Come si scrive una politica sull'IA per un corso e come la si comunica agli studenti?

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

Avete un solo programma del corso, una sola scheda di consegna, e un'aula piena di studenti che hanno già scritto le proprie regole private sull'IA generativa. Qualunque cosa pubblichiate deve essere equa verso lo studente che rispetta le regole e verso quello che non le rispetta, e deve essere qualcosa che potete realmente applicare a quaranta consegne senza diventare né un debole né un poliziotto.

Il succo: scrivete meno regole di quante ne sareste tentati, vincolate ciascuna alla cosa specifica che state valutando, indicate un unico luogo standard in cui gli studenti dichiarano l'uso dell'IA, e fate in modo che la vostra via di applicazione sia una prova che potete vedere con i vostri occhi anziché un punteggio di un detector. Una politica che si spiega da sola sta facendo al contempo lavoro di progettazione della valutazione e lavoro di comunicazione — ed è per questo che richiede un pomeriggio e fa risparmiare un semestre di discussioni.

Questa pagina riguarda il documento a livello di corso per un singolo modulo, corso o filone di programma. L'ipotesi sottostante è che abbiate già deciso cosa state valutando; la domanda è come dirlo e come farlo rispettare.

Come si presentano oggi le politiche di corso

Un'analisi di contenuto di 116 politiche istituzionali sulla GenAI provenienti da 131 università R1 statunitensi e di 98 programmi di informatica tratti da 54 di esse ha rilevato che le istituzioni sono ampiamente favorevoli all'uso — il 63% incoraggia l'uso della GenAI, il 41% offre indicazioni dettagliate per la classe, il 27% lo scoraggia — mentre metà dei programmi (50%) lo vieta del tutto, il 41% ne consente l'uso parziale per attività specificate e il 7% comunica incoraggiamento. Ganguly et al. (2026) chiamano questo il divario top-down contro bottom-up: il 92% dei programmi fornisce indicazioni esplicite, ma i docenti scrivono regole locali che possono non allinearsi alle indicazioni istituzionali, e solo 47 istituzioni avevano entrambi i livelli rilevabili. La citazione è l'unica cosa su cui concordano entrambi i livelli, richiesta dall'83% dei programmi. La vostra regola locale è quella che gli studenti incontrano per prima, ed essere più severi della vostra istituzione è normale — ma è un impegno che vi assumete da soli.

Chirikov (2026) ha tracciato oltre 31.000 programmi di corso in una grande università pubblica di ricerca in Texas dal 2021 al 2025: la regolamentazione è salita da quasi zero prima di ChatGPT al 55% dei corsi entro l'autunno 2025, mentre la quota di politiche pienamente restrittive è diminuita di circa 5 punti percentuali all'anno. Entro l'autunno 2025 i docenti limitavano più comunque la stesura e la revisione (79%) e il ragionamento e il problem solving (65%), e consentivano più comunque l'editing e la revisione linguistica (83%), il supporto allo studio e la sintesi (80%) e la programmazione (75%); l'ideazione era l'uso più contestato (46% consentono, 54% limitano). Le menzioni dell'integrità accademica sono diminuite dal 63% al 49%, mentre i riferimenti all'impatto dell'IA sull'apprendimento sono saliti dall'1% al 29% e i requisiti di attribuzione dal 16% al 43%. I docenti stanno passando dal linguaggio del "non barare" al linguaggio dell'"ecco perché questo confine protegge il vostro apprendimento".

