Quali sono le lacune notevoli nella letteratura di ricerca sull'IA nell'istruzione?

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

Le lacune più consequenziali nell'IA nell'istruzione (AIED) riguardano se particolari progettazioni educative producano benefici durevoli, per chi, attraverso quali meccanismi e in quali condizioni — non semplicemente se l'IA sia in grado di svolgere compiti educativi. La base di conoscenze documenta interventi promettenti accanto a debolezze persistenti nella misurazione, nell'inferenza causale, nella generalizzabilità, nell'implementazione e nella riproducibilità. Queste sono spesso lacune nella forza, specificità o applicabilità dell'evidenza, più che una completa assenza di ricerca. Si veda Limitations in AIEd Research.

Le lacune differiscono anche all'interno del campo. L'evidenza sui sistemi di tutoraggio intelligente consolidati, sulle analitiche predittive, sull'IA generativa e sugli agenti autonomi non dovrebbe essere trattata come intercambiabile. Analogamente, usare l'IA per sostenere l'apprendimento e insegnare alle persone *a proposito dell'*IA comportano domande di ricerca correlate ma distinte, come spiega la panoramica AI in Education.

1. Isolare che cosa l'IA aggiunge rispetto a una buona istruzione

Esistono rigorosi esperimenti in aula, quindi la lacuna non è più adeguatamente descritta come «abbiamo bisogno di trial randomizzati». Una domanda più precisa è se la componente IA aggiunga valore rispetto a ulteriore pratica, materiali migliori, feedback tempestivo o un maggiore supporto all'istruzione.

Ad esempio, One Click Away: AI Tutoring with Khanmigo in a Two-Year School Experiment riporta guadagni modesti nel rendimento in 18 scuole medie, accanto a un coinvolgimento sostanziale limitato con il tutor. Gli autri osservano che i guadagni assomigliavano a quelli associati alla pratica strutturata senza IA. Questo stabilisce evidenza su un pacchetto di istruzione implementato, ma non isola nettamente il contributo incrementale della sua componente IA.

Il problema sottostante è concettuale oltre che empirico. «ChatGPT» nomina uno strumento, non un metodo, e Weidlich et al. (2025) sottopongono ad audit 19 confronti su ChatGPT nell'istruzione per mostrare quanto costa: solo 4 (21%) specificano tutti e tre i requisiti di un trattamento replicabile, un controllo operazionalizzato e una misura di apprendimento valida (74% trattamento ben definito, 42% controllo ben definito, 53% un esito di apprendimento). La loro osservazione più ampia è che quando una nuova IA viene introdotta insieme a nuove attività, feedback o progettazione dell'interfaccia, il mezzo e il metodo sono confusi e nessun effetto può essere attribuito all'IA.

La ricerca ha quindi bisogno di più confronti con alternative non-IA forti e realistiche, mantenendo il curriculum, le opportunità di pratica e il supporto il più possibile costanti. Le replicazioni indipendenti dovrebbero verificare se i benefici sopravvivono a cambiamenti di istituzione, docente, materia e modello. Come sottolinea Efficacy Research Methods, metodi diversi rispondono a domande diverse: gli studi qualitativi e quelli basati sul disegno aiutano a spiegare l'implementazione, mentre esperimenti adeguatamente progettati rafforzano le affermazioni causali.

2. Seguire l'apprendimento durevole e la capacità indipendente nel tempo

Un lavoro migliorato durante l'uso dell'IA non è necessariamente evidenza di apprendimento che persiste dopo la fine dell'assistenza. Le sintesi su Learning Gains e sul Cognitive Offloading distinguono ripetutamente la prestazione assistita dalla conoscenza trattenuta, dal ragionamento indipendente e dal trasferimento a compiti non familiari.

Making AI Tutoring Productive illustra il problema di misurazione. In un esperimento randomizzato che ha coinvolto più di 6.000 studenti delle scuole medie, una regola di padronanza di tre risposte corrette consecutive ha aumentato il successo definito dalla piattaforma senza, di per sé, produrre guadagni di apprendimento rilevabili una settimana dopo. L'evidenza più forte dal test differito è emersa quando l'IA era integrata nel flusso di lavoro di padronanza ed era concentrata sul materiale praticato.

