Fiducia

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

Fiducia — la disponibilità di studenti, educatori e istituzioni a fare affidamento su una persona o su un sistema di IA per l'apprendimento, il giudizio e la presa di decisione. Nell'IA in educazione, la fiducia si estende su due domini correlati ma distinti: la fiducia nell'IA (la sicurezza nella competenza, nella trasparenza, nell'affidabilità e nella benevolenza di un sistema o agente di IA) e la fiducia interpersonale (la fiducia relazionale tra studenti e insegnanti, tra pari che apprendono, e attraverso l'istituzione). Entrambe sono a doppio taglio: una fiducia appropriata consente un coinvolgimento produttivo, mentre la sovrafiducia apre al sovraffidamento e la sottofiducia blocca l'uso benefico. La sfida centrale è la calibrazione — allineare la fiducia all'affidabilità effettiva, che questa appartenga a un modello o a una persona.

Domande da considerare

• Quando dici di 'fidarti' di uno strumento di IA rispetto al fidarti di un insegnante o di un collega, stai descrivendo la stessa cosa? Che cosa c'è di simile, e di fondamentalmente diverso, nel porre fiducia in un sistema piuttosto che in una persona?
• Esiste un 'trust-utility gap' (divario fiducia-utilità) documentato: la competenza apparente di uno strumento spesso supera la sua affidabilità effettiva. Ricorda uno strumento che sembrava impressionante ma ti ha deluso, o uno che sembrava limitato ma si è rivelato affidabile. Che cosa ha modellato il divario tra l'apparenza e ciò che poteva realmente fare?
• Considera un'IA che è sempre d'accordo con te e non sfida mai le tue idee. Potrebbe sembrarti confortevole e affidabile — ma l'accordo è la stessa cosa dell'affidabilità? Che cosa potresti sacrificare se lo strumento su cui fai affidamento non ti contraddice mai?
• La pagina sostiene che la fiducia di un insegnante nell'IA modella il modo in cui gli studenti si fidano di quell'IA — i due domini interagiscono. In un corso che conosci bene, come influirebbe l'entusiasmo o lo scetticismo di un insegnante verso l'IA sull'accettazione o la messa in discussione dello strumento da parte degli studenti?
• Gli studenti decidono spesso se divulgare il proprio uso dell'IA in base alla comodità con il proprio insegnante più che in base alle policy. Se tu fossi (o sei) uno studente, cosa ti renderebbe disposto a essere onesto sull'uso dell'IA — e cosa te lo farebbe nascondere? Cosa dice questo sul modo in cui la fiducia si costruisce realmente in una classe?
• Un ritrovamento: un tutor IA che avverte «potrei commettere errori» ha spinto gli studenti a cercare più aiuto, non meno. Cosa suggerisce questo sul fatto che riconoscere i propri limiti mini o rafforzi la fiducia che sostiene l'apprendimento reale?

Introduzione

La fiducia nell'IA è plasmata dalla competenza percepita, dalla trasparenza, dalla coerenza e dal fatto che il sistema appaia allineato agli obiettivi del discente; è strettamente legata all'alfabetizzazione all'IA (sapere di cosa fidarsi), al pensiero critico (valutare gli output) e alla progettazione di un'IA responsabile. La fiducia interpersonale, al contrario, si costruisce attraverso relazioni, divulgazione, feedback e cura pedagogica — le qualità su cui gli studenti fanno affidamento quando decidono se un insegnante o un'IA sia una fonte affidabile di guida. I due domini interagiscono sempre di più: l'IA è intrecciata nelle relazioni docente-studente, così che il modo in cui gli studenti si fidano del proprio insegnante modella il modo in cui si fidano (o mettono in discussione) gli strumenti di IA che quell'insegnante avvalla.

La fiducia nei sistemi di IA

La ricerca in questa base di conoscenze esamina quando i discenti si fidano appropriatamente delle indicazioni generate dall'IA. Gli avvertimenti sulla fallibilità dell'IA possono migliorare la calibrazione: un semplice intervento di trasparenza che comunicava agli studenti che un tutor IA potesse commettere errori ha aumentato la ricerca di aiuto in un ITS matematico, a suggerire che limiti onesti favoriscono anziché minare l'affidamento appropriato. La co-progettazione di metriche di affidabilità con learning engineer mostra che la fiducia si costruisce meglio su criteri osservabili e concordati piuttosto che su una capacità presunta. Gli studi sulla fisica e sulla generazione di immagini rivelano un persistente trust-utility gap — gli utenti devono soppesare la competenza apparente di uno strumento rispetto alla sua affidabilità effettiva in un compito. Tra gli utenti più giovani, Vahedian Movahed & Martin (2025) hanno riscontrato che il 52% dei bambini (età 6–14) si fidava in generale di un chatbot su misura per la loro età e il 35% si fidava di esso come di un insegnante o un amico, con circa un terzo disposto a confidarsi; i bambini ne testavano attivamente la credibilità con domande a risposta nota, e la fiducia non mostrava differenze statisticamente significative per livello scolastico — illustrando come la fiducia precoce possa formarsi prima della valutazione critica.