Nash e Burriss (2026) hanno analizzato 27 politiche sull'IA in classe scritte da insegnanti di inglese in formazione pre-servizio: 26 su 27 consentivano qualche uso dell'IA, quasi sempre a termini, tempi e luoghi stabiliti dal docente, e una la vietava del tutto. L'ideazione era l'uso più ampiamente consentito (22 su 27) e il più ambiguo; 22 vietavano o lasciavano poco chiaro la composione di frasi, paragrafi o temi da parte dell'IA; 16 consentivano il controllo grammaticale e la revisione linguistica mentre 16 vietavano la produzione di testi ampi generati dall'IA; e 22 su 27 non affrontavano affatto la lettura. Il fallimento ricorrente era l'operazionalizzazione: una politica consentiva all'IA di "far partire il tuo pensiero" e dichiarava "è qui che si dovrebbe tracciare il confine" senza dire dove. Quell'ambiguità è un difetto, non un compromesso — lascia gli studenti incapaci di conformarsi e voi incapaci di applicare uno standard coerente.

Cosa scrivere, e dove metterlo

Partite dai compiti, non dalla filosofia. Il metodo pratico più chiaro è quello di McCorkle (2025), che ha sostituito un divieto generale che gli studenti non credevano si applicasse a loro. Il problema era il disallineamento, non la ribellione: gli studenti non si consideravano disonesti. Il metodo consisteva nell'inventariare ogni compito del progetto semestrale, chiedere a ciascuno "cosa, specificamente, sto valutando?", abbinare ogni compito a un uso professionale plausibile della GenAI, e decidere compito per compito, soppesando la necessità di valutare una capacità contro il valore di costruire una competenza professionale. La politica risultante è volutamente diseguale: il brainstorming è consentito ma non la composizione di obiettivi di apprendimento specifici e misurabili; la curatela di immagini è consentita ma non la progettazione del messaggio a livello di slide; copioni e narrazione sono consentiti con la valutazione obbligatoria dell'output dell'IA.

Sul programma del corso: il riepilogo breve — i compiti, l'uso consentito per ciascuno, come funziona la dichiarazione, e la conseguenza di un confine superato. Sulla scheda di consegna: il richiamo, perché un solo riepilogo è troppo grossolano per un progetto complesso — la stesura di McCorkle funzionava perché forniva una motivazione rivolta agli studenti in seconda persona, nominando la valutazione che giustifica ogni restrizione. In classe: dite la regola ad alta voce una volta, nel momento in cui si applica per la prima volta, e collegatela al lavoro che hanno davanti — una regola che uno studente incontra per la prima volta da solo è una regola che interpreta da solo.

Le meccaniche della dichiarazione meritano un paragrafo proprio sul programma: gli studenti che hanno co-progettato una politica di corso attraverso un'inchiesta guidata hanno dato priorità alla formazione per studenti e docenti, alle procedure di dichiarazione standardizzate, a un supporto istituzionale più forte e a un maggiore coinvolgimento nelle decisioni sull'IA (Hingle e Johri (2026)). Dite come, dove e in che forma uno studente dichiara l'uso dell'IA, e ditelo una volta. La mossa equivalente di Pisan (2026) è stata rendere il log dei prompt l'artefatto valutato: quando è un modello a fare la produzione, il prompt e il log di interazione sono la cosa che vale la pena versionare.

Scrivete solo regole che potete applicare

Una regola che richiede il monitoraggio per compito, o una valutazione discrezionale su quando una verifica "inizia", sarà applicata in modo incoerente, e l'incoerenza è di per sé un problema di equità. I regimi basati sui detector portano un costo di sorveglianza che ricade in modo diseguale e sollevano questioni di proctoring e conservazione dei dati. Il riscontro di Chirikov sulla sostanziale variazione disciplinare e per compito depone per framework che concedano ai docenti autonomia nel loro ambito anziché mandati uguali per tutti.

C'è una dimensione di equità: le politiche opache presumono una conoscenza condivisa di autorialità, attribuzione e norme del lavoro accademico, quindi ricadono più duramente sugli studenti che arrivano senza di essa. L'argomentazione di McCorkle è che la trasparenza smantella parte di quel curricolo nascosto e riduce la probabilità che un fallimento della politica diventi una questione disciplinare. La versione più economica di tutto ciò è avere regole meno numerose e più specifiche — i compiti che valutate, gli usi consentiti per ciascuno, le meccaniche della dichiarazione, e la conseguenza di un confine superato — con il motivo di ogni confine enunciato.