La lacuna residua riguarda le traiettorie della capacità, non semplicemente un post-test aggiuntivo. Gli studi dovrebbero esaminare la ritenzione nell'arco di mesi, il trasferimento tra compiti, la prestazione dopo il ritiro dell'assistenza, e l'accuratezza dei discenti nel giudicare ciò che sanno. Dovrebbero anche distinguere la mancata acquisizione di un'abilità dal deterioramento di un'abilità già consolidata. La ricerca sulla delega dovrebbe verificare quando la delega sostiene quelle traiettorie e quando invece sostituisce la pratica necessaria a svilupparle.

3. Spiegare quali componenti dell'istruzione funzionano — e perché

L'«apprendimento supportato dall'IA» combina spesso numerosi cambiamenti: nuovo feedback, riflessione aggiuntiva, discussione tra pari, sequenze di compiti diverse e incentivi di valutazione alterati. Un pacchetto riuscito non stabilisce quali componenti siano necessarie né quale meccanismo abbia prodotto il beneficio.

L'esperimento multisito Human-centered GenAI feedback design in higher education fornisce un progresso utile. Tra 1.176 studenti del primo anno, le progettazioni di feedback riflessive e ibride hanno superato il feedback IA diretto sul trasferimento differito senza IA. La condizione ibrida combinava auto-valutazione, feedback tra pari e critica dell'IA. Questo sostiene l'indagine su come il feedback sia organizzato e usato, anziché trattare l'accesso come l'intervento.

Ulteriori studi dovrebbero isolare il contributo e i tempi dei tentativi indipendenti iniziali, della auto-spiegazione, dell'input tra pari, del feedback correttivo, dei suggerimenti e della riduzione graduale dell'assistenza. Dovrebbero verificare come quelle componenti interagiscano con la conoscenza pregressa e la difficoltà del compito.

La lacuna teorica che l'accompagna è altrettanto importante: nominare una teoria dell'apprendimento non equivale a verificarla. La ricerca dovrebbe collegare una predizione teorica a un comportamento specifico del sistema e a un processo di apprendimento misurabile. La mediazione statistica può informare quella spiegazione, ma non stabilisce di per sé un meccanismo causale. Si vedano Theory Development in AI in Education e Scaffolding (impalcatura).

4. Validare misure, giudizi automatizzati e discenti simulati

Costrutti come «coinvolgimento», «pensiero critico», «alfabetizzazione sull'IA» e «personalizzazione» sono misurati in modo incoerente. Le autovalutazioni possono descrivere percezioni ed esperienze, ma non possono sostituire la competenza dimostrata. L'accuratezza tecnica, la qualità dell'output valutata da esperti e l'apprendimento degli studenti rappresentano anche bersagli di valutazione diversi. Queste distinzioni sono centrali per Educational Measurement e AI Ed Evaluation.

Una lacuna particolarmente importante riguarda i sistemi di IA usati per valutare altri sistemi di IA. In Simulating Students or Sycophantic Problem Solving?, i studenti simulati abbandonavano frequentemente i concetti erronei assegnati dopo un feedback correttivo, indipendentemente dal fatto che affrontasse il concetto erroneo. Le loro risposte potrebbero quindi far apparire riuscita un'istruzione inefficace. L'addestramento mirato ha migliorato la misura di fedeltà dello studio, ma il miglioramento su quella misura non equivale a una validazione rispetto all'apprendimento umano.

La ricerca deve stabilire quali punteggi automatizzati e quali comportamenti simulati predicono esiti con discenti reali, inclusi discenti e contesti non usati durante lo sviluppo. Anche i giudizi umani richiedono scrutinio: l'accordo tra valutatori non è automaticamente evidenza che si stia valutando il costrutto giusto.

La lacuna è la validazione della catena di valutazione — dal comportamento del modello, al giudizio pedagogico, alla risposta del discente, all'esito educativo.

5. Stabilire la validità della valutazione quando l'IA può produrre e valutare l'evidenza

L'IA crea due problemi di valutazione connessi: può aiutare a produrre il lavoro che viene valutato, e può influenzare il modo in cui quel lavoro viene punteggiato.

Lo studio della base di conoscenze sugli agenti di IA che completano compiti valutati in un LMS documenta agenti che navigano in un corso universitario attivo e completano attività valutate. Queste dimostrazioni stabiliscono una capacità che mette in discussione le assunzioni sull'evidenza prodotta dagli studenti; non stabiliscono la prevalenza di tale uso né invalidano ogni valutazione asincrona.

