BAD - settembre 26
Rassegna del 4 settembre 2026
La novità teoricamente più forte riguarda l’IA come infrastruttura epistemica: non soltanto può sostituire attività cognitive, ma può stabilire quali linguaggi, conoscenze e interpretazioni appaiano “corretti”. Due studi mostrano, inoltre, che confronto, perturbazione e resistenza possono essere progettati come condizioni generative dell’apprendimento.
1. Mohammad Hosseinpur — Digital Linguistic Imperialism: Can We Decolonize English When the AI Writing Tools Are Colonial?
Rasoul Mohammad Hosseinpur; 3 settembre 2026. Articolo e abstract
Etnografia critica postumana di dodici settimane con 23 studenti universitari iraniani di inglese avanzato; combina osservazioni, interviste, verbalizzazioni, registrazioni dello schermo e audit di Grammarly, QuillBot e ChatGPT.
Che cosa cambia: il bias linguistico non viene trattato come semplice errore dell’algoritmo. Gli strumenti funzionano come infrastrutture coloniali quando patologizzano sistematicamente le forme linguistiche estranee all’inglese dei paesi anglofoni dominanti. Le reazioni degli studenti vanno dalla vergogna linguistica alla resistenza.
Il passaggio originale è la co-progettazione di un piccolo modello locale capace di riconoscere le identità translinguistiche. La risposta proposta non è quindi soltanto “correggere” l’IA, ma introdurre una forma di co-governo dell’infrastruttura.
Perché conta: porta la critica decoloniale dentro la materialità concreta del feedback automatico. Il feedback non si limita a informare lo studente: contribuisce a stabilire quale lingua e quale soggetto parlante siano legittimi. È anche un contributo implicitamente postdigitale, perché collega algoritmo, identità, pratiche linguistiche, emozioni e potere istituzionale.
Cautela: un solo corso, 23 studenti e uno specifico contesto iraniano. Il modello locale è soprattutto una prova di possibilità; non sappiamo ancora se sia sostenibile o trasferibile. Il testo integrale è a pagamento.
2. Dubé-Rushby — DARE: A Live Art Methodology that Embraces Disruption Towards a Pedagogy of Agonism
Laurence Dubé-Rushby; 3 settembre 2026. Articolo e abstract
Ricerca-azione nella scuola secondaria da cui nasce DARE: Disruptive, Artistic, Reflexive, Exploration.
Che cosa apporta: la perturbazione non è un incidente da recuperare, ma una tensione intenzionalmente introdotta attraverso pratiche artistiche corporee e performative. Disagio, conflitto e instabilità identitaria possono diventare produzione dialogica di conoscenza mediante riflessione-nell’azione. L’apprendimento viene descritto come qualcosa che emerge «sul bordo del caos», non come esecuzione di un percorso già stabilito.
Perché conta: è il contributo settimanale più vicino alla ricerca sull’imprevisto e sui microspazi. DARE mostra una possibile sequenza concreta:
perturbazione → tensione vissuta → riflessione nell’azione → nuove possibilità di divenire.
Questa sequenza non coincide con quella jaeggiana già consolidata, ma può offrire materiale empirico per sostenere l’ipotesi che una contraddizione o un’interruzione apra uno spazio di critica e trasformazione.
Cautela: si tratta di una metodologia sviluppata dall’autrice in un contesto locale di educazione artistica. Il coinvolgimento della ricercatrice nella progettazione e nell’interpretazione richiede prudenza; mancano ancora verifiche comparative e longitudinali.
3. Suazo Galdames et al. — Between Cognitive Offloading and Critical Autonomy
Iván Claudio Suazo Galdames, Meylin Santiesteban Velázquez, Mahia Saracostti e Alain Manuel Chaple Gil; 3 settembre 2026. Articolo open access ITA
Revisione sistematica preregistrata di 26 studi empirici sull’IA generativa nell’università; 18 provengono dal Sud globale.
Che cosa apporta: sviluppa la nozione di delega epistemica. Non vi è soltanto cognitive offloading quando l’IA svolge materialmente un compito: vi è delega epistemica quando le vengono trasferiti anche selezione delle fonti, valutazione delle prove, interpretazione, verifica o giudizio finale.
Propone il modello HEEP-HE, articolato in quattro dimensioni:
- validazione epistemologica;
- scaffolding pedagogico;
- calibrazione sociotecnica di ciò che può essere delegato;
- resilienza civico-democratica rispetto all’informazione sintetica.