Come dirlo, perché gli studenti si conformino

Le regole di dichiarazione non funzionano da sole come meccanismi di conformità; presumere che lo facciano è l'errore di progettazione più comune. In uno studio a metodi misti su 409 studenti universitari, Qu e Wang (2026) hanno rilevato che la non-dichiarazione era un'adattamento strategico alle norme percepite dei pari e alla scarsa fiducia interpretativa nei docenti, non una negligenza morale: la dichiarazione percepita dei pari e il confort con i docenti erano i predittori più forti della dichiarazione degli studenti stessi, mentre il disimpegno morale aveva effetti più deboli. Il clima relazionale è una variabile progettabile, e i soli mandati sono insufficienti: ciò che gli studenti credono facciano i loro pari, e se si fidano che leggiate una dichiarazione con equità, predice la loro onestà meglio della severità del vostro linguaggio.

Kim et al. (2026) hanno identificato cinque sedi distinte in cui vive la politica reale di un corso — intenzione del docente, politica formale, interpretazione dello studente, auto-politica dello studente e pratica dello studente — con divari sistemici tra esse, più 23 razionalizzazioni in sei classi usate dagli studenti per giustificare l'uso dell'IA nella scrittura accademica, da "nessuna vittima umana" a "indifferenza del docente". Quelle razionalizzazioni erano ad hoc e post hoc: gli studenti spiegavano comportamenti già avvenuti anziché ragionare prima, ed è per questo che una formulazione più chiara e una rilevazione più severa non chiudono il divario da sole. Un partecipante che voleva obbedire a una rigida regola di divieto dell'IA continuava a usare l'IA e riferiva che il divieto "sta creando un conflitto in me, perché sto infrangendo le regole" — il bando intensificava il conflitto morale anziché prevenire l'uso. Se una regola produce senso di colpa senza conformità, non sta facendo lavoro utile; sta erodendo la relazione di cui avete bisogno per la dichiarazione.

Attenzione a ciò che modellate: poiché nella maggior parte delle consegne del corso di Pisan veniva dichiarato il prompt usato per generarle, uno studente ha letto la trasparenza come un permesso: "la dipendenza dall'ia dell'insegnante per la valutazione e la creazione delle consegne rendeva anche difficile non usare l'ia per le consegne nello stesso modo." Modellare una norma è parte della politica così come gli studenti la vivono, qualunque cosa dica il programma.

Una dichiarazione modello che potete adattare:

Uso dell'IA in questo corso. Voglio che lasciate questo corso capaci di fare X da soli, quindi valuto X direttamente. Potete usare l'IA per [usi consentiti] su [elenco di compiti]; non potete usarla per [usi limitati], perché quelli sono ciò che sto valutando. Se usate l'IA in qualsiasi punto del vostro lavoro, ditemi nel [unico luogo indicato — es. una riga di dichiarazione su ogni consegna] per cosa l'avete usata e incollate i prompt. Dichiarlo non abbasserà mai il vostro voto; non dichiararlo sì. Se non siete sicuri che un uso sia consentito, chiedetemelo prima di consegnare, non dopo.

Quell'ultima frase sposta il punto della decisione a prima del lavoro.