La domanda di ricerca è quali progettazioni di valutazione sostengano ancora conclusioni difendibili sul discente. Le portfolio, le riflessioni, le consegne a tappe e i registri delle attività dovrebbero essere essi stessi validati anziché dati per scontati come prova di paternità o di comprensione. Gli studi dovrebbero esaminare combinazioni di evidenza rispetto alla competenza osservata in modo indipendente, tenendo conto di accessibilità, carico di lavoro, privacy e ansia degli studenti. Si veda Assessment Validity.

Per il punteggio automatizzato, LLMs Do Not Grade Essays Like Humans riporta disaccordi sistematici tra modelli preconfezionati e valutatori umani. I suoi risultati sono specifici alla configurazione, ma dimostrano perché la coerenza interna sia insufficiente.

Una distinzione concettuale utile viene da A Human Capability Test for Learning Outcomes in the AI Era: valutare ciò che i discenti devono fare in modo indipendente, ciò che possono compiere con l'IA, e ciò che devono verificare e difendere. Questo è un quadro proposto che richiede validazione empirica, non una soluzione di valutazione consolidata.

Karr et al. (2026) quantificano perché il rilevamento sia un vicolo cieco. Su 642 abstract inglesi pubblicati, due rilevatori di IA commerciali a τ = 0,50 segnalavano l'editing IA leggero e conforme alle linee guida nel 38–80%, segnalavano originali 2023–25 non modificati nel 9–15% (il non-STEM ben al di sopra dello STEM, p < 0,001) e, dopo l'umanizzazione, catturavano meno del 4% delle riscritture etichettate come IA (tasso di falsi negativi > 96%). Un punteggio che penalizza l'assistenza onesta mentre manca l'evasione non può essere la base per una conclusione difendibile sul discente; la lacuna che esso espone è quella di progettazioni ed evidenza di processo che non dipendono da tale punteggio.

6. Mostrare che l'alfabetizzazione sull'IA si trasferisce in comportamento responsabile

La ricerca sugli interventi di alfabetizzazione sull'IA è abbastanza consistente da sostenere una sintesi. AI Literacy Interventions in Education: A Meta-Analysis of Effects and Moderators include 59 studi e 7.211 partecipanti. Riporta un effetto medio positivo, ma una variazione sostanziale tra studi e un ampio intervallo di predizione che abbraccia lo zero. Gli esiti focalizzati sulla conoscenza mostravano effetti più forti delle abilità, degli atteggiamenti o dell'etica.

La lacuna più netta non è quindi semplicemente sviluppare più quadri di competenza. È determinare se l'istruzione all'alfabetizzazione cambi il modo in cui le persone agiscono quando usano l'IA.

I discenti sanno riconoscere affermazioni non supportate, verificare le fonti, rifiutare suggerimenti fuorvianti, identificare accordi inappropriati, e scegliere quando non delegare? Quei comportamenti persistono sotto pressione temporale e si trasferiscono a sistemi e discipline non familiari?

La ricerca dovrebbe combinare valutazioni basate sulla prestazione con osservazioni delle decisioni effettive e con follow-up differiti. Dovrebbe distinguere conoscenza concettuale, competenza operativa e giudizio critico anziché trattarli come intercambiabili. Le sintesi su AI Literacy e Trust Calibration forniscono punti di partenza utili per queste distinzioni.

7. Comprendere la generalizzabilità e gli esiti equi — non solo l'accesso equo

I risultati di un corso, un'istituzione, una lingua o una popolazione di discenti forniscono spesso basi limitate per decisioni altrove. La sintesi Limitations in AIEd Research identifica questo come un problema ricorrente. Serve più evidenza su come gli effetti dell'istruzione varino tra stadi di sviluppo, discipline, conoscenza pregressa, disabilità, lingua e condizioni di risorse.

La ricerca sull'equità deve anche distinguere accesso, abilità ed esiti. La sintesi sul Digital Divide rende chiaro che fornire dispositivi o accesso agli strumenti non stabilisce pari capacità di beneficiarne.

