Base di conoscenze AIEdAIEd KB
In questa pagina

Leggi questa pagina in inglese

Concetti

Sviluppo della teoria nell'IA nell'educazione

Creata 2026-10-14

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

Sviluppo della teoria nell'IA nell'educazione — il lavoro accademico di creare, far avanzare ed esaminare criticamente le teorie e i quadri concettuali che spiegano come interagiscono studenti, insegnanti e sistemi di IA. Mentre l'IA generativa rimodella l'educazione, il campo propone sia nuove teorie dell'apprendimento-con-IA sia rielaborazioni delle teorie dell'apprendimento consolidate — mentre una debolezza documentata nell'uso della teoria resta un limite trasversale della ricerca in AIEd.

Domande da considerare

  • Parliamo spesso di "applicare una teoria" all'IA nell'educazione, ma questa pagina si chiede se il campo stia effettivamente inventando nuove teorie. Prima di continuare a leggere: quando un quadro di riferimento familiare (come il comportamentismo o il costruttivismo) viene esteso per coprire l'IA generativa, cosa potrebbe centrare, e cosa potrebbe silenziosamente distorcere?
  • Pensa a un momento in cui hai usato l'IA e hai sentito crescere la tua comprensione — o l'opposto. Qual è la differenza tra "imparare con uno strumento" e "co-costruire conoscenza con una macchina"? Dove tracceresti quel confine, e ha senso dire che la macchina è un co-agente?
  • Molti studi sull'educazione con l'IA sono criticati perché usano la teoria debolmente o per niente. Se leggessi uno studio che mostra che uno strumento di IA "ha funzionato", cosa dovrebbe dirti sul perché e sul come abbia funzionato prima che tu giudichi il risultato teoricamente significativo anziché solo una dimensione dell'effetto?
  • Una teoria proposta sostiene che gli studenti nativi digitali con l'IA sovrastimino il proprio apprendimento perché l'IA gonfia la loro performance. Hai notato te stesso o altri sentirsi più competenti dopo un uso intenso dell'IA di quanto si possa effettivamente dimostrare senza di essa? Quale sarebbe l'evidenza più forte che si tratti di un fenomeno reale e non solo di un artefatto di un singolo studio?
  • La pagina distingue la teoria (spiegare i meccanismi dell'apprendimento) dalla filosofia (interrogare ciò che l'apprendimento e la mente sono fondamentalmente). Dove nel tuo modo di pensare l'IA ti trovi a muoverti tra le due — ad esempio chiedendoti non solo se un quadro di riferimento spieghi bene l'apprendimento, ma se colga ciò che l'apprendimento realmente è?
  • Nuove teorie stanno comparendo — generativismo, co-agentività epistemica, commons cognitivo. Come lettore, cosa ti convincerebbe che una di esse sia un autentico avanzamento anziché una rilabelizzazione alla moda di idee più vecchie? Fissa il tuo criterio per ciò che una buona nuova teoria dell'apprendimento con l'IA dovrebbe essere in grado di spiegare.

Introduzione

Lo sviluppo della teoria in AIEd si colloca al confine tra le teorie dell'apprendimento applicate su cui il campo si fonda e i nuovi costrutti che l'era dell'IA sta producendo. Laddove le teorie dell'apprendimento catalogano le teorie consolidate applicate all'IA (comportamentismo, costruttivismo, carico cognitivo, autodeterminazione, ecc.), questo concetto segue il processo e il prodotto della teorizzazione stessa: quali nuove teorie e quadri di riferimento stanno nascendo, come le teorie consolidate vengono fatte avanzare, e la questione metodologica se la ricerca in AIEd teorizzi bene.

Nuove teorie dell'apprendimento con l'IA

Un crescente insieme di articoli crea esplicitamente nuova teoria per l'era dell'IA anziché applicare cornici esistenti:

  • Generativismo. Il generativismo è proposto come nuova teoria dell'apprendimento, sostenendo che comportamentismo, cognitivismo, costruttivismo e connettivismo poggiano ciascuno su un assunto che l'IA generativa infrange: che l'output osservabile certifichi l'apprendimento (comportamentismo), che le operazioni cognitive avvengano dentro lo studente (cognitivismo), che il significato sia costruito anziché fornito (costruttivismo), e che la parte difficile sia navigare verso la conoscenza esistente anziché generarla (connettivismo). Nomina quattro costrutti — partnership epistemica, agentività distribuita, literacy generativa, metacognizione adattiva — e ne deriva un indicatore di valutazione per ciascuno, una candidatura diretta a nominare un paradigma teorico distinto per l'apprendimento mediato dall'IA. Ciò che non fa è enunciare proposizioni che potrebbero fallire: è un position paper che sintetizza evidenze esistenti, quindi, a differenza dell'Agentivismo sotto, offre un vocabolario e un'agenda di misurazione anziché una teoria falsificabile.