Perché conta: precisa e amplia il risultato di Boolzen et al. segnalato la settimana scorsa. Non basta distinguere sostituzione e aumento dell’attività: bisogna identificare quale responsabilità epistemica rimane allo studente. Per il feedback suggerisce confronti con fonti esterne, motivazione dell’accettazione o del rifiuto dei suggerimenti, tracce delle revisioni e discussione esplicita dell’incertezza.
Cautela: gli studi sono molto eterogenei e in larga parte trasversali, percettivi o basati su autovalutazioni; non è possibile una meta-analisi. Il modello HEEP-HE è una costruzione interpretativa degli autori, non ancora un intervento validato. La ricerca si arresta al 2 maggio 2026.
4. Rustemova et al. — Integrating AI into Pre-Service Teacher Training for Reflective Interpretation of Fine Art
Saltanat Rustemova, Zhanar Nebessayeva, Dauletkhan Bolysbaev, Saule Nurbay e Gulnar Shaizadanova; 3 settembre 2026. Articolo open access
Studio qualitativo con 28 futuri docenti del Kazakhstan: interpretazione individuale di tre dipinti, successiva interpretazione mediata dall’IA, confronto riflessivo e discussione collettiva.
Che cosa apporta: l’effetto dell’IA dipende dalla dimensione conoscitiva. Aiuta a notare composizione, colore, prospettiva e relazioni spaziali; produce invece interpretazioni generiche quando sono richiesti significato simbolico e comprensione culturalmente situata.
L’aspetto pedagogicamente importante è che l’effetto positivo non deriva dall’IA isolata, ma dalla sequenza interpretazione personale → proposta dell’IA → confronto → discussione collettiva.
Perché conta: è un esempio concreto di feedback come provocazione intermedia, non come risposta conclusiva. Inoltre mostra che il limite culturale dell’IA può diventare visibile proprio grazie al confronto con l’interpretazione situata degli studenti.
Cautela: campione piccolo, tre soli dipinti, un unico sistema di IA e risultati prevalentemente qualitativi e autoriferiti. Non sono misurati effetti duraturi sulla competenza riflessiva; può esserci anche un effetto-novità.
Convergenza della settimana
I quattro studi permettono di precisare il principio emerso nelle rassegne precedenti:
L’IA è formativa non quando produce direttamente l’interpretazione corretta, ma quando entra in una configurazione che rende possibile confrontare, contestare, verificare e rielaborare.
Hosseinpur aggiunge però una condizione decisiva: non tutte le conoscenze entrano nel confronto con la stessa autorità. Se l’infrastruttura definisce preventivamente alcune lingue o epistemologie come deviazioni, il feedback può ridurre l’incertezza soltanto imponendo la norma dominante.
DARE offre il movimento opposto: conservare o introdurre una perturbazione affinché emergano posizioni, tensioni e possibilità prima invisibili. È il collegamento più promettente tra postdigitale, critica decoloniale e imprevisto.
Priorità di lettura
- Mohammad Hosseinpur, per primo: introduce il cambiamento più radicale, dal bias dell’output al potere coloniale dell’infrastruttura e alla sua possibile co-governance.
- Dubé-Rushby, subito dopo: è il testo più utile per sostenere il rapporto fra perturbazione, riflessione nell’azione e apertura di microspazi trasformativi.
- Suazo Galdames et al., come sistemazione teorica: particolarmente utile per definire ciò che non dovrebbe essere delegato nel feedback basato sull’IA.
Da tenere d’occhio resta Epistemic Justice in Educational Assessment di Moses Mhide Kpum e Velisiwe Gasa: è stato accettato il 24 agosto, ma al 4 settembre l’editore non ha ancora pubblicato la versione definitiva.
Rassegna dell’11 settembre 2026
La settimana porta due correzioni importanti: l’IA non produce automaticamente vantaggi di apprendimento, neppure quando assume il ruolo di tutor; inoltre, feedback e valutazione non possono più essere studiati separatamente dalle norme epistemiche che incorporano. Complessità e critica decoloniale convergono così sulla necessità di preservare difficoltà, pluralità e possibilità di contestazione.
1. Kpum e Gasa — Epistemic Justice in Educational Assessment
Moses Mhide Kpum e Velisiwe Gasa; 9 settembre 2026. Articolo open access ITA
Il lavoro, segnalato come imminente nella rassegna precedente, è ora pubblicato integralmente. Propone cinque principi interdipendenti per una valutazione epistemicamente giusta: pluralismo epistemologico, giustizia linguistica, responsabilità verso le comunità, riflessività storica e responsabilità tecnologica.