Ad esempio, Does School-Based AI Education Narrow Readiness Gaps? ha seguito 752 studenti di scuola secondaria inferiore di Hong Kong. Le lacune di prontezza psicologica si sono ridotte, mentre le differenze in un test oggettivo di alfabetizzazione sull'IA sono persistite. Tutti i gruppi sono migliorati, ma il miglioramento complessivo non ha eliminato la disuguaglianza. Poiché i profili di apprendimento pregresso non sono stati assegnati casualmente, lo studio non stabilisce i loro effetti causali.

La copertura della stessa base di conoscenze mostra dove l'evidenza a livello di gruppo è sottile oltre che diseguale. Differential Effects Across Learner Groups conta la letteratura in base a chi studia: i discenti di seconda lingua e multilingui e gli studenti con disabilità sono i filoni più profondi, genere e neurodiversità subito dopo, mentre gli studenti di prima generazione e gli studenti internazionali hanno un solo studio ciascuno in questo corpus, gli studenti dotati e ad alto rendimento sono di fatto non studiati come gruppo, e i discenti rifugiati, immigrati e sfollati non compaiono in nessuno. Una base di evidenze con questa forma non può rispondere alle domande sull'equità per aggregazione; deve essere campionata deliberatamente.

La priorità di ricerca è identificare quali progettazioni riducano le differenze nella capacità dimostrata, nella partecipazione e nell'agenzia. Gli studi dovrebbero esaminare esiti e oneri dei sottogruppi, non solo i guadagni medi. La ricerca sull'accessibilità dovrebbe distinguere la rimozione delle barriere alla partecipazione dalla sostituzione di una capacità che il discente è destinato a sviluppare. Si vedano Equity in AI Education e Accessibilità.

La capacità varia anche all'interno di un singolo sistema nazionale in modi che le categorie di governance non catturano. Adeniranye et al. (2026) hanno valutato l'integrazione dell'IA in 45 università nigeriane e hanno trovato solo un'adozione complessivamente moderata (M = 4,79, range 1,83–7,83 su una scala a 10 punti), con il tipo di istituzione che non prediceva l'integrazione una volta controllati età e geografia (età β = 0,43; ubicazione nel Sud-Ovest β = 0,31). Le capacità interne intercorrevano a r = 0,79–0,80 e le collaborazioni internazionali con le partnership industriali a r = 0,74, quindi le istituzioni ben connesse accumulano vantaggi che si compongono. La lacuna è verificare quali progettazioni di rafforzamento della capacità cambino gli esiti nelle istituzioni più nuove e meno connesse.

8. Determinare come il controllo dovrebbe essere condiviso tra discenti, docenti e agenti

Mentre i sistemi di IA pianificano, avviano azioni, mantengono memoria e coordinano strumenti, la domanda educativa diventa più specifica del semplice chiedersi se la collaborazione uomo–IA sia benefica: chi dovrebbe controllare quali parti del processo di apprendimento, e quando quel controllo dovrebbe cambiare?

Agentic AI in Education: A Scoping Review mappa 474 studi e identifica una validazione longitudinale limitata, concentrazioni nell'istruzione terziaria e nello STEM, e una debole integrazione della teoria educativa. Solo il 29% degli studi revisionati attingeva esplicitamente alla teoria educativa — un risultato su quel corpus, non su tutta la ricerca AIED.

La ricerca dovrebbe confrontare configurazioni in cui discenti o agenti avviano l'aiuto, fissano obiettivi, selezionano strategie, monitorano il progresso e prendono le decisioni finali. Dovrebbe verificare se il supporto possa essere ritirato gradualmente con lo sviluppo della competenza e se i discenti conservino la capacità di contestare il sistema.

Le sintesi su Agentic AI e Human–AI Collaboration sollevano anche domande sull'intervento e la responsabilità dei docenti in ambienti multi-agente. Una maggiore autonomia dovrebbe essere valutata come una scelta di progettazione pedagogica, non data per scontata come rappresentante di progresso educativo.

9. Collegare la sicurezza pedagogica e relazionale a conseguenze educative reali

La sicurezza educativa si estende oltre l'accuratezza fattuale, i contenuti offensivi o le richieste proibite. Un tutor può fornire una risposta corretta mentre mina l'opportunità del discente di ragionare, rafforza un concetto erroneo sottostante, o incoraggia una dipendenza inappropriata. Si veda Pedagogical Safety.