  • Connettività con l'IA. Fu e Zhao (2026) ricostruiscono la connettività per l'era dell'IA attraverso l'etica della cura e la teoria neo-ecologica, definendo la "connettività con l'intelligenza artificiale" come un legame psicologicamente reale ma eticamente asimmetrico con tre dimensioni e sei proposizioni falsificabili in attesa di sviluppo di scala.

La posizione sintetica aggiunge una candidatura rivale che enuncia invece proposizioni: nomina la promozione sintetica e la sospensione autoriale — un sé densamente espresso ma non autore — e prevede un'interazione di crossover in cui l'autorialità e la coerenza attribuite a una narrativa di decisione di vita si muovono in direzioni opposte (Du et al. (2026)).

  • Agentivismo. Yan e Gašević (2026) propongono l'Agentivismo come teoria dell'apprendimento di medio raggio per l'interazione umano-IA, definendo l'apprendimento come crescita duratura della capacità umana anziché come completamento riuscito di un compito con l'IA, e specificando quattro meccanismi: agentività delegata, monitoraggio e verifica epistemica, interiorizzazione ricostruttiva, e transfer con supporto ridotto. Ciò che lo separa dalle altre candidature in questa pagina è la falsificabilità: enuncia sei proposizioni, tra cui che l'apprendimento è più forte quando l'IA preserva la responsabilità dello studente nella definizione del problema, nella fissazione dei criteri e nella giustificazione rispetto a quando fornisce le risposte, e che richiedere la verifica dovrebbe migliorare la performance differita mentre la ripetuta delega a basso attrito senza ricostruzione dovrebbe indebolire la calibrazione che gli studenti hanno della propria competenza.

La teorizzazione dal lato dell'insegnante fa ora lo stesso impegno di verificabilità: il Capability–Decision Model colloca la capacità AI-TPACK a monte dell'atteggiamento e del controllo comportamentale percepito e nomina quattro condizioni di disconferma — fallimento della mediazione, collasso discriminante, nullità della moderazione e ridondanza del contesto — sebbene il modello resti non verificato (Mnguni (2026)).

  • Co-agentività epistemica. Learning with Machines costruisce "verso una teoria della co-agentività epistemica", un modello informato dalla teoria su come studenti e sistemi GenAI producono congiuntamente conoscenza e comprensione.

  • La linea di base cognitiva assente (ACB). The Absent Cognitive Baseline teorizza un divario strutturale nell'autovalutazione accademica degli studenti nativi digitali con l'IA — un quadro a tre dimensioni che spiega perché gli studenti sovrastimino il proprio apprendimento quando l'IA gonfia la performance.

  • Il commons cognitivo. Commons cognitivo e rigenerazione dell'expertise attinge alla teoria delle risorse comuni e alla cognizione distribuita per spiegare come decisioni razionali di adozione dell'IA possano depauperare il bacino di expertise condiviso di cui le professioni hanno bisogno per rinnovarsi.

  • Performance vs. apprendimento. Performance-vs-learning teorizza la netta divergenza tra performance nei compiti gonfiata dall'IA e apprendimento duraturo, una distinzione che ricorre nelle evidenze della knowledge base sugli guadagni di apprendimento.

  • Literacy in materia di IA epistemica (EAIL). Epistemic AI Literacy riformula la literacy in materia di IA come competenza epistemica orientata al processo, centrata su come la conoscenza è costruita e giustificata quando gli studenti co-programmano con l'IA generativa.

  • Tri-System Theory. Shaw e Nave (2026) estendono i resoconti a doppio processo con il Sistema 3 — ragionamento esterno, automatizzato, guidato dai dati provenienti dall'IA che può integrare, soppiantare o sopprimere il Sistema 1 e il Sistema 2 — e nominano la resa cognitiva, l'adozione acritica dell'output dell'IA, come suo fallimento caratteristico.

  • Amministrazione cognitiva. Credential e amministrazione cognitiva teorizza la responsabilità istituzionale di proteggere conoscenza e apprendimento nei contesti di valutazione pervasivamente basati sull'IA.

  • Co-regolazione e proattività epistemica. L'IA come partner cognitivo nella co-regolazione integra funzione esecutiva, metacognizione, cognizione distribuita e sviluppo socioculturale in un modello dello sviluppo; la proattività epistemica teorizza la postura agentica degli studenti verso l'IA nella matematica.