Che cosa cambia: l’equità non consiste soltanto nell’applicare imparzialmente criteri identici. Occorre chiedere se quei criteri sappiano riconoscere conoscenze orali, comunitarie, esperienziali e plurilingui. Per l’IA, questo implica validazione sui contesti e sulle produzioni degli studenti africani, coinvolgimento delle comunità nella definizione della qualità e possibilità di contestare le decisioni automatiche.
Perché conta: fornisce la cornice più completa finora emersa per analizzare insieme feedback, assessment, colonialità e infrastruttura digitale. È particolarmente utile per interrogare rubriche e feedback automatici: non soltanto “sono accurati?”, ma “quale forma di conoscenza rendono visibile?”.
Cautela: è un’analisi concettuale fondata soprattutto su letteratura anglofona e casi dell’Africa australe. Gli studi empirici sui bias dei sistemi di valutazione automatica con studenti africani restano scarsi; rimane inoltre irrisolta la tensione tra pluralismo locale e comparabilità internazionale dei titoli.
2. Melanou, Beege e Kimmig — Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study
Chrysanthi Melanou, Maik Beege e Martin Kimmig; 10 settembre 2026. Articolo
Studio longitudinale, lungo un semestre, con 87 studenti di informatica aziendale distribuiti in tre classi: tutor-IA, uso non guidato dell’IA e controllo senza IA.
Che cosa cambia: tutte le classi migliorano, ma l’IA non produce un incremento aggiuntivo delle conoscenze. L’uso riflessivo risulta maggiore nelle condizioni con IA ed è associato al pensiero critico; il risultato dipende quindi dalla regolazione metacognitiva, non dalla semplice disponibilità dello strumento.
Perché conta: rafforza e precisa la meta-analisi di Boolzen et al. della rassegna del 28 agosto. Anche una configurazione da “tutor” non basta: l’eventuale valore educativo risiede nelle operazioni riflessive costruite intorno all’interazione.
Cautela: disegno quasi-sperimentale, campione piccolo e classi preesistenti; disciplina e docente possono aver influenzato le differenze. Le associazioni fra riflessività e pensiero critico non dimostrano causalità.
3. Gusain — Difficulty as Method: A Framework for Humanities Pedagogy in the Age of Generative AI
Renuka Gusain; 9 settembre 2026. Articolo
Il contributo propone quattro ruoli didattici per l’IA nelle discipline umanistiche: oggetto d’interpretazione, artefatto retorico, bozza revisionabile e interlocutore.
Che cosa apporta: la difficoltà interpretativa, l’ambiguità e la necessità di argomentare le evidenze vengono trattate come metodo disciplinare, non come inefficienze che l’IA dovrebbe eliminare. L’output fluido e risolutivo dell’IA diventa materiale da problematizzare.
Perché conta: offre il ponte teorico più netto della settimana fra IA, feedback e pedagogia dell’incertezza. Il feedback è formativo quando riapre interpretazioni e revisioni, non quando chiude rapidamente il problema.
Cautela: è un framework concettuale, circoscritto alle discipline umanistiche e ancora privo di sperimentazione comparativa. Resta da tradurre in sequenze didattiche e indicatori osservabili.
4. Gilead e Dishon — Generative AI, Education, and Equity Through a Complexity Theory Lens
Tal Gilead e Gideon Dishon; 11 settembre 2026. Articolo
Che cosa cambia: applicando la teoria della complessità, gli autori propongono di spostare l’attenzione:
- dalla personalizzazione individuale alla capacità dell’intero sistema di rispondere ai contesti;
- dalla chiusura dei divari rispetto a un unico esito alla possibilità di sostenere traiettorie di apprendimento differenti.
Perché conta: impedisce di identificare l’equità con l’adattamento automatico del medesimo percorso. L’IA dovrebbe rendere il sistema più sensibile alle relazioni fra studenti, docenti, istituzioni e contesti, non soltanto ottimizzare il singolo utente.
Cautela: proposta teorica, non valutazione di un sistema reale. “Traiettorie diverse” può anche diventare una giustificazione delle disuguaglianze se non è accompagnata da analisi del potere, delle risorse e della partecipazione alle decisioni.
