Base di conoscenze AIEdAIEd KB
In questa pagina

Leggi questa pagina in inglese

Concetti

Modelli di adozione della tecnologia

Creata 2026-10-14

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

I modelli di adozione della tecnologia sono i framework teorici usati per spiegare e predire perché individui e istituzioni accettano, adottano e continuano a usare nuove tecnologie — e, nella ricerca sull'IA nell'educazione, perché studenti, docenti e organizzazioni adottano strumenti di IA generativa. Piuttosto che un singolo modello, questa è una famiglia di teorie che condividono radici nella ricerca sui sistemi informativi e nella psicologia sociale, di cui il Technology Acceptance Model (TAM) è il più ampiamente applicato. La base di conoscenza tratta questi modelli insieme perché gli studi sull'adozione della GenAI li combinano di routine (TAM + UTAUT, TAM + TPB, UTAUT + ARCS) e perché i loro costrutti centrali — utilità percepita, facilità d'uso percepita e influenza sociale — ricorrono in quasi ogni studio sull'accettazione dell'IA in educazione.

Domande da considerare

  • Pensi a una volta in cui hai adottato una nuova app, uno strumento o un servizio di IA — e a una volta in cui ne hai abbandonato uno. Che cosa ha guidato davvero ciascuna decisione: quanto sembrava utile, quanto era facile, o che cosa facevano le persone attorno a te? Quale fattore sospetti conti di più, e un'indagine può davvero catturarlo?
  • Una credenza diffusa è che «se uno strumento è chiaramente utile, la gente lo userà». Ha visto situazioni in cui una tecnologia genuinamente utile non è riuscita comunque a imporsi, o una chiaramente limitata si è diffusa lo stesso? Che cosa potrebbe spiegare il divario tra utilità oggettiva e adozione effettiva?
  • I framework di adozione come il TAM sono stati progettati negli anni Ottanta per sistemi piuttosto semplici. Se ha usato l'IA generativa, in che cosa differisce da un elaboratore di testi o da un learning management system — e perché un modello costruito attorno alla «facilità d'uso» e all'«utilità» potrebbe faticare a catturare come le persone si rapportano a qualcosa che risponde?
  • I ricercatori spesso dicono che il rischio percepito e la fiducia contano meno del previsto per l'adozione dell'IA. Prima di proseguire nella lettura, che cosa prevede: gli studenti adottano l'IA perché si fidano di essa, nonostante i rischi, o quelle preoccupazioni sono in realtà minori rispetto alla comodità e alla pressione sociale?
  • La pagina sostiene che i framework di adozione trattano l'uso di uno strumento come una decisione una tantum, mentre l'uso efficace può essere un giudizio continuo. Dove, nella sua pratica o in quella dei suoi studenti, la linea tra «scegliere di usare l'IA» e «decidere continuamente come usarla bene» le sembra sfumare — e che cosa cambierebbe se misurassimo quello anziché il mero tasso di adozione?
  • Alcuni ricercatori raggruppano chi apprende in diverse «persona di adozione» anziché assumere che un unico modello valga per tutti. Quali differenze vede tra i suoi studenti, colleghi o discenti che un singolo modello medio di adozione potrebbe nascondere — e come potrebbero quelle differenze plasmare il modo in cui li sostiene?

Introduzione

Evidenza meta-analitica sull'adozione dell'IA. Una meta-analisi sull'adozione dell'IA da parte degli studenti terziari (233 correlazioni, 32 studi, N = 16.977) rileva correlazioni positive moderate per i fattori individuali (r = 0,57), contestuali (r = 0,53) e tecnologici (r = 0,50), con le intenzioni d'uso come predittore più forte (r = 0,64) e rischi percepiti/fiducia più deboli del previsto. La sua critica centrale è che il campo si affida in modo eccessivo ai framework tradizionali TAM/UTAUT che precedono i sistemi intelligenti moderni e trascura i fattori specifici dell'IA come l'antropomorfismo e l'etica — sostenendo che questi vuoti contano per il progresso della teoria e delle politiche basate sulle evidenze.

La famiglia dei modelli

Technology Acceptance Model (TAM)

Proposto da Davis (1989), il TAM spiega l'adozione attraverso due credenze centrali — Utilità Percepita (PU) e Facilità d'Uso Percepita (PEOU) — che plasmano l'Atteggiamento (ATT) dei fruitori, poi l'Intenzione Comportamentale (BI), poi l'uso effettivo. Ancorato nella teoria dei sistemi informativi (adattata dalla Theory of Reasoned Action), il TAM è diventato il framework dominante per l'adozione della GenAI in educazione. Nella ricerca educativa sulla GenAI è frequentemente esteso con alfabetizzazione in IA, fiducia, influenza sociale, autodeterminazione e uso critico per catturare la complessità dell'adozione al di là del semplice tasso di adozione.