  • Paradigmi di coinvolgimento umano-GAI. Strydom (2026) affronta il "deficit di teoria" del campo fondando sette paradigmi di coinvolgimento umano-GAI attuati (vigile, orientato alle possibilità, aumentato, pioniere, simbiotico, basato sui valori, equità) sul modello multidimensionale delle credenze epistemologiche personali di Schommer — una teoria epistemologica, anziché focalizzata sullo strumento, di come gli individui si posizionino diversamente rispetto all'IA.

  • L'Ecological Co-Agency Framework. Poudyal (2026) sostiene che l'IA generativa riassegna l'autorità epistemologica dagli insegnanti agli studenti alle macchine, e introduce un quadro di riferimento che definisce la co-agentività attraverso tre dimensioni interdipendenti — relazionale, regolatoria (mappata sul ciclo del SRL), e pedagogica (continuum di adozione da parte degli insegnanti) — tutte delimitate da una condizione non negoziabile di responsabilità epistemica umana (contestabilità, provenienza e non delega del credito morale/intellettuale). Posiziona l'agentività come problema di progetto epistemico anziché problema di usabilità, dando alle istituzioni un linguaggio più preciso di "equilibrio" per governare l'integrazione di GenAI.

  • Agentività epistemica relazionale e dipendenza epistemica. Du & Yuan (2026) offrono un resoconto critico-integrativo di quando la fiducia mediata dall'IA preservi anziché sostituisca il giudizio. Essi operazionalizzano il confine tra affidamento produttivo e dipendenza dannosa attraverso sei criteri diagnostici (contestabilità, recuperabilità, transfer, tracciabilità, responsabilità distribuita, pluralità epistemica) e tracciano quattro percorsi sociotecnici (autorità fluente, delega senza attrito, sintesi opaca, dipendenza istituzionalizzata). La loro proposta normativa, l'agentività epistemica relazionale, estende le linee dell'autonomia relazionale e della co-agentività epistemica mantenendo un'asimmetria esplicita — l'IA può plasmare il ragionamento senza responsabilità reciproca né autorità legittima — integrando al contempo responsabilità e giustizia epistemica a livello istituzionale. Come teoria dell'apprendimento con l'IA, sposta la domanda del campo dal "se l'IA aiuti o danneggi" a "quali azioni epistemiche sono preservate, trasformate o sostituite", e fa del progetto della dipendenza anziché del mero uso l'oggetto dell'intervento pedagogico e istituzionale.

Far avanzare la teoria consolidata

Altri lavori estendono la teoria esistente nel contesto dell'IA anziché fondare nuovi paradigmi: i lavori su critical-thinking-paradox integrano la teoria del carico cognitivo con l'istruzione di riduzione del carico in un quadro a tre livelli; equitable assessment ri-teorizza la valutazione sotto la perturbazione di GenAI. Ba, Gašević, Lim & Anderson (2026) riconcettualizzano il quadro della Community of Inquiry stesso: anziché inquadrare GenAI come strumento, partner dialogico o una speculativa "quarta presenza", lo riposizionano come condizione epistemica che riconfigura come le presenze cognitiva, sociale e didattica sono attuate, testimoniate e governate — rifondando le presenze CoI come compimenti sociotecnici degli assemblaggi umano–GenAI e proponendo un'euristica basata sulle configurazioni in cui il coinvolgimento di GenAI e la qualità dell'inchiesta sono legati condizionalmente attraverso la responsabilità umana. Gran parte di questo è lavoro di quadro concettuale (quadri per le business school, simulazione valida) che operazionalizza la teoria per la pratica.

Lin e Chang (2026) estendono l'apprendimento autoregolato e la regolazione umano–IA nominando ciò che lo studente governa — standard, giudizi valutativi e autorizzazione del controllo — anziché solo ciò che l'IA fa.

An, McLaren e Stamper (2026) fanno avanzare ACT-R e il quadro Knowledge-Learning-Instruction teorizzando la sovrageneralizzazione ingannevole — una modalità di fallimento in cui la compilazione della conoscenza produce una produzione sovrageneralizzata che genera azioni corrette omettendo un vincolo applicativo critico — e validando empiricamente una procedura di rilevamento/rimedio su sistemi ITS adattivi e su un dataset di apprendimento dei decimali in K-12.

Postfenomenologia e mediazione tecnologica. Farazouli et al. (2026) fanno avanzare il quadro postfenomenologico consolidato della mediazione tecnologica (Ihde 1990; Verbeek 2006, 2011; Rosenberger & Verbeek 2015) nel contesto dell'educazione con l'IA. Anziché proporre una nuova teoria, lo applicano per riconcettualizzare i chatbot GAI come artefatti tecnologici multistabili i cui "script" (rapidità di risposta, testo dal suono naturale in grado di ottenere voti sufficienti) mediano le percezioni degli insegnanti e riconfigurano le loro pratiche — destabilizzando la fiducia degli insegnanti, rimodellando ciò che significa competenza, e spingendo gli insegnanti oltre le domande strumentali sull'uso accettabile verso una rivalutazione del proprio ruolo e del significato dell'insegnamento. Questo è un contributo di avanzamento della teoria: dimostra come un resoconto filosofico delle relazioni umano–tecnologia spieghi il disagio emotivo e professionale che gli insegnanti sperimentano quando GAI entra in una pratica educativa consolidata.

