi specificati dal docente, e uno solo lo vietava del tutto per ragioni etiche legate alle pratiche lavorative e al copyright; 22 consentivano l'IA per generare idee, mentre 22 vietavano o lasciavano non chiarito l'uso dell'IA per comporre frasi, paragrafi o elaborati, e le riflessioni di accompagnamento si leggono come negoziazioni tra impegni pedagogici e un'obbligazione avvertita a integrare la IA. Chiedere ai docenti pre-servizio di redigere una politica — anziché discutere dell'IA in astratto — ha portato alla luce le loro filosofie, credenze e assunti curricolari, rendendo la scrittura di politiche un'attività di alto valore per i corsi di metodo.

  • La politica non governa la pratica. Quattro semestri di dati di indagine da un programma di formazione docente statunitense mostrano l'uso della GenAI per la preparazione alla valutazione in crescita dal 57% all'83% e per lo studio dal 44% al 76%, mentre gli istituti prendevano in considerazione software di rilevamento dell'IA, con l'incertezza etica in aumento nelle varie ondate (Parker et al. (2026)).

Sviluppo professionale in servizio

Lo sviluppo professionale in servizio sostiene i docenti in servizio nell'integrazione dell'IA. La ricerca sull'IA qui include:

  • Framework di sviluppo professionale basati sull'Intelligent-TPACK. Un framework informato dalla ricerca allinea i cinque domini di conoscenza dell'i-TPACK con quattro percorsi di sviluppo professionale basati sulle evidenze (apprendimento attivo, modelli/esempi, coaching, feedback/riflessione).(Designing effective AI professional development: A framework grounded in intelligent-TPACK)

  • La conoscenza pedagogica tecnologica (TPK) specifica per la GenAI. Anche i formatori di docenti hanno bisogno di una TPK per la GenAI — ragionamento pedagogico, consapevolezza etica e progettazione didattica potenziata dall'IA — per preparare i docenti.(Teaching the teachers: A systematic review of genAI-specific technological pedagogical knowledge (TPK) in teacher education)

  • Alfabetizzazione in IA centrata sull'umano e critica. La ricerca basata sul design produce curricoli di apprendimento professionale che operazionalizzano l'alfabetizzazione critica in IA attraverso attività di IA centrata sull'umano, compresi i compiti con l'educatore nel ciclo.(Human-centered AI for teacher educators: Designing professional learning for critical AI literacy)

  • La capacità si costruisce facendo, non studiando. Un modello strutturale basato sul TPACK su 122 docenti in servizio ha rilevato che l'uso effettivo dell'IA in compiti di scienze ed energia verde e il coinvolgimento nello sviluppo di materiali allineati all'EDS predicevano la capacità di integrazione dell'IA, mentre la conoscenza astratta dell'IA e gli atteggiamenti verso l'IA non lo facevano (Riandi et al. (2026)).

  • La valutazione collaborativa dei contenuti generati dall'IA come sviluppo professionale. Gat, Usher e Barak (2026) riferiscono di un workshop in cui 60 docenti di scienze della scuola media hanno valutato domande di verifica generate da ChatGPT attraverso il proprio giudizio disciplinare, pedagogico e curricolare. La valutazione collaborativa ha essa stessa funzionato come sviluppo professionale, aiutando i docenti ad applicare criteri di precisione concettuale all'output dell'IA e a portare alla luce il rischio che i contenuti dell'IA rafforzino i concetti errati — collocando i docenti nel ruolo di valutatori critici dei materiali GenAI anziché di consumatori passivi.

  • Lo sviluppo professionale strutturato per gli educatori linguistici è raro ma efficace. Una revisione sistematica di 23 studi (Li et al. 2026) ha rilevato che solo tre studi inclusi riferivano uno sviluppo professionale strutturato — un modulo incorporato in un corso di grammatica, un programma governativo EMI e un'indagine incorporata con chatbot — eppure tutti convergevano su guadagni in conoscenza, fiducia e riframmentazione dell'identità, spostando il modo in cui gli educatori vedevano la GenAI da «rischio di sostituzione» ad assistente/potenziamento. La revisione sostiene che lo sviluppo professionale dovrebbe abbinare la costruzione di abilità tecniche alla saggezza pratica, muovendo dalla sensibilizzazione e dall'etica alla padronanza pratica degli strumenti fino alla co-progettazione di lezioni potenziate dall'IA, e raccomanda una strategia di implementazione in due fasi «prima il back-end, poi la classe».