La trasparenza su ciò che un sistema è — non solo su ciò che può fare — modella anch'essa la calibrazione: il prototipo di accompagnamento Amico rendeva espliciti la propria identità e i propri limiti, e il suo pilota Italia–Cina ha riscontrato che i discenti lo riconoscevano come uno strumento di supporto delimitato anziché come un tutor autonomo o un sostituto relazionale, evitando la sovrafiducia antropomorfica (Benedetti (2026)).

Nelle istituzioni di istruzione superiore, la leva può essere l'utilità piuttosto che le regole: un sondaggio su 2.121 studenti, docenti e personale di un'università ha riscontrato che l'utilità percepita era il correlato più forte della fiducia nell'IA (β = 0,402), con la chiarezza percepita delle policy positiva ma più debole (β = 0,223) (Braun & Khafizov, 2026). La diffidenza verso l'accuratezza può coesistere con la fiducia nella gestione dello strumento. In un sondaggio su 8.021 studenti di quattro università australiane, il 51% diffidava dell'accuratezza fattuale della GenAI mentre il 76% era fiducioso nella propria capacità di ottenere gli output desiderati, e l'utilità piuttosto che la fiducia o la conformità alle regole ne guidava l'uso (Chung et al., 2026).

La modellazione del sovraffidamento sull'IA come sistema complesso e adattivo ridefinisce la fiducia come processo a livello di popolazione: il fatto che le persone si fidino di un assistente quando ha ragione e lo verifichino quando ha torto dipende dalle dinamiche sociali e dai circuiti di feedback, non solo dal giudizio individuale. L'adulazione minaccia la calibrazione dall'altra direzione — un'IA che è sempre d'accordo può apparire affidabile proprio perché non sfida mai l'utente, favorendo l'accettazione acritica (l'adulazione contestuale e l'IA adulatrice nell'interazione sociale). Nei contesti incarnati come la robotica educativa, la fiducia è plasmata più da ciò che il robot fa che da come appare (il contesto del compito e la fiducia nell'HRI educativo), e l'identità dell'avatar modella la fiducia epistemica che i discenti ripongono nei contenuti dell'IA. La fiducia negli strumenti di learning analytics è anch'essa dipendente dal contesto. Mejia-Domenzain et al. (2026) hanno riscontrato che le preoccupazioni e le barriere all'adozione degli insegnanti divergevano nettamente per contesto di apprendimento: gli insegnanti di aula capovolta (università) si preoccupavano soprattutto dell'anonimizzazione dei dati e dell'opt-out degli studenti, mentre gli insegnanti di scrittura riflessiva (professionale) temevano l'uso improprio dello strumento da parte dei colleghi e sottolineavano l'esigenza di contestualizzare i dati — anche se entrambi i gruppi riportavano autoefficacia e benefici percepiti simili in un sondaggio sulla fiducia nell'IA. Il ritrovamento che la fiducia nello strumento è disaccoppiata dalla fiducia nella governance dei dati e nell'uso sociale dimostra che costruire una fiducia appropriata nell'analytics richiede di occuparsi delle preoccupazioni specifiche del contesto, non solo della competenza apparente del sistema.

Quanto un sistema sia spiegabile — e in quali termini — modella anch'esso se gli insegnanti si fidino delle sue raccomandazioni. In un esperimento within-subject con 41 insegnanti di chimica in servizio che usavano lo strumento di raccomandazione dei raggruppamenti GrouPer, Feldman-Maggor et al. (2025) hanno riscontrato che l'IA spiegabile costruisce la fiducia indirettamente aumentando la comprensibilità delle prestazioni del sistema, e che le spiegazioni guidate dal dominio formulate in un linguaggio curricolare/pedagogico favorivano una comprensibilità e una fiducia appresa significativamente maggiori rispetto alle spiegazioni puramente guidate dai dati (importanza delle caratteristiche). In particolare, la sola comprensibilità era insufficiente per alcuni insegnanti — riferivano di aver bisogno di un'esperienza reale in classe con lo strumento prima di affidarvisi pienamente — a rafforzare l'idea che la fiducia nell'IA sia dinamica e validata attraverso l'uso situato, non conferita dalla sola spiegazione.