SafeTutors: Pedagogical Safety in AI Tutoring identifica fallimenti come l'eccessiva rivelazione della risposta e l'abbandono dello scaffolding, con sostanzialmente più fallimenti sotto test multi-turno. Questi sono risultati di Benchmark (riferimento di confronto) sotto condizioni di test specificate — non stime della prevalenza o della gravità del danno nelle aule.

La questione irrisolta è come tali fallimenti influenzino i discenti reali nell'uso prolungato. Quali producono confusione temporanea, concetti erronei persistenti, motivazione ridotta o capacità indipendente indebolita? Quali salvaguardie riducono quei rischi senza un rifiuto o una frustrazione eccessivi?

La ricerca a più lungo termine dovrebbe anche esaminare la fiducia, la disponibilità a cercare aiuto umano, l'agenzia del discente, e le relazioni con i pari e i docenti. Queste domande sono particolarmente importanti per i bambini e richiedono studi appropriati allo sviluppo che colleghino il comportamento del sistema agli esiti educativi e relazionali.

10. Spiegare come implementazione, sviluppo dei docenti e costi modellino gli esiti

La capacità tecnica non stabilisce che uno strumento sarà usato produttivamente o che lo sviluppo professionale migliorerà l'apprendimento degli studenti. L'anello mancante va spesso dalla preparazione dei docenti, attraverso la pratica in aula cambiata, fino agli esiti degli studenti.

In Pedagogy First, Technology Second, uno studio multilivello su 46 docenti e 2.832 studenti ha trovato che la conoscenza pedagogica dell'IA era associata alle percezioni e alle intenzioni degli studenti, ma nessuna delle componenti misurate della conoscenza del docente era direttamente associata ai guadagni di conoscenza dell'IA negli studenti. Queste associazioni non stabiliscono che un particolare intervento di formazione causerebbe un apprendimento migliore.

La ricerca dovrebbe indagare quali combinazioni di coaching, allineamento al curriculum, routine di revisione, pianificazione e supporto istituzionale producano miglioramenti sostenuti. Dovrebbe osservare l'insegnamento effettivamente realizzato, non solo la fiducia dei docenti o l'intenzione di adottare. Si vedano Teacher AI Competency e Educational Development.

L'analisi comparata del rapporto costo-efficacia è un'altra priorità. Le valutazioni dovrebbero includere verifica, correzione, formazione, supervisione, manutenzione e tempo di implementazione — non solo i costi di abbonamento o di uso del modello — e confrontare la fornizione supportata dall'IA con alternative realistiche. La domanda rilevante è quale beneficio educativo l'assetto completo offra rispetto alle risorse che richiede.

11. Valutare governance, privacy e partecipazione significativa

I principi etici e i quadri di governance sono necessari, ma la loro esistenza non stabilisce che cambino la pratica o proteggano i discenti.

Identifying the Ethical Values and Norms for Artificial Intelligence in Education revisiona 25 articoli e trova gli utenti finali in gran parte passivi nella letteratura etica revisionata, con le voci degli studenti essenzialmente assenti. Identifica anche tensioni tra i valori e asimmetrie di potere tra le parti interessate. Questo descrive la letteratura revisionata; non dovrebbe essere generalizzato in un'affermazione che gli studenti non partecipino mai alla progettazione in AIED.

La lacuna di ricerca riguarda quali assetti di governance facciano una differenza misurabile. La partecipazione di studenti e docenti cambia gli appalti, la progettazione degli strumenti, le regole di valutazione o i rimedi dopo gli errori? Le procedure di revisione umana colgono gli errori consequenziali? Le alternative all'uso dell'IA sono genuinamente disponibili?

La ricerca sulla privacy dovrebbe analogamente esaminare il valore educativo della raccolta aggiuntiva di dati, anziché presumere che un monitoraggio più dettagliato del discente sia giustificato. Gli studi possono confrontare progettazioni che minimizzano i dati con alternative più intrusive, valutando sia l'apprendimento sia l'autonomia del discente. Si vedano AI Governance e Privacy.

12. Costruire studi riproducibili ed evidenza cumulativa affidabile

L'AIED affronta un problema di riproducibilità insolitamente difficile. Gli studi possono omettere prompt, versioni del modello, impostazioni, codice o dettagli dell'istruzione; anche i sistemi proprietari possono cambiare durante o dopo un intervento. Questi problemi sono documentati in Limitations in AIEd Research.