L'istanza più chiara nella base di conoscenza di sviluppo professionale su GenAI guidato da un framework per la matematica è uno studio su otto docenti in servizio provenienti da distretti rurali e sotto-attrezzati che hanno completato dieci moduli interattivi costruiti sul framework 4P di Rhodes (How generative AI guided-professional development supports teachers’ engagement with mathematical creativity, content knowledge, and pedagogical content knowledge). Fornisce due meccanismi di progettazione che altrimenti mancano qui nella progettazione dello sviluppo professionale in servizio: un'impalcatura che si ritira deliberatamente (guida esplicita all'inizio, poi richieste di giustificare, generalizzare e progettare compiti) e il ragionamento simulato degli studenti nei Moduli 6-10, accanto al rilievo che MC, CK e PCK si muovevano insieme — misurando però solo il coinvolgimento, non la conoscenza del docente né l'apprendimento degli studenti.

  • Programmi post-qualifica. L'alfabetizzazione e l'uso dell'IA da parte degli educatori scientifici in servizio informano la progettazione di programmi post-qualifica legati all'IA.(Science educators' AI literacy and AI usage in teaching: Implications for post-qualification programs)

  • Il supporto e l'orientamento dell'IA nel lavoro di progettazione dei docenti. Pishtari, Gnadlinger & Ley (2026) hanno chiesto a 13 docenti dell'istruzione superiore di progettare attività in tre condizioni — senza IA, chatbot IA e IA con formazione aggiuntiva — nell'ambito di un programma di mezza giornata. L'accesso all'IA ha aumentato il raggiungimento di compiti di ordine superiore (Bloom) e ridotto lo sforzo cognitivo percepito, mentre la successiva sessione di formazione sull'interazione ha stabilizzato la qualità ma leggermente aumentato lo sforzo (carico germane vs. estraneo irrisolto). L'articolo inquadra lo sviluppo professionale per l'insegnamento nell'era dell'IA come necessitante sia di framework di progettazione ancorati alla pedagogia (Bloom, ICAP) sia di strategie strutturate di interazione con il chatbot, avvertendo al contempo che i guadagni di qualità possono mascherare il trasferimento all'esterno delle decisioni pedagogiche verso l'IA.