UTAUT / UTAUT2 / UTAUT3

La Unified Theory of Acceptance and Use of Technology consolida il TAM con otto modelli precedenti in quattro determinanti centrali — aspettativa di performance, aspettativa di sforzo, influenza sociale e condizioni facilitanti (con UTAUT2 che aggiunge motivazione edonica, valore del prezzo e abitudine; UTAUT3 che aggiunge l'innovatività personale). La base di conoscenza applica UTAUT alle popolazioni di docenti e studenti: i docenti austriaci di matematica della secondaria (UTAUT con 448 docenti), i docenti di scienze in formazione in Ghana (UTAUT + TPB), e gli studenti in Lesotho (UTAUT3 + ARCS, usando PLS-SEM e fsQCA). Jácome-Vásconez et al. estendono UTAUT2 con l'IA spiegabile (Random Forest, SHAP, NCA, IPMA, K-Means) su 522 studenti universitari, rilevando che l'abitudine è il predittore più forte dell'intenzione verso ChatGPT e mostrando che l'aspettativa di sforzo è una condizione necessaria piuttosto che un driver lineare — un risultato visibile solo quando l'XAI integra la regressione.

Theory of Planned Behavior (TPB)

La TPB spiega l'intenzione attraverso l'atteggiamento, le norme soggettive e il controllo comportamentale percepito. È frequentemente abbinata a TAM/UTAUT negli studi sull'adozione dell'IA — per es. Rizun et al. integrano TAM, TPB, UTAUT e il framework FATE (Equità, Responsabilità, Trasparenza, Etica) per modellare i driver comportamentali ed etici dell'adozione di ChatGPT da parte degli studenti.

La ricerca sull'adozione di solito si ferma all'intenzione; un'estensione della TPB che ha invece misurato il ritardo nonostante un'intenzione genuina ha rilevato che il controllo comportamentale percepito è il predittore negativo più forte della procrastinazione nell'apprendimento assistito dalla GenAI (β = −0,331) su 1.243 studenti universitari, con il legame intenzione–ritardo significativo solo a livelli da moderati ad alti di ansia da GenAI nell'apprendimento (Li et al. (2026)).

Diffusion of Innovation (DOI)

La teoria DOI di Rogers spiega l'adozione come un processo sociale in cui le innovazioni si diffondono attraverso le popolazioni nel tempo, enfatizzando gli attributi dell'innovazione (vantaggio relativo, compatibilità, complessità, possibilità di prova, osservabilità) e le categorie di adottanti. Appare nelle analisi istituzionali della base di conoscenza, per es. Al-Rahmi et al. combinano il framework Technology–Organization–Environment (TOE) con DOI per modellare l'adozione organizzativa dell'IA nelle università saudite.

Technology–Organization–Environment (TOE)

Il TOE inquadra l'adozione come plasmata da contesti tecnologici, organizzativi e ambientali — un complemento al TAM/UTAUT a livello individuale per studiare l'adozione istituzionale (si veda Exploring Organisational Drivers and Innovation Attributes of Artificial Intelligence Adoption in Higher Education).

Applicazioni nella base di conoscenza

I modelli di adozione sono applicati attraverso la base di conoscenza per modellare l'adozione di strumenti di IA da parte di studenti e docenti:

  • Estensione all'uso critico: Nguyen et al. hanno esteso il TAM con l'uso critico per studenti di ingegneria e informatica, rilevando che atteggiamenti e uso critico predicono direttamente l'intenzione — e che l'uso critico protegge dall'eccessivo affidamento.
  • Modello socio-cognitivo unificato: Asag & Al Mamun hanno integrato TAM con UTAUT per studenti di ingegneria in Bangladesh (spiegando il 64% della varianza d'uso).
  • Profili centrati sulla persona: anziché modelli centrati sulle variabili, Saihi & Ahmed raggruppano le persona di adozione della GenAI, e Chen et al. usano l'analisi dei profili latenti per identificare quattro profili di accettazione di ChatGPT tra i docenti in formazione — mostrando il movimento del campo oltre gli account lineari a modello unico.
  • Validazione cross-culturale: Martínez-Moreno et al. validano cross-culturalmente i costrutti motivazionali legati all'adozione tra Svizzera e Cina.
  • Correlati psicologici: Wu et al. si fondano sul TAM per collegare motivazione, auto-efficacia, ansia e percezione del rischio all'accettazione dell'apprendimento dell'inglese assistito dall'IA.
  • Critica della competenza regolativa: Kim sostiene che i modelli TAM centrati sull'adozione trattano l'uso come una decisione stabile, mentre l'uso efficace dell'IA è un processo continuo di giudizio, revisione e assunzione selettiva — riformulando l'alfabetizzazione in IA come competenza regolativa e pensiero critico anziché come accettazione.