La riproducibilità richiede di descrivere l'assetto dell'istruzione oltre al modello: compiti di apprendimento, fonti dei contenuti, azioni consentite, interfaccia, supporto del docente, condizioni di valutazione, e cambiamenti durante il dispiegamento. I ricercatori dovrebbero distinguere la riproduzione di una configurazione dalla verifica se il suo principio pedagogico si trasferisca a un'altra. La discussione sul riportare in Efficacy Research Methods affronta questa esigenza di descrizioni trasparenti.

La sintesi dell'evidenza richiede una cura paragonabile. La pagina Meta-Analysis and Systematic Review evidenzia studi primari deboli, bias di pubblicazione, interventi eterogenei ed esiti incompatibili come limiti alle conclusioni aggregate.

Un'unica media dell'«effetto IA» può nascondere le distinzioni di cui gli educatori hanno più bisogno. Le revisioni dovrebbero separare la prestazione assistita dall'apprendimento indipendente, distinguere i tipi di intervento e le condizioni di confronto, e rendere verificabili le decisioni di codifica e di analisi. I risultati nulli, le implementazioni fallite e le condizioni al contorno sono contributi essenziali a questa base di evidenza cumulativa.

La letteratura di sintesi è essa stessa una lacuna. L'audit forense di O'Neill (2026) su 14 meta-analisi ad alto impatto ha trovato che nessuna forniva una base valida per le sue affermazioni: nessun costrutto coerente (uno strumento trattato come un unico intervento ed esiti multidimensionali aggregati), valutazione non valida del bias di pubblicazione in tutte le 14, I² riportato tra il 77,2% e il 94,4% in ogni analisi che lo riportava (12 delle 13 sopra l'80%), e il 61% degli studi primari vagliati casualmente con problemi di validità. Quelle 14 analisi avevano accumulato più di 2.000 citazioni in circa 16 mesi, e una meta-analisi ritirata era ancora citata come autorevole nel 60% degli articoli che la citavano dopo la ritrazione, senza riconoscere la ritrazione. L'accettazione acritica non è confinata al lavoro ritirato: in un campione di 14 articoli che citavano un'altra meta-analisi auditate, il cui abstract pubblicizzava un grande effetto dell'«educazione all'IA» che in realtà misurava l'insegnamento dell'IA agli studenti, solo 2 la citavano appropriatamente mentre 8 la leggevano come evidenza che integrare l'IA migliora l'apprendimento e 4 erano errati per altri versi. Le raccomandazioni dell'audit puntano direttamente a quella catena, chiedendo alle riviste di richiedere la piena trasparenza dei dati per le meta-analisi (protocolli di ricerca, caratteristiche codificate degli studi, statistiche estratte e codice analitico), chiedendo agli editori di non trattare un curriculum di pubblicazioni come prova di competenza nella revisione, e chiedendo che le ritrazioni siano rese visibili ovunque un articolo venga scoperto, esportato o citato. La riproducibilità copre quindi l'integrità della catena di sintesi, non solo quella dei singoli studi.

I docenti che desiderano la versione a livello di classe di queste preoccupazioni — quali misure e progettazioni di confronto usare — possono seguire le linee guida sul metodo in Quali misure e metodi di ricerca può usare un docente per valutare gli interventi legati all'AI?.

Sintesi complessiva

La necessità centrale della ricerca non è semplicemente più studi che mostrino che agli studenti piace l'IA, che i docenti risparmiano tempo, o che il lavoro supportato dall'IA riceve punteggi più alti. È un'evidenza più forte che risponda a:

Quale progettazione educativa, per quali discenti, in quale contesto, attraverso quale meccanismo, produce quali capacità umane durevoli — e con quale distribuzione di benefici, costi e danni?

Rispondere a quella domanda richiede metodi complementari: esperimenti ben specificati, follow-up longitudinale, valutazioni validate, indagine qualitativa e basata sul disegno, campionamento focalizzato sull'equità, e sintesi trasparenti. L'obiettivo è una base di evidenza che spieghi non solo se un intervento ha funzionato, ma perché ha funzionato, dove può fallire, e che cosa gli educatori possono responsabilmente portare in un altro contesto.