5. Nie et al. — Development and Validation of the Generative AI Assessment Literacy Scale
Juntao Nie, Zeyu Zhang, Xiaomei Lu, Yinlan Zhang e Min Zhang; 10 settembre 2026. Articolo open access
Due studi con 486 e 798 universitari producono una scala di 18 item e cinque dimensioni: comprensione dei criteri; giudizio sull’appropriatezza dell’IA per il compito; verifica delle evidenze; attribuzione etica; capacità di usare il feedback per revisionare.
Che cosa apporta: traduce in un costrutto misurabile la distinzione tra usare tecnicamente l’IA e mantenere responsabilità valutativa ed epistemica. I punteggi sono associati a maggiore coinvolgimento con il feedback e a intenzioni di integrità accademica.
Perché conta: può diventare uno strumento diagnostico per studiare interventi centrati su verifica, revisione e motivazione dell’accettazione o del rifiuto dei suggerimenti.
Cautela: dati trasversali e autoriferiti provenienti soltanto dalla Cina; intenzioni e competenze dichiarate non equivalgono a comportamento effettivo. Manca ancora la validazione interculturale e incrementale rispetto alle scale già esistenti di AI literacy e feedback literacy.
6. Fernández Ruiz — Antigypsyism and Compulsory Education in Catalonia: A Scoping Review
Manuela Fernández Ruiz; 7 settembre 2026. Articolo open access
Revisione di 48 studi e fonti istituzionali, organizzata su quattro livelli: discorsi, pratiche pedagogiche, organizzazione scolastica ed esiti.
Che cosa apporta: segregazione, basse aspettative dei docenti e invisibilità curricolare vengono ricondotte a un sistema di razzismo strutturale, non a deficit culturali o familiari degli studenti rom. La cornice combina teoria critica della razza, pedagogia critica e intersezionalità.
Perché conta: mostra che l’incertezza e l’insuccesso attribuiti allo studente possono essere prodotti dalla configurazione istituzionale. È un utile contrappunto alle concezioni dell’incertezza esclusivamente psicologiche o individuali.
Cautela: la ricerca specificamente catalana è quasi inesistente; molte conclusioni derivano da letteratura europea più ampia. La revisione mappa i meccanismi, ma non consente ancora di confrontare l’efficacia degli interventi.
Convergenze e tensioni
Il punto comune è ormai abbastanza netto: preservare l’attività dello studente non basta se non si interroga anche la norma rispetto alla quale quell’attività viene giudicata. Gusain difende la difficoltà dall’automazione; Melanou mostra che il tutor-IA non genera da solo apprendimento aggiuntivo; Kpum e Gasa chiedono chi definisca conoscenza e qualità; Gilead e Dishon spostano l’equità dall’adattamento individuale alla responsività sistemica.
La tensione principale riguarda la standardizzazione. Nie et al. rendono comparabile l’AI assessment literacy mediante una scala; Kpum e Gasa avvertono però che ogni strumento standardizzato può oscurare differenze linguistiche ed epistemiche. La scala è quindi promettente soprattutto se sottoposta a validazione e co-adattamento locale.
Priorità di lettura
- Kpum e Gasa, per primo: è il testo che integra più direttamente assessment, IA e giustizia epistemica.
- Melanou, Beege e Kimmig, come verifica empirica: ridimensiona le aspettative sul tutor-IA e rafforza la centralità della regolazione riflessiva.
- Gusain, per elaborare la difficoltà e l’ambiguità come dispositivi didattici positivi.
- Gilead e Dishon, da approfondire dopo, per estendere l’analisi dalla singola attività alla dinamica del sistema educativo.
- Nie et al., da utilizzare soprattutto come strumento metodologico, dopo averne valutato l’adattabilità al proprio contesto.
- Fernández Ruiz, per ampliare l’analisi intersezionale dei meccanismi istituzionali che producono esclusione.
Da tenere d’occhio: Laura Ann Chubb e Jack Webster, Letting AI into Analysis: Towards a Postdigital Qualitative Inquiry, 8 settembre. È il contributo esplicitamente postdigitale più nuovo, ma riguarda la metodologia della ricerca qualitativa più che la pedagogia e non presenta esiti didattici. Può però diventare rilevante per riflettere su come l’impiego dell’IA nell’analisi trasformi — e non semplicemente acceleri — la produzione delle interpretazioni.
Rassegna del 18 settembre 2026
La convergenza più significativa della settimana è metodologica: tecnologie, feedback e innovazioni diventano educativi solo quando restano modificabili dal contesto e sostengono il ragionamento senza anticiparne la soluzione. La critica decoloniale aggiunge però una domanda preliminare: quali forme di scuola e di conoscenza si stanno cercando di rendere più efficienti?