Le quattro conversazioni che generano conflitto

Lo studente che ha usato l'IA e non l'ha detto. Gestitela come una questione di processo, non di carattere. Mohamed e Temimi (2026) modellano la valutazione come un problema di informazione imperfetta: lo studente sa come è stato prodotto il lavoro e l'istituzione vede solo l'artefatto e tracce parziali. Il loro modello response-region confronta tre risposte — nessun uso dell'IA, uso dichiarato, e uso nascosto — e si chiede quale ciascun meccanismo renda più attraente. Il divieto definisce il confine formale ma lascia l'uso nascosto attraente quando gli studenti percepiscono la rilevazione come debole; il monitoraggio aumenta il costo atteso dell'uso nascosto senza aumentare la dichiarazione; gli studenti diventano cauti senza diventare trasparenti. Il permesso con dichiarazione rende percorribile la segnalazione onesta solo quando il costo dell'onestà è basso. In pratica: chiedete cosa il lavoro intendeva valutare, chiedete allo studente di rendere conto del suo processo, e trattate una dichiarazione tardiva come informazione, non come una confessione.

Lo studente che cita l'IA per tutto. Di solito è un vuoto di competenze in costume da conformità. I requisiti di attribuzione nei programmi sono saliti dal 16% al 43% mentre le menzioni dell'integrità accademica sono scese dal 63% al 49% — il campo chiede citazione, non confessione. Specificate il formato una volta, in un unico luogo, sulla scheda di consegna anziché in una nota a piè di pagina del programma. Dichiarate cosa conta come attribuzione adeguata per la vostra disciplina, e fornite un esempio pratico. Dove il vero problema è che lo studente non sa ancora fare il lavoro sottostante senza il modello, la risposta è la progettazione del compito, non la regola.

Il lavoro di gruppo. I compiti di gruppo sono il punto in cui le cinque sedi della politica divergono più rapidamente: cinque studenti possono avere cinque interpretazioni diverse di una frase e una sola consegna viene valutata. Decidete e pubblicate, per ogni consegna di gruppo, se l'uso dell'IA è consentito, chi lo dichiara, e cosa succede quando un membro esce dalla regola — prima che il progetto inizi, non durante la disputa. Se non potete enunciare il contributo individuale di cui un membro è responsabile, valutate il compito come lavoro di solo gruppo anziché giudicare l'autorialità a posteriori.

La dichiarazione che non potete verificare. Alcune dichiarazioni saranno incomplete e alcune omissioni non falsificabili. Non costruite la regola attorno a una risoluzione che non potete ottenere: Bassett et al. (2026) sostengono che la rilevazione dell'IA non dovrebbe essere affatto usata nell'educazione, per tre motivi che riguardano direttamente la formulazione delle politiche. L'output di un detector è una stima probabilistica che non può essere verificata in modo indipendente, perché l'origine reale di un testo nel mondo è ignota, quindi la validazione gira su un ragionamento circolare. I punteggi dei detector non soddisfano lo standard del "più probabile che no" richiesto da un'indagine sull'integrità. E la dicotomia umano-contro-IA è priva di significato per un lavoro creato con l'IA anziché da l'IA. La loro conclusione è che la rilevazione "non tutela l'integrità accademica; la mina." Segnalano anche un problema di stesura: le regole che limitano l'uso dell'IA "nella valutazione" non specificano quando una verifica inizia, quindi una ricerca, una pianificazione o una revisione assistita dall'IA possono essere o non essere una violazione a seconda di chi legge. Indicate invece prove di processo che potete osservare — un prompt consegnato e un log di interazione, un esercizio in classe prodotto in aula, una spiegazione orale — e trattate un uso dichiarato dell'IA come contesto. Laddove la vostra istituzione usi comunque un detector, valgono le avvertenze degli stessi autori su conservazione, ritenzione e uso commerciale dei lavori degli studenti; l'obiezione sulla Privacy sollevata da due insegnanti in formazione è l'obiezione che solleveranno i vostri studenti.