Aggiungere una capacità della famiglia del TPACK accanto a framework di credenze come la Theory of Planned Behavior come predittori paralleli invita alla sovrapposizione di costrutti e lascia indeciso l'ordinamento causale di capacità, atteggiamento e controllo; il Capability–Decision Model colloca invece la capacità AI-TPACK a monte dell'atteggiamento e del controllo comportamentale percepito (Mnguni (2026)).

  • Determinanti ML dell'adozione di ChatGPT: un approccio esplorativo di machine learning ha esaminato come le percezioni e i dati demografici degli studenti si rapportino all'uso accademico inteso di ChatGPT, usando l'analisi SHAP per identificare i costrutti chiave legati all'apprendimento — privilegiando il significato educativo rispetto alla massimizzazione della performance algoritmica (An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education).

  • La spiegabilità e la rilevanza di dominio come leve di accettazione per i docenti: adattando la teoria della fiducia nell'automazione all'accettazione da parte dei docenti delle raccomandazioni dell'IA, Feldman-Maggor et al. (2025) hanno rilevato che la comprensibilità (accresciuta dall'IA spiegabile) correlava positivamente sia con la fiducia sia con l'accettazione di uno strumento di raggruppamento dell'IA, e che le spiegazioni guidate dal dominio nel linguaggio curricolare superavano quelle guidate dai dati basate sull'importanza delle feature su tutti e tre. L'accettazione era guidata inoltre dall'allineamento pedagogico e dal potenziale di riduzione del carico di lavoro — fattori situazionali al di là della fiducia che i costrutti standard TAM/UTAUT catturano raramente, a rafforzare il caso per estendere i modelli di adozione con il contesto e la spiegabilità.

  • L'accettazione misurata a livello di materiali didattici (2026). Wang, Chuang e Wu (2026) hanno operazionalizzato Aspettativa di Performance, Aspettativa di Sforzo, Giocosità Percepita e Intenzione Comportamentale per due guide di alfabetizzazione in IA per fasce d'età usate da 794 studenti della K-12 e 37 docenti, validando la struttura a quattro fattori con EFA e CFA su campioni divisi e sostenendo l'invarianza di misura tra le edizioni 9-12 e 13-18. Gli studenti più giovani riportavano livelli più alti su tutti e quattro i costrutti, e la giocosità era il correlato più forte dell'intenzione in entrambe le coorti — con il coefficiente standardizzato giocosità-intenzione superiore a 1,00 nel gruppo più giovane e un HTMT di 0,950 tra i due costrutti. Gli autori lo leggono come sovrapposizione di costrutti e possibile soppressione piuttosto che come un effetto gigantesco, un promemoria utile del fatto che gli strumenti di accettazione applicati ai materiali possono produrre fattori empiricamente intrecciati che complicano l'interpretazione strutturale.

Limiti ed estensioni

Il focus cognitivo del TAM sotto-cattura anche le dimensioni emotive e relazionali dell'uso dell'IA. Uno studio qualitativo su studenti di nursing e docenti ha rilevato che, accanto ai quattro costrutti classici del TAM, i partecipanti — principalmente studenti — descrivevano l'IA come fonte di supporto psicosociale: conforto emotivo durante lo stress e uno spazio riservato per la riflessione. Questo estende l'utilità percepita al di là dei guadagni di performance fino al benessere nella formazione professionale ad alto stress, suggerendo che i modelli di adozione dovrebbero occuparsi di fattori affettivi e psicosociali, non solo dell'utilità strumentale.