1. Decuypere e Saari — Proto-practice: Fostering Postdigital School Development
Mathias Decuypere e Antti Saari; 16 settembre 2026. Articolo open access ITA
Propone la proto-pratica come alternativa all’idea lineare di innovazione: non un modello progettato centralmente e poi implementato, ma una pratica provvisoria che si trasforma mentre circola. Attraverso il caso dei Future Classroom Labs, gli autori ne individuano sei dimensioni: progettazione, pratica, deformazione continua, diffusione orizzontale, proprietà distribuita e affettività.
Che cosa cambia: l’incertezza non riguarda soltanto gli esiti dell’intervento; entra nella sua stessa identità. Una proto-pratica rimane riconoscibile pur venendo reinterpretata e modificata localmente.
Perché conta: offre un lessico molto vicino alla ricerca sui microspazi e sull’imprevisto. Consente di studiare non soltanto se un dispositivo venga applicato correttamente, ma come incontri, resistenze e appropriazioni ne producano versioni inattese.
Cautela: è soprattutto un avanzamento teorico costruito su un caso già studiato dagli autori; non dimostra ancora quali configurazioni generino miglioramenti didattici durevoli.
2. Säfström et al. — Developing a Formative Assessment Framework for Supporting Students’ Reasoning During Problem Solving
Anna Ida Säfström, Björn Palmberg, Johan Lithner, Catarina Andersson, Erika Boström, Carina Granberg, Torulf Palm e Johan Sidenvall; 17 settembre 2026. Articolo open access ITA
Il framework S-CMR collega la diagnosi della specifica difficoltà incontrata dallo studente a forme di feedback che sostengono il ragionamento matematico creativo. È sviluppato attraverso 334 interazioni docente–studente, raccolte in 109 lezioni, 38 classi dal primo al dodicesimo anno e 77 problemi.
Che cosa apporta: il feedback adattato alla difficoltà diagnosticata è risultato quasi tre volte più efficace di un feedback appropriato a una difficoltà diversa e quasi quattordici volte più efficace del feedback esterno al framework.
Perché conta: fornisce un criterio empirico molto preciso anche per l’AI feedback: non basta personalizzare linguisticamente la risposta. Occorre interpretare dove il ragionamento si sia bloccato e offrire il minimo sostegno che permetta allo studente di riprenderlo. Il feedback troppo risolutivo elimina proprio l’incertezza produttiva.
Cautela: i dati riguardano interazioni umane nella matematica. La trasferibilità a feedback automatici o ad altre discipline deve essere verificata; inoltre, l’analisi misura soprattutto la risposta immediata, non l’apprendimento a lungo termine.
3. Chang e Glass — Toward Other Grammars: Anagrammatical Designs Beyond the American School
Ethan Chang e Ronald David Glass; 16 settembre 2026. Articolo open access
Gli autori collegano la tradizionale “grammatica della scuola” alla grammatica americana prodotta da schiavitù, colonialismo d’insediamento e gerarchie anti-nere. Propongono quindi gli anagrammatical designs: spazi di apprendimento che ricompongono diversamente relazioni fra persone, terra, parentela, conoscenza e responsabilità.
Che cosa cambia: decolonizzare non significa semplicemente aggiungere contenuti o aumentare l’accesso alla scuola esistente. Significa mettere in discussione le routine e le misure attraverso cui soltanto alcune attività vengono riconosciute come apprendimento e alcuni esiti come successo.
Perché conta: introduce un forte correttivo alla nozione postdigitale di trasformazione emergente. Non ogni deformazione locale è emancipativa: bisogna verificare se interrompa o riproduca le gerarchie sedimentate nell’istituzione. Cambiano anche le unità di valutazione, dall’esito individuale al benessere intrecciato di persone, comunità e ambienti.
Cautela: è un saggio teorico radicato nella storia statunitense e hawaiana. I casi presentati sono generativi, ma non costituiscono una valutazione comparativa degli anagrammatical designs.
4. Chiang — Effectiveness of Generative AI in Higher Education Design Pedagogy: A Meta-analysis of Usage Modes
Shyh-Bao Chiang; 16 settembre 2026. Articolo e abstract ITA
Meta-analisi di 27 studi controllati, con 2.847 partecipanti. L’effetto aggregato è moderato, d=0,60, con eterogeneità dichiarata relativamente bassa. La collaborazione docente–studente presenta la stima maggiore tra le modalità d’uso (d=0,89); non emergono differenze significative fra tipi di strumenti.