La percezione del rischio e la fiducia non sono opposti. Uno studio sulla percezione di 130 studenti sulla GenAI agente nell'istruzione superiore ha riscontrato un rischio percepito moderatamente elevato (M = 3,33, SD 0,89) accanto a una fiducia e a un'intenzione di adozione più favorevoli (M = 3,62, SD 0,81) e — contrariamente a una semplice aspettativa deterrente — un'associazione positiva tra rischio percepito e intenzione di uso continuato (ρ di Spearman = 0,317, p < 0,001) (Ilieva et al. 2026). Gli autori interpretano questo come adozione informata piuttosto che indifferenza: gli utenti coinvolti o esperti riconoscono sia il valore sia i limiti della tecnologia, e solo il 45,4% ha dichiarato di fidarsi degli agenti sotto la guida di un istruttore. Per la calibrazione della fiducia, l'implicazione è che la consapevolezza del rischio non è assenza di fiducia — può esserne una componente — mentre il disegno cross-sectional lascia indistinguibili consapevolezza, esposizione e autoselezione.

La fiducia nell'IA si comporta come un percorso dalla valutazione all'affidamento piuttosto che come un singolo atteggiamento: la percezione di empowerment dell'IA e la percezione di minaccia dell'IA erano quasi indipendenti (r = 0,030) eppure muovevano la fiducia in direzioni opposte (β = 0,576 e β = −0,328), e la fiducia portava associazioni indirette significative con la dipendenza dalla GenAI in entrambe le direzioni (Zhu et al. (2026)).

AlGhamdi (2026) sostiene un'interpretazione della fiducia negli algoritmi legata alla funzione anziché globale: né l'avversione agli algoritmi né l'apprezzamento per gli algoritmi descrivevano questi 13 studenti, che si fidavano simultaneamente di ChatGPT per il feedback di superficie e diffidavano di esso come valutatore. La loro fiducia era condizionata dalla supervisione dell'istruttore, e il loro scetticismo derivava dai limiti contestuali dell'IA — la lettura errata della scrittura a mano scansionata («ha sbagliato a scrivere il mio cognome e pensa che abbia commesso errori di ortografia quando non ne ho commessi»), il non conoscere il sistema di valutazione dell'istruttore, e la positività cronica — piuttosto che dalla tecnofobia, a suggerire che le misure di fiducia dovrebbero essere scomposte per funzione svolta dall'IA e posta in gioco a essa collegata.

Le tre dimensioni della credibilità della fonte possono dissociarsi: diciassette studenti universitari EFL concedevano a un assistente di scrittura IA un'ampia expertise, dubitavano della sua affidabilità principalmente per ciò che la piattaforma conservava, e ne valutavano la goodwill al livello più basso — il tetto del loro affidamento risiedeva nella cura, non nella competenza (Serpil & Mor, 2026).

La fiducia nell'IA segue lo stato psicologico, non la categoria demografica

Kumar et al. (2026) hanno raggruppato in cluster 107 studenti di una HBCU pubblica su resilienza, stress percepito e fiducia nell'IA, e hanno trovato tre profili in cui la fiducia nell'IA era dissociata dalla fiducia in se stessi: un gruppo ad alta resilienza e basso stress con una fiducia nell'IA favorevole, un gruppo moderatamente stressato che deteneva la fiducia nell'IA più alta dei tre nonostante la tensione, e un gruppo psicologicamente resiliente che era quasi resiliente quanto gli adottanti ma marcatamente più basso nella fiducia nell'IA. Lo stress e la fiducia nell'IA separavano i cluster più fortemente (eta quadrato parziale 0,528 e 0,521 contro 0,315 per la resilienza), e il genere era l'unica variabile demografica significativamente associata all'appartenenza, con l'affiliazione STEM, il livello accademico, lo status occupazionale e la fascia d'età tutti non significativi. Due implicazioni contano per questa pagina: primo, una bassa fiducia nell'IA non è un proxy di una bassa fiducia in sé o di una bassa familiarità tecnica, poiché gli scettici erano il gruppo più resiliente e con la maggiore presenza STEM, che gli autori leggono come scetticismo calibrato piuttosto che resistenza; secondo, poiché i cluster erano solo debolmente separati (silhouette 0,288, con l'indice Calinski-Harabasz che preferiva due cluster), dovrebbero essere trattati come profili sovrapposti anziché come tipi distinti di studenti. I risultati provengono da un'unica istituzione e da un sondaggio di autovalutazione cross-sectional, quindi stabiliscono che la fiducia varia con lo stato psicologico, non perché.