Conoscenza, credenze e pratica

Un risultato chiave nella ricerca sulla formazione dei docenti è il divario tra ciò che i docenti enunciano e ciò che mettono in atto: i docenti spesso dichiarano abilità operative con l'IA ma faticano ad applicare in pratica una conoscenza pedagogicamente significativa.(Beyond operational skills: Teachers' AI knowledge and interactions with generative AI in lesson planning) La distanza si fa ancora più profonda quando l'esperienza incrocia la competenza in IA: Choi et al. (2026) hanno rilevato che i novizi tecnicamente fluenti accettano ancora passivamente l'output dell'IA durante la progettazione della lezione, mentre i docenti esperti — anche quelli con competenza in IA misurata più bassa — riformulano criticamente i prompt e adattano i suggerimenti dell'IA ai propri studenti e al proprio contesto. L'implicazione è che lo sviluppo professionale in servizio non può trattare la «costruzione di abilità in IA» come sufficiente; deve essere differenziato dal profilo di esperienza e competenza del docente — impalcature di valutazione delle risposte e di adattamento critico per i novizi, costruzione pratica di abilità in IA per i docenti esperti con competenza in IA più debole. Il giudizio esperto sui piani di lezione generati dall'IA conferma che questa postura di adattamento critico è la norma, non l'eccezione: Karaismailoglu, Surmeli e Yildirim (2026) hanno rilevato che undici specialisti turchi della formazione scientifica hanno valutato i piani di ChatGPT-4 e Teacher's Buddy per un'unità di classe sesta come bozze utilizzabili — 7 su 11 giudicandoli «applicabili mediante correzione», solo 3 direttamente «Applicabili» — e che le loro preferenze divergavano dai punteggi grezzi, privilegiando qualità affettive e contestuali rispetto alla fedeltà strutturale. La formazione dei docenti dovrebbe quindi costruire la capacità di valutare, adattare e localizzare i materiali didattici generati dall'IA come competenza professionale centrale, sia nei programmi pre-servizio sia in quelli in servizio. Contano anche i fattori psicologici — l'auto-efficacia predice positivamente l'AI-TPACK, mentre forti credenze didattiche tradizionali possono agire come barriera cognitiva.(Assessing AI-TPACK readiness in mathematics teacher education: The role of self-efficacy and teaching beliefs) La fiducia nell'IA è plasmata sia dalla conoscenza tecnica sia dalle percezioni etiche (trasparenza, equità, responsabilità, inclusività).(Unpacking ethics-domain of intelligent-TPACK scale in relation to in-service teachers' trust and distrust) La misurazione dell'alfabetizzazione in IA dei docenti è essa stessa un fronte attivo: poiché la maggior parte delle valutazioni di alfabetizzazione in IA prendono di mira gli studenti o gli utenti generici, la Teachers' AI Literacy Scale (TAILS) — fondata sul framework ED-AI a sei dimensioni — è stata sviluppata e validata specificamente per i docenti di lingua pre-servizio attraverso EFA e CFA, colmando il vuoto di misurazione all'interno della formazione dei docenti. Una domanda parimenti trascurata è se la modalità di preparazione cambi la disponibilità rispetto all'IA. Mnguni et al. (2026) hanno intervistato 186 studenti-docenti di scienze dell'ultimo anno in Sudafrica e hanno rilevato un TPACK auto-riferito per l'insegnamento integrato con l'IA più alto in un'università con sede fisica (64,0%) che in un'università di formazione a distanza (47,4%), con la Conoscenza Pedagogica più debole in entrambe, e la formazione sull'IA associata al TPACK auto-riferito solo nell'istituzione a distanza, dove un breve corso da cinque crediti prediceva un TPACK riportato più debole dell'assenza di formazione. La preparazione a distanza ha quindi bisogno di una propria base di evidenze, anziché assumere che la formazione progettata per i programmi con sede fisica si trasferisca.

Pratica didattica simulata

Al di là dei contenuti e delle credenze, la preparazione dei docenti ricorre sempre più a classi simulate per una pratica diretta che scala. EducaSim usa agenti studenteschi generativi (con persone, memorie fondate sul corso e un oracolo del parlato Grandi modelli di linguaggio (LLM)-as-judge) per simulare una sezione in piccolo gruppo per docenti in formazione in un corso CS1 che supporta ~20.000 studenti. Distribuito come strumento opzionale di preparazione in 254 sessioni (media ~16 min), fornisce una pratica di role-play a basso costo ($0,05–$0,10 per sessione) con feedback strutturato post-sessione (statistiche sul tempo di parola, comportamenti didattici individuati dall'LLM) e domande di auto-riflessione. Questo integra il paradigma della simulazione degli studenti: gli studenti simulati servono non solo alla valutazione, ma a una preparazione docente esperienziale e ad alta frequenza, specialmente per i corsi online di massa in cui il coaching dal vivo non può scalare. Un'istanza specifica per disciplina è Student GPT (Zhuang & Zhang 2025), un chatbot ChatGPT personalizzato che interpreta il ruolo di uno studente della scuola media portatore di comuni concetti errati sul ragionamento proporzionale; i docenti pre-servizio di matematica della secondaria si sono esercitati a diagnosticare e rimediare tali concetti errati in interazioni a basso rischio e personalizzate all'interno di un corso di metodo, mostrando come un role-play leggero con la GenAI possa sostenere un insegnamento fondato sulla pratica.

Implicazioni per i formatori di docenti

  • Costruire sia l'alfabetizzazione in IA sia l'AI-TPACK critico. I docenti pre-servizio e in servizio hanno bisogno di disponibilità a integrare l'IA — gli strumenti estendono il TPACK con una dimensione IA/etica (AI-TPACK, i-TPACK PD); insegnare il ragionamento etico, la trasparenza e l'equità accanto all'uso degli strumenti.

  • Colmare il divario enunciato/attuato. I docenti spesso dichiarano abilità operative con l'IA ma faticano ad applicarle in modo pedagogico; progettare uno sviluppo professionale che passi dalla conoscenza alla pratica attuata (la progettazione della lezione).

  • Usare la pratica simulata per scalare la preparazione. Le classi simulate in stile EducaSim offrono ai docenti in formazione una pratica a basso costo e alta frequenza con feedback — un complemento al coaching dal vivo limitato.