Un ulteriore contributo di quadro di riferimento è la tipologia AI×Ed di Rismanchian & Doroudi, che estende le "tre interazioni" originali di Kahn (1977) lungo due assi — il ruolo dell'IA (strumento applicato vs. analogia con l'intelligenza umana) e l'utente finale (dal ricercatore allo studente) — per collocare qualsiasi progetto AIED. Oltre a categorizzare il campo, sostiene il rilancio del filone di teoria e ricerca sull'"IA come analogia dell'intelligenza umana", usando modelli computazionali e ad agenti dell'apprendimento (ad es., il loro modello computazionale del quadro ICAP) per collegare la teoria dell'apprendimento contemporanea e la modellazione computazionale — una direzione metodologica che il campo ha in gran parte abbandonato quando si è rivolto al lavoro applicato, guidato dai dati.

La filosofia comparata come via al pluralismo teorico. Xie (2026) modella una via diversa allo sviluppo della teoria: anziché teorizzare l'IA nell'educazione dall'interno di una sola tradizione, l'articolo mette in scena un dialogo comparativo in cui ciascuna tradizione "rende visibile ciò che l'altra oscura", rifiutando esplicitamente di sintetizzarle in un quadro unico — un approccio che tratta il pluralismo teorico come posizione metodologica anziché come disaccordo irrisolto. Egli sostiene che le tradizioni non occidentali possono fare più che diversificare i dibattiti; possono rimodellare i fondamenti concettuali della teoria AIED, ricostruendo il "Dao nature" (道性), l'auto-coltivazione (修道) e lo "Zhenren" (真人) daoisti come risorse per ripensare l'agentività, le finalità epistemiche dell'educazione e l'azione etica in condizioni mediate dall'IA. Egli enuncia anche apertamente i limiti: il contributo è di un solo autore, non empirico, e avverte che tale traduzione richiede una contestualizzazione per evitare romanticizzazione e orientalismo.(Alternative AI Philosophy: Daoism as Method for AI in Education)

Il problema dell'uso della teoria in AIEd

La teorizzazione del campo è diseguale. I limiti della ricerca in AIEd documenta che gli studi AIEd usano frequentemente la teoria debolmente o acriticamente — una ricorrente debolezza metodologica accanto alle lacune di riproducibilità e misurazione. Le revisioni rilevano che molti articoli AIED applicano la teoria superficialmente o per niente (ad es., revisioni della letteratura che notano pochi studi che fondano gli interventi sulla teoria dell'apprendimento). Questo rende lo sviluppo della teoria — e l'uso della teoria — una questione di qualità tanto quanto un output accademico, collegandosi ai metodi di ricerca e alla valutazione in AIEd.

Relazione con la filosofia dell'IA nell'educazione

Lo sviluppo della teoria e la filosofia dell'IA nell'educazione sono filoni complementari ma distinti del lavoro fondativo della knowledge base. Lo sviluppo della teoria produce e verifica empiricamente i meccanismi dell'apprendimento-con-IA — teorie e quadri di riferimento nominati come il generativismo, la co-agentività epistemica e la linea di base cognitiva assente che spiegano e prevedono come studenti e IA interagiscono. La filosofia interroga le presupposizioni su cui quei meccanismi poggiano: cosa conta come conoscenza, chi conta come conoscente, e cosa lo studente fondamentalmente è. Una teoria come la co-agentività epistemica propone un meccanismo adottando implicitamente impegni filosofici sulla cognizione distribuita e sull'agentività; la filosofia rende quegli impegni espliciti e contestabili. Laddove lo sviluppo della teoria chiede se un quadro di riferimento spieghi bene l'apprendimento, la filosofia chiede se colga ciò che apprendimento e mente realmente sono — i due filoni si incontrano negli articoli più fondativi del campo, che spesso fanno entrambe le cose allo stesso tempo.

Concetti collegati

Articoli collegati

Metadati

Disegno dello studioLiterature Review
Apprendimento e istruzioneTeorie dell'apprendimento
Metodi di ricerca e valutazioneMetodi di ricerca nell'AIED
Basi dell’IA nell’educazioneIA in educazione, Limiti nella ricerca AIEd
Tipo di paginaFramework
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.