La fiducia interpersonale nell'educazione

La fiducia è anche fondamentalmente relazionale. Il divario di fiducia in classe è documentato nelle visioni di insegnanti e studenti su controllo e agency nell'IA in classe K-12: gli studenti desiderano maggiore autonomia e flessibilità mentre gli insegnanti danno priorità alla supervisione e al monitoraggio, un disallineamento che entrambe le parti devono affrontare perché l'adozione dell'IA abbia successo. Il perché gli studenti divulghino o nascondano il proprio uso dell'IA mostra che la divulgazione è guidata meno dalle policy che da fattori relazionali — le norme percepite dei pari e la comodità con gli insegnanti sono i predittori più forti, a indicare una bassa fiducia interpretativa nelle istituzioni istituzionali. I costi nascosti della divulgazione aggiungono sfumature su quando l'onestà sia socialmente costosa. Una risposta che mette al primo posto il rilevamento funziona al contrario: rilevatori inaffidabili che segnalano in modo sproporzionato i parlanti non madrelingua bloccano i casi di scorrettezza per mancanza di prove, producendo «sospetto senza rimedio», mentre conversazioni di verifica di cinque-dieci minuti annunciate come pedagogia piuttosto che come sorveglianza restauravano l'autorità del corpo docente e suscitavano una divulgazione più aperta dell'uso dell'IA (Mandernach, 2026). L'affidamento su rilevatori e sorveglianza, sostengono Bassett et al. (2026), alimenta un clima di sospetto che erode la fiducia degli studenti nella valutazione e nell'istituzione — l'opposto della fiducia che i processi di integrità intendono proteggere.

Il feedback è un sito chiave della fiducia interpersonale. Le percezioni degli studenti sul feedback della GenAI rispetto a quello dell'insegnante evidenziano che i due servono esigenze diverse — complementari ma non intercambiabili — con gli studenti che si fidano del feedback dell'insegnante per il giudizio relazionale e personalizzato e della GenAI per la velocità e l'accessibilità. Un resoconto del feedback "care-full" sostiene che un feedback affidabile è una pratica etica e relazionale: costruisce relazioni educative ed è rispettato come mestiere professionale, valori che un'IA non può semplicemente replicare. Per questo la fiducia docente-studente — costruita sulla cura e sul giudizio professionale — resta centrale anche mentre l'IA entra nel circuito del feedback.

La fiducia tra pari passa per un canale diverso: tra 406 studenti universitari che valutavano un compagno di classe ricordato, l'uso della GenAI da parte di quel compagno era associato a una minore fiducia interpersonale, veicolato dal calore e dalla competenza percepiti, e l'associazione negativa si manteneva solo quando l'alfabetizzazione all'IA percepita era bassa — non era significativa quando era alta (Zhang et al. (2026)).

La calibrazione e i due domini insieme

La sfida unificante è la calibrazione: far corrispondere la fiducia all'affidabilità effettiva, che la parte fidata sia un modello o una persona. La calibrazione della fiducia è la capacità metacognitiva di sapere quando fidarsi e quando mettere in discussione. Gli studi sull'Feedback e sugli ITS esaminano quando i discenti si affidano appropriatamente o mettono in discussione le indicazioni dell'IA, mentre la letteratura interpersonale mostra che la fiducia degli studenti in un insegnante dipende dalla fiducia relazionale costruita nel tempo. Con l'IA che si inserisce nell'insegnamento, questi domini convergono: un insegnante che spiega in modo trasparente ciò che uno strumento di IA può e non può fare, e che dimostra affidabilità nel proprio giudizio, costruisce il tipo di fiducia che si trasferisce agli strumenti che avvalla. Costruire una fiducia appropriata — nell'IA e gli uni negli altri — è un obiettivo centrale della progettazione responsabile dell'IA nell'educazione.

La calibrazione è messa alla prova anche dagli incentivi del sistema fidato stesso. Quando il personale scettico verso l'adozione dell'IA consulta l'IA conversazionale — costruita da organizzazioni con un interesse commerciale nell'adozione — c'è il rischio che il sistema sia predisposto a incoraggiarla. Un audit di dieci modelli di frontiera ha riscontrato che la maggior parte riconosceva le preoccupazioni di un membro del personale K-12 rurale (la minaccia al lavoro, l'essere 'non per persone come me') prima di dirottare verso il coinvolgimento. Questo sfida la fiducia ingenua nell'affidamento e sottolinea l'importanza della supervisione umana e di una valutazione indipendente dei consigli dell'IA.