La percezione dell'autonomia e l'avversione al rischio come estensioni specifiche dello strumento. Un'indagine metodi misti su 287 docenti con esperienza di GenAI in 27 Paesi e regioni (Dai et al. (2026)) estende il TAM in una direzione che la famiglia dei modelli ha a malapena toccato: l'autonomia percepita dello strumento stesso. Aggiungendo ai costrutti classici l'autonomia artificiale percepita (quanto indipendentemente i docenti credono che la GenAI possa svolgere un compito didattico assegnato) e l'avversione al rischio, il loro modello strutturale raffinato spiegava il 79,8% della varianza nell'intenzione comportamentale (χ²(97) = 202,597, CFI = 0,963, TLI = 0,954, RMSEA = 0,062, SRMR = 0,041), con l'utilità percepita nuovamente dominante (PU → BI β = 0,832, p < 0,001) e la facilità d'uso che alimenta l'utilità (PEU → PU β = 0,479). I risultati istruttivi sono le deviazioni. L'autonomia artificiale non agiva direttamente sull'intenzione (β = 0,026, ns) ma agiva attraverso l'utilità (AA → PU β = 0,188, p < 0,001; indiretto AA → PU → BI = 0,156, IC al 95% [0,082, 0,240]) — i docenti che vedevano la GenAI come più capace la trovavano più utile, non più immediatamente adottabile. L'avversione al rischio abbassava l'intenzione (RA → BI β = −0,163, p < 0,001) senza abbassare l'utilità percepita (RA → PU ns), perché le preoccupazioni dei docenti si centravano sull'uso da parte degli studenti — imbroglio e integrità, conoscenza fondativa e pensiero di ordine superiore indeboliti, allucinazioni, ridotta interazione umana, e rischi etici, legali e di equità — piuttosto che sul proprio. La facilità d'uso era non significativa nel complesso (PEU → BI β = 0,068) ma significativa tra i 225 docenti che avevano effettivamente usato l'IA nell'insegnamento (β = 0,138, p < 0,05), il familiare pattern per cui lo sforzo si registra solo dopo l'incontro reale; l'atteggiamento ha dovuto essere eliminato quando la sua correlazione con l'intenzione (r = 0,929) violava la validità discriminante. I docenti collocavano la GenAI ai livelli semi-autonomi (130 al Livello 2, «assistenza del docente»; 94 al Livello 3, «automazione parziale»; uno al Livello 6) e insistevano perché le decisioni di adozione fossero prese caso per caso. Il TAM predice ancora bene l'intenzione, ma per l'IA rivolta ai docenti i costrutti che fanno la differenza sono specifici dello strumento: quanto autonomo lo strumento sembri, e a chi si attacca il rischio. L'etichetta «frenemy» degli autori — valorizzata come strumento di supporto, diffidata come agente autonomo — è la controparte dal lato docente delle estensioni rivolte agli studenti catalogate sopra.

La percezione del rischio come estensione specifica per dimensione. Un'indagine su 814 studenti universitari cinesi (Du, Ning, Shi & Chen (2026)) piega la Cognitive Appraisal Theory e la Protection Motivation Theory nel TAM/UTAUT2 per chiedere non se gli studenti adottino la IA generativa, ma che cosa ne ricavino. L'assunto della famiglia dei modelli secondo cui il rischio sopprime uniformemente l'adozione non sopravvive: la percezione del rischio si scinde in dimensioni informative, di sicurezza, tecniche, etiche e legali che muovono i benefici in direzioni opposte. Il rischio di sicurezza — una minaccia che gli studenti credono di poter gestire attraverso pratiche di privacy — era positivamente associato all'assistenza accademica percepita e allo sviluppo delle abilità, in coerenza con il coping focalizzato sul problema, mentre il rischio informativo, che chi apprende non può facilmente verificare, erodeva il supporto psicologico ed emotivo, i benefici per la vita quotidiana e per il tempo libero attraverso l'evitamento. Le analisi di soglia mostravano inoltre effetti che cambiano segno al di là di punti di taglio specifici per dimensione, e l'esperienza d'uso contava indipendentemente: gli studenti con più di un anno di uso della GenAI riportavano benefici più alti in quattro domini. L'implicazione pratica per la ricerca sull'accettazione è che il «rischio percepito» è un costrutto troppo grossolano per essere modellato — la controllabilità, non la mera presenza del rischio, è ciò che determina se gli studenti si impegnano o si ritirano.

Il legame del rischio con l'uso dipende anche dal sistema: tra i 49 sistemi TALIS 2024 che hanno somministrato gli item, l'utilità percepita dell'IA era positivamente associata all'uso dell'IA in tutti i 49, mentre il rischio percepito era negativamente associato in 40 e positivamente in nove (Fang & Jin (2026)).

Concetti collegati

Articoli collegati

Metadati

LivelloHigher Ed
Destinatari previstiLearners
Tecnologie e tecnicheIA generativa, Modelli di adozione della tecnologia
Metodi di ricerca e valutazioneMetodi di ricerca nell'AIED
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.