Che cosa cambia: nel campo circoscritto della formazione al design, la configurazione pedagogica sembra spiegare più del prodotto impiegato. Il risultato più promettente riguarda la creatività, non l’automazione dell’esecuzione.
Perché conta: rafforza l’ipotesi che l’IA produca valore quando entra in relazioni di confronto, mediazione e revisione. Mette però in tensione la meta-analisi di Boolzen et al. segnalata il 28 agosto, nella quale l’effetto generale si riduceva drasticamente dopo la correzione del bias di pubblicazione.
Cautela: molti interventi sono brevi e diversi sottogruppi comprendono pochi studi. L’ambito è esclusivamente il design; il dato aggregato non può quindi essere generalizzato né considerato una confutazione delle evidenze più prudenti emerse in altri settori.
5. Cochrane et al. — Beyond Unstructured Use: Scaffolded Integration of Generative AI in Assessment for Learning
Darryl Cochrane, Simin Littschwager, Elaine Tsang e Ying Jin; 12 settembre 2026. Articolo open access
In un corso universitario online di comunicazione sanitaria, 164 studenti dovevano generare un testo con l’IA, valutarlo criticamente, verificarne le fonti, revisionarlo e riflettere sul processo. Il 71% riferisce attività di valutazione critica e il 69% verifica delle fonti; fiducia e competenza percepita, tuttavia, non superano il livello neutro.
Che cosa apporta: traduce in una sequenza valutativa concreta il principio “generare–contestare–revisionare–riflettere”. Il mancato aumento della sicurezza soggettiva è interessante: lo scaffolding potrebbe produrre una consapevolezza più realistica dei limiti dell’IA.
Perché conta: offre un modello immediatamente sperimentabile di AI feedback come oggetto intermedio da giudicare, non come verdetto finale.
Cautela: indagine trasversale, autoriferita, priva di gruppo di controllo e di una misura indipendente dell’apprendimento. Dimostra coinvolgimento valutativo percepito, non ancora un incremento della competenza.
Convergenze e tensioni
I risultati compongono una sequenza coerente:
pratica provvisoria → difficoltà situata → feedback diagnostico → revisione → trasformazione della configurazione.
Proto-practice impedisce di trattare l’innovazione come implementazione fedele; S-CMR mostra come sostenere l’incertezza senza rimuoverla; Cochrane et al. trasferiscono questa logica nell’interazione con l’IA; Chiang suggerisce che sia la configurazione relazionale, più dello strumento, a incidere sugli esiti.
Chang e Glass introducono la tensione decisiva: una pratica può essere adattiva, partecipata e tecnologicamente sofisticata continuando tuttavia a riprodurre la grammatica coloniale della scuola. La domanda non è quindi soltanto se il sistema apprenda dal contesto, ma a quali relazioni, forme di vita e concezioni del successo diventi responsabile.
Priorità di lettura
- Decuypere e Saari, per il concetto di proto-pratica, immediatamente utilizzabile per interpretare trasformazioni, appropriazioni e imprevisti.
- Säfström et al., per la base empirica più solida e il criterio operativo di feedback che preserva il ragionamento.
- Chang e Glass, per impedire che emergenza e innovazione vengano considerate automaticamente emancipative.
- Chiang, come aggiornamento importante ma settoriale del quadro probatorio sull’IA.
- Cochrane et al., come dispositivo didattico promettente da replicare con misure oggettive e disegni comparativi.
Da tenere d’occhio: Weiqiang Seth Li, Nur Ainil Sulaiman e Mohd Effendi Ewan Mohd Matore, Evaluating AI Feedback: Teacher Expertise and Hidden Labour in Writing Instruction, 12 settembre. Sposta opportunamente l’attenzione dal costo di generare feedback al lavoro, spesso invisibile, necessario per verificarlo e renderlo culturalmente e didatticamente appropriato; servirà però una valutazione più completa del metodo prima di attribuirgli forte peso probatorio.
Rassegna del 25 settembre 2026
La novità più utile della settimana riguarda l’agency epistemica del docente: l’IA può partecipare alla progettazione senza determinarla, purché l’interazione sia strutturata in modo da mantenere visibili motivazioni, alternative e responsabilità decisionali. Due altri contributi precisano i limiti dell’automazione valutativa e mostrano come complessità e giustizia richiedano di spostarsi dall’individuo alle relazioni fra livelli, istituzioni e infrastrutture.