  • Affrontare le credenze e la fiducia. L'auto-efficacia predice l'AI-TPACK, mentre forti credenze didattiche tradizionali possono essere una barriera, e la fiducia è plasmata da trasparenza/equità — occuparsi di questi fattori psicologici, non solo delle abilità.

  • Risalire dai dilemmi di classe. Kohnke et al. (2026) hanno intervistato 17 docenti pre-servizio in un'università di Hong Kong e sono risaliti all'indietro, dai dilemmi di classe anticipati ai bisogni di progettazione della formazione docente. I docenti pre-servizio hanno sollevato preoccupazioni su integrità accademica, privacy e preservazione delle competenze umane essenziali in un ambiente guidato dalla GenAI, indicando implicazioni per il curricolo che intreccino etica, Privacy e alfabetizzazione in IA (con le competenze di pensiero critico) lungo tutta la formazione dei docenti, anziché trattare l'uso responsabile come un accessorio.

  • L'IA come mediatore cognitivo nella riflessione del docente (2026): un Reflective Triangle Model fondato sulla pratica usa l'IA per mediare tra la riflessione individuale del docente e la conoscenza professionale condivisa nelle comunità di apprendimento, affrontando il diffuso fallimento della riflessione nel trasformarsi in apprendimento professionale collettivo (The Reflective Triangle Model: AI as a Cognitive Mediator in Teachers' Professional Learning and Learning-Community Development).

  • Rendere la progettazione della valutazione con la GenAI parte del lavoro curricolare professionale. Gli studenti-docenti in Zou et al. (2026) hanno mostrato scarsa intenzione di riprogettare le valutazioni della propria futura scuola in risposta all'IA generativa, e i partecipanti della scuola dell'infanzia e della secondaria hanno in gran parte giudicato la tecnologia irrilevante per il proprio contesto di insegnamento — una dimensione sottosviluppata dell'alfabetizzazione valutativa, più che una lacuna di conoscenza. I programmi di formazione dei docenti dovrebbero quindi incorporare l'uso etico della GenAI nella progettazione della valutazione come parte del curricolo professionale, abbinando la coerenza delle politiche a livello di programma a esempi concreti di uso accettabile e inaccettabile e a un Feedback tempestivo sull'uso effettivo che gli studenti fanno dell'IA.

  • Separare il lavoro delegabile da quello non delegabile. O'Byrne (2026) ha rilevato che 23 studenti universitari, per lo più docenti pre-servizio, producevano artefatti comparabili sia che sostenessero il lavoro di delimitazione sia che lo delegassero precocemente, e che la «tensione da imbroglio» sull'attribuzione della paternità era più forte tra chi svolgeva più lavoro di delimitazione — per cui l'obiettivo didattico è giudicare quale lavoro interpretativo non consegnare in mano ad altri.

  • Rendere la scrittura di politiche di classe un'attività centrale della formazione dei docenti, e trattare l'ambiguità come un difetto della politica. Nash & Burriss (2026) hanno rilevato che chiedere ai docenti pre-servizio di scrivere le proprie politiche di classe sull'IA funziona come costruzione retorica di un mondo su che cosa serve la scrittura — una finestra sulle credenze emergenti che la discussione astratta non apre. Poiché l'IA separa la scrittura-come-prodotto dalla scrittura-come-processo, i programmi dovrebbero aiutare i docenti a individuare dove risiedano effettivamente il pensiero, l'apprendimento e il valore attraverso il brainstorming, la stesura, la revisione e la correzione, anziché collocare il pensiero solo nel testo finale, e dovrebbero sostenerli nel tradurre le credenze in regole operative e non ambigue abbinate all'insegnamento dell'alfabetizzazione in IA: contraddizioni come vietare il testo generato dall'IA ritenendo al contempo gli studenti responsabili dei contenuti generati dall'IA che consegnano lasciano gli studenti nell'impossibilità di conformarsi.

Concetti collegati

Articoli collegati

FAQ collegate

Metadati

LivelloTeacher Education, K 12, Adult Learning
Destinatari previstiInstructors
Basi dell’IA nell’educazioneAlfabetizzazione sull'IA, Insegnamento, Conoscenza Tecnologica Pedagogica dei Contenuti (TPACK)
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.