"Ma..." — le tre obiezioni che sentirete

"Gli studenti lo nasconderanno e basta." Alcuni sì, e la domanda di progettazione è quali studenti la vostra regola tenta. La deterrenza passa attraverso la discriminazione di un detector tra uso nascosto e lavoro legittimo, non attraverso il suo tasso lordo di intercettazione, quindi quando una sensibilità aggiuntiva produce più nuovi falsi positivi che nuovi veri positivi, un monitoraggio più forte può rendere l'occultamento relativamente più attraente — gli studenti onesti vengono penalizzati più rapidamente di quanto gli utenti nascosti vengano identificati. E permesso e dichiarazione sono leve diverse: il permesso sposta il confine dell'uso accettabile, la dichiarazione cambia la visibilità. Diagnosticate dove il vostro compito attiri maggiormente lo studente più tentato di nascondere, e progettate per quello studente, non per il più coscienzioso.

"Non voglio vietare strumenti che non posso rilevare." Non dovete. Il divieto è solo una delle quattro risposte di progettazione, insieme al monitoraggio, all'uso consentito con dichiarazione, e alla riprogettazione. La riprogettazione cambia ciò che il compito premia, e resta cosmetica se la rubrica valuta ancora principalmente il prodotto finale. Pisan (2026) mostra le opzioni rese esplicite e graduate per livello: l'uso dell'IA è vietato nel corso introduttivo di programmazione, perché esternalizzare i primi cicli rimuove proprio la cosa che si sta insegnando; è incoraggiato nei progetti di strutture dati (Copilot consentito) ma vietato negli esami con carta e penna; è un aiuto per lo studio e il ripasso nel corso di sistemi avanzato; ed è richiesto nel corso di IA stesso, dove un confine ha portato il peso maggiore — il modello può scrivere codice, ma le riflessioni devono essere nella voce propria dello studente. La valutazione si è spostata su lavori che un modello non può ghost-write silenziosamente, e gli esami sono stati rimossi del tutto.

"La politica della mia istituzione copre già questo." Meno di quanto pensiate. Quel divario top-down contro bottom-up corre in entrambi i sensi: il 92% dei programmi fornisce indicazioni esplicite mentre le regole locali derivano dalle indicazioni istituzionali, e solo 47 istituzioni avevano entrambi i livelli rilevabili. Appalti, dati e cicli di revisione appartengono a Come scriviamo e implementiamo una politica istituzionale sull'IA?, ma la traduzione in classe è vostra. Nash e Burriss concludono che le istituzioni devono attrezzare gli insegnanti a resistere come ad adottare, fornendo le indicazioni e lo sviluppo professionale che consentano a un docente di rifiutare un uso specifico dell'IA senza essere etichettato come fuori dal mondo — il tecnodeterminismo dei loro partecipanti contraddiceva i loro stessi impegni pedagogici. Avere una politica istituzionale non è come avere copertura per una vostra decisione.

La vostra prima settimana: un elenco di azioni

• Inventariate i compiti valutati e chiedete a ciascuno: "cosa, specificamente, sto valutando?" prima di decidere qualsiasi cosa sull'IA.
• Decidete compito per compito, e verificate quale risposta quella decisione renda più attraente per lo studente più tentato di nascondere.
• Non fate di un detector il meccanismo di applicazione; indicate invece prove di processo che potete osservare — log, lavori in classe, un controllo orale.
• Dite come e dove gli studenti dichiarano l'uso dell'IA, in un unico luogo standard, e trattate una dichiarazione come contesto anziché come confessione.
• Enunciate ogni regola come una motivazione, nominando la valutazione a cui serve, con promemoria sui progetti complessi.
• Scrivete solo regole che potete applicare in modo coerente lungo un ciclo di correzione, ed eliminate quelle che non potete.

Dove andare dopo

Governance, politiche sui dati, appalti e cicli di revisione appartengono a Come scriviamo e implementiamo una politica istituzionale sull'IA?; le regole istituzionali e distrettuali imposte stanno con Politica sull'IA nell'istruzione e Governance dell'IA; la ricostruzione del compito stesso, perché un voto supporti ancora un'inferenza difendibile, sta con Come posso riprogettare la valutazione in modo che un voto mi dica ancora qualcosa di difendibile su ciò che lo studente sa o sa fare?.