1. Yang et al. — Sustaining Teachers’ Epistemic Agency in AI-Supported Instructional Design
Yunying Yang, Guigen Zhang, Jinwen Luo e Shanyun Kuang; 23 settembre 2026. Articolo e abstract ITA
Studio esplorativo di design-based research con 19 docenti in servizio e due cicli di intervento. Gli autori introducono un conversational-function framework: funzioni dialogiche strutturate che organizzano il confronto docente–IA durante la progettazione didattica.
Che cosa apporta: l’agency epistemica non viene definita genericamente come “controllo umano”, ma come responsabilità del docente nel formulare, giustificare e collegare coerentemente le decisioni progettuali. Dopo i due cicli migliorano i punteggi relativi alla progettazione assistita e cambiano le sequenze delle interazioni con l’IA.
Perché conta: è molto pertinente per ProDida. Suggerisce che l’ambiente non dovrebbe limitarsi a generare proposte, ma potrebbe chiedere al docente di:
- esplicitare il problema al quale risponde una scelta;
- confrontare alternative;
- motivare accettazione, modifica o rifiuto del suggerimento;
- verificare la coerenza fra contesto, obiettivi, attività e valutazione.
L’IA diventerebbe così un dispositivo conversazionale interno al processo PRE–POST, senza acquisire la titolarità della decisione.
Cautela: campione ridotto, due soli cicli e nessun confronto sperimentale. Il miglioramento riguarda prestazioni osservate nello specifico dispositivo, non dimostra ancora effetti sulla qualità delle lezioni o sull’apprendimento degli alunni.
2. Davis e Heyd-Metzuyanim — Nested Syntheses: A Complexity-Informed Approach to Incommensurability in Mathematics Education
Brent Davis ed Einat Heyd-Metzuyanim; 24 settembre 2026. Articolo open access ITA
Il problema affrontato è la frammentazione teorica: prospettive che condividono una concezione complessa e multilivello dell’apprendimento possono tuttavia usare oggetti, dati e spiegazioni non traducibili gli uni negli altri.
Che cosa cambia: la sintesi annidata non cerca una teoria sovraordinata che unifichi le altre. Mantiene le differenze, ma permette all’interpretazione prodotta da una prospettiva di vincolare e ridefinire quella generata dall’altra. Il procedimento è mostrato combinando teoria cognitiva e teoria della metafora concettuale nell’analisi di un episodio sui numeri decimali nella scuola primaria.
Perché conta: offre una soluzione metodologica importante per la ricerca sulla complessità. Un evento didattico può essere contemporaneamente trasformazione delle routine discorsive, riorganizzazione metaforica, perturbazione della situazione e ridefinizione delle possibilità d’azione, senza che questi livelli debbano essere ridotti a un solo vocabolario.
Per il lavoro sui microspazi è particolarmente interessante l’idea che le teorie possano limitarsi e ri-specificarsi reciprocamente, invece di essere semplicemente affiancate.
Cautela: le linee guida sono preliminari e vengono dimostrate su un unico episodio matematico. Occorre ancora chiarire come evitare sintesi costruite arbitrariamente dal ricercatore e come stabilire quali teorie siano davvero compatibili a livello metateorico.
3. Brevik, Jerpseth e Lafontan — Large Language Models as Grading Assistants in Public Health Education
Asgeir Brevik, Heidi Jerpseth e Sara Rivenes Lafontan; 24 settembre 2026. Articolo open access
Lo studio confronta ChatGPT, Gemini, LeChat e Kimi con valutatori umani su prove d’esame argomentative di un master in sanità pubblica, ripetendo le valutazioni in giorni differenti e variando il numero di elaborati caricati insieme.
Che cosa apporta: ChatGPT in modalità di ragionamento ottiene l’accordo migliore con i valutatori umani, ma soltanto il 50% delle valutazioni coincide esattamente; il 90,6% si colloca entro un grado di distanza. I risultati variano fra sessioni e condizioni operative. Emerge inoltre una compressione verso il centro: l’IA tende ad alzare i voti più bassi e abbassare quelli più alti.
Perché conta: mostra che la media complessiva può nascondere errori sistematici sugli individui. Stabilità, riproducibilità e distribuzione degli errori sono quindi più importanti della semplice correlazione con il voto umano. Conferma anche il “lavoro nascosto” segnalato la settimana scorsa: rubriche, prompt, calibrazione, ripetizioni e controllo esperto non scompaiono con l’automazione.