Concetti collegati

• IA spiegabile
• Calibrazione della fiducia
• Alfabetizzazione sull'IA
• Pensiero critico
• Offloading cognitivo
• Robot nell'educazione
• Etica
• Tutoraggio Intelligente
• Sfrenatezza dell'IA
• Collaborazione tra esseri umani e IA
• Sorveglianza degli esami a distanza
• Norme sociali nell'uso dell'IA — il rischio sociale su cui si reggono le norme e la divulgazione

Articoli collegati

• Agentic Generative AI in Higher Education: Perceived Benefits, Risks, and Implications for Learning — Perceived risk correlates positively with continued-use intention: informed adoption (Ilieva et al. 2026)

• Mind the Trust Gap: Identifying (Mis)alignments in Teacher-Student Views Toward Control and Agency in K-12 Classroom AI — The teacher-student trust gap over control and agency in K-12 classroom AI

• To disclose or not to disclose: Peer influence and psychological factors in students' use of generative artificial intelligence — Disclosing AI use is driven by relational factors and comfort with instructors, not policy

• Comparing Generative AI and teacher feedback: student perceptions of usefulness and trustworthiness — GenAI and teacher feedback serve different, complementary trust needs

• The care-full craft of feedback in an age of generative AI — Trustworthy feedback as a "care-full," relational practice

• Warning About AI Fallibility Increases Help-Seeking in an Intelligent Tutoring System — Warning about AI fallibility increases help-seeking in an ITS

• Calibrating Trustworthiness: Co-Designing Metrics and Visualizations for Evaluating LLMs in Education — Co-designing trustworthiness metrics and visualizations for LLMs in education

• Modeling AI Overreliance as a Complex Adaptive System — AI overreliance modeled as a complex adaptive system

• Trust-utility gap in introductory physics education: Students' adoption, domain-specific skepticism, and preferences for AI integration — The trust-utility gap in physics AI tools

• The Competence Paradox: Negotiating Ease, Risk, and Creative Identity in Text-to-Image Generative AI Use Among Art and Design Students — The competence paradox in AI image generation

• What Robots Do Matters More Than What They Look Like: Task Context Shapes Trust in Educational HRI — Task context shapes trust in educational robots more than appearance

• Face value: How avatar identity shapes epistemic trust in AI-mediated learning — Avatar identity and epistemic trust in AI-mediated learning

• The Hidden Cost of Contextual Sycophancy: an AI Literacy Intervention in Human-AI Collaboration — Contextual sycophancy and its limits for trust calibration

• Sycophantic AI makes human interaction feel more effortful and less satisfying over time — Sycophantic AI makes human interaction feel less satisfying over time

• Design Principles and Observable Indicators for AI-Enabled Pedagogical Accompaniment: Evidence from the Amico Dual-Mode Prototype in Italy and China — Accountable pedagogical mediation and trust in AI-enabled systems

• The Best Response to Student AI Use Is Not Detection, It Is Dialog — Trust in student-AI dialogue

• The AI Adaptation Gap in Higher Education: Students, Faculty, and Administrative Staff — Perceived usefulness as the strongest predictor of AI trust in higher ed

• Heads We Win, Tails You Lose: AI Detectors in Education — Trust and distrust of AI detection systems

• The Use and Usefulness of GenAI in Higher Education: Student Experience and Perspectives — Student experience of GenAI usefulness in Australian higher ed (Chung et al. 2026)

• Making machine learning findings accessible to teachers in blended classrooms — Making ML findings accessible to teachers in blended classrooms

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

• Ask Me Anything: Exploring Children's Attitudes Toward an Age-tailored AI-powered Chatbot

• Who Should Grade My Work? Student Perspectives on Transparent AI-Assisted Writing Assessment in Higher Education — Who Should Grade My Work? Student Perspectives on Transparent AI-Assisted Writing Assessment in Higher Education

• Psychological Profiles Associated with Trust in Artificial Intelligence Among University Students: A Machine Learning Clustering Approach — Three student profiles in which AI trust tracks resilience and stress rather than demographics (Kumar et al. 2026)

• Bounded Reliance: A Source Credibility Perspective on EFL Students' Engagement with AI-Generated Writing Feedback — Bounded Reliance: A Source Credibility Perspective on EFL Students' Engagement with AI-Generated Writing Feedback

• Perceived AI empowerment and threat in relation to university students' dependence on GenAI: the indirect role of trust in AI — Empowerment and threat appraisals moved trust in opposite directions, carrying GenAI dependence

• Observer Perceptions of GenAI Use and Interpersonal Trust: The Roles of Warmth, Competence, and AI Literacy — Peers' GenAI use lowers interpersonal trust through perceived warmth and competence, buffered by AI literacy