Cautela: una sola prova, 32 elaborati, due valutatori umani e linee guida originariamente scritte per persone, non per LLM. Inoltre il voto umano viene assunto come riferimento corretto, senza verificarne indipendentemente validità ed equità. I risultati riguardano la valutazione sommativa, non dimostrano l’efficacia dell’AI feedback per l’apprendimento.
4. Griffin e Mindrila — Unforgetting Educational Debt: Systemic Drivers of English Literacy Inequities for Multilingual Learners
Robert A. Griffin e Diana Mindrila; 24 settembre 2026. Articolo e abstract
Analisi multilivello dei dati 2023–2024 di 1.929 scuole, annidate in 205 distretti della Georgia statunitense. I risultati collegano le prestazioni degli studenti plurilingui ad assenteismo cronico, preparazione dei docenti e investimenti didattici.
Che cosa cambia: il divario di alfabetizzazione viene reinterpretato come debito educativo istituzionale, non come deficit linguistico degli studenti. All’interno dei distretti, maggiore assenteismo e presenza di docenti non pienamente qualificati predicono risultati inferiori; maggiori investimenti didattici per docente predicono risultati migliori.
Perché conta: offre un contrappunto empirico alle letture individualizzanti dell’incertezza e dell’insuccesso. La difficoltà incontrata dall’alunno può essere l’effetto emergente di infrastrutture della frequenza, distribuzione delle competenze professionali e allocazione delle risorse. È una convergenza importante fra complessità, prospettiva intersezionale e critica del deficit.
Cautela: studio osservazionale circoscritto a uno Stato, che non consente inferenze causali. La variabile dipendente resta inoltre una prova standardizzata di inglese: il lavoro decentra il deficit dallo studente, ma non mette pienamente in discussione la norma linguistica e valutativa rispetto alla quale il risultato viene misurato.
Convergenze e tensioni
I quattro contributi suggeriscono uno spostamento comune:
dalla prestazione isolata → alla configurazione che distribuisce possibilità, responsabilità e criteri di giudizio.
Yang et al. mostrano che preservare l’agency richiede una struttura dialogica; Davis e Heyd-Metzuyanim che nessun singolo livello teorico esaurisce l’evento didattico; Brevik et al. che l’apparente affidabilità media dell’IA nasconde instabilità e compressioni; Griffin e Mindrila che gli esiti individuali incorporano condizioni istituzionali.
La tensione più importante riguarda la standardizzazione. L’IA ha bisogno di rubriche più esplicite per diventare stabile; la prospettiva decoloniale avverte però che rendere una norma più formalizzata e applicabile non significa renderla più giusta. Prima di ottimizzare il giudizio occorre quindi chiedere chi abbia definito il criterio e quali differenze esso renda invisibili.
Non è emerso nel periodo un nuovo contributo esplicitamente qualificato come pedagogia postdigitale che superi la soglia di rilevanza. Il lavoro di Yang et al. ne rafforza però l’assunto centrale: progettazione, agency e IA emergono da una relazione sociotecnica, non dalle proprietà autonome dello strumento.
Priorità di lettura
- Yang et al., per primo: è il contributo più immediatamente trasferibile alla progettazione delle funzioni di IA in ProDida.
- Davis e Heyd-Metzuyanim, per rafforzare metodologicamente l’analisi multilivello dell’imprevisto e dei microspazi.
- Griffin e Mindrila, per collegare la complessità alla produzione istituzionale delle disuguaglianze senza ricadere nel deficit dello studente.
- Brevik et al., come verifica empirica dei limiti attuali della valutazione automatizzata e del lavoro umano necessario per governarla.
Da tenere d’occhio:
- Mehmet Koray Serin e İbrahim Kepceoğlu, Generative AI Feedback and Creative Revision in Seventh-Grade Mathematical Problem Posing, 23 settembre: è perfettamente centrato sul feedback generativo nella secondaria di primo grado, ma i dettagli metodologici ed empirici non sono ancora sufficientemente accessibili per valutarne la solidità.
- Sashi Ranjan e V. P. Joshith, The Socio-Technical Architecture of Teacher Education (STATE): Decoupling Agency from Infrastructure in Digital Teacher Education, 24 settembre: la proposta sembra offrire un ponte diretto fra postdigitale, infrastrutture e agency, ma per ora il peso del contributo appare soprattutto concettuale e richiede la lettura integrale.