L’intelligenza artificiale è già entrata nelle aule. Scrive testi, risolve problemi, spiega concetti, traduce, riassume, crea immagini. I Large Language Models (ChatGPT, Claude, Gemini, Perplexity, Notebook LM, ecc.) vengono sempre più utilizzati dagli studenti e dai docenti prima ancora che la scuola abbia il tempo di interrogarsi su cosa siano davvero, su come funzionino e su quale posto debbano occupare nei processi educativi.
La domanda che attraversa questo contributo è: quale impatto avranno le AI all’interno dei sistemi educativi?
Dietro questa formulazione si nasconde però un nodo molto più complesso, che chiama in causa la natura stessa della conoscenza, il senso del lavoro educativo, il ruolo degli insegnanti e il diritto degli studenti a sviluppare un pensiero autonomo. Non si tratta di assumere una postura tecnofobica né, all’opposto, di abbracciare acriticamente ogni novità tecnologica in nome dell’innovazione. Si tratta piuttosto di restituire alla scuola la sua funzione critica: quella di un luogo in cui le tecnologie non vengono semplicemente usate, ma comprese, interrogate, ricondotte a una cornice di senso pedagogico ed etico.
Il rischio principale, infatti, non è tecnologico ma epistemico. Quando gli studenti (ma anche molti adulti) scambiano la fluenza verbale di un chatbot per conoscenza, quando delegano alla macchina lo sforzo cognitivo necessario a comprendere, quando cercano nell’algoritmo una rassicurazione emotiva che non trovano altrove, qualcosa di profondo si sta modificando nel rapporto tra le persone e il sapere.
La scuola non può permettersi di restare ai margini di questa trasformazione, né può limitarsi a inseguirla con corsi di formazione centrati sull’uso degli strumenti. Deve, al contrario, porsi alla guida di un processo di alfabetizzazione critica che consenta a studenti e insegnanti di abitare consapevolmente il nuovo ecosistema dell’IA.
Le pagine che seguono propongono una lettura articolata di questo scenario. Nella prima parte vengono messi a fuoco quattro problemi fondamentali: la dimensione epistemica della delega cognitiva, l’impatto affettivo e relazionale dei chatbot sui giovani, le questioni etiche sollevate dall’uso dell’IA con i minori, e infine le sfide politico-istituzionali che le scuole si trovano ad affrontare. Nella seconda parte si avanzano alcune proposte concrete (dall’AI Literacy critica all’adeguatezza dalle esperienze di didattica esperienziale alla pedagogia hacker) nella convinzione che una buona educazione all’intelligenza artificiale non possa prescindere dalla comprensione dei suoi principi di funzionamento, prima ancora che dal suo utilizzo. Perché la vera posta in gioco non è quanto l’IA sappia fare, ma quanto impatterà nei processi di apprendimento della popolazione scolastica.
Indice degli argomenti
Intelligenza artificiale a scuola: calcolo, pensiero e conoscenza
L’intelligenza artificiale è una macchina di calcolo statistico con funzione predittiva che apprende tramite addestramento di input esterni e dati immagazzinati. L’IA “non pensa”, “non comprende”, “non giudica”, ma produce una fluenza verbale attraverso sequenze plausibili di parole che scambiamo per conoscenza. Per questo il rischio principale a scuola non è tecnologico, ma epistemico (Quattrociocchi et al., 2025). Il passaggio dal “capire le cose da soli” al “chiedere a ChatGPT” non è neutrale: segna una trasformazione nella natura stessa di ciò che è definita comprensione, cioè non tanto di “cosa” ma di “come” pensiamo.
In effetti, se è vero, come indicava Kant, che lo studente “non deve imparare dei pensieri, ma a pensare”, l’opacità dei sistemi di IA solleva non poche criticità.
Comprendere nell’educazione è imperativo, in quanto la comprensione è un aspetto fondamentale del pensare: ciò che non si può spiegare mette alla prova la nostra capacità di comprendere e quindi anche di pensare.
Uno snodo riguarda proprio l’esplicabilità delle AI (explainability AI), ovvero come l’AI generativa spiega e chiarisce la ricerca delle fonti e il processo di co-creazione dei propri output linguistici (Riva, Sajno, De Gaspari, et al., 2024).
L’esplicabilità di una AI investe sia la dimensione etica che quella epistemica: sul piano etico, avere accesso a una spiegazione pone le condizioni per una contro-spiegazione, che basandosi sulle stesse evidenze potrà condurre a conclusioni diverse; sul piano epistemico, avere accesso a una spiegazione consente di individuare l’origine di eventuale errore e, sul piano metacognitivo, favorire capacità di autoregolazione cognitiva (Cuomo, Ranieri, Biagini, 2025).
Introdurre sistemi non spiegabili nella gestione delle informazioni e delle conoscenze rischia di minare la “fiducia” alla base della relazione educativa fondamentale in ogni processo di apprendimento.
Inoltre, le ricerche più recenti dimostrano dei paradossi nel rapporto tra AI e cognizione umana. Se da un lato, l’IA amplia, estende e potenzia le capacità cognitive, offrendo accesso continuo alla conoscenza, dall’altro, inducono una progressiva delega del pensiero, riducendo lo sforzo cognitivo e l’autonomia nel pensiero. Un esempio è il cognitive atrophy paradox (Kabashkin, 2025). La crescita cognitiva avviene quando l’interazione con le AI è riflessiva; l’atrofia invece, quando l’utente delega alle AI senza verificare, quando accetta senza interrogare. L’esito è che gli studenti diventino meno sicuri di sé, meno critici e più dipendenti dall’autorità dell’algoritmo. Un altro esempio è quello che Riva e colleghi (2025) chiamano comfort-growth paradox: la stessa tecnologia che ci semplifica la vita può, se usata senza attrito cognitivo può ridurre la nostra capacità di affrontare autonomamente problemi complessi.
Gli effetti sui processi di apprendimento dipenderanno dunque dall’equilibrio tra riflessione attiva e dipendenza passiva, tra delega e riflessione, tra automazione e coinvolgimento attivo dello studente.
IA, chatbot e studenti: una relazione che non è solo cognitiva
Un altro aspetto importante sarà l’impatto che le AI hanno nella sfera affettiva ed emotiva. Secondo la ricerca di Save the Children (“Senza Filtri”, 2025), il 74,2% dei giovani tra 15 e 19 anni ha usato l’IA almeno una volta a settimana. Il 45,7% per studiare, il 68,3% di questi attraverso chatbot. Non solo. I dati mostrano qualcosa di ancora più profondo se si guarda alla sfera emotiva. Rispetto la popolazione generale, le caratteristiche più apprezzate dell’IA sono che “è sempre disponibile”, che “mi capisce e mi tratta bene” e che “non giudica”. Il 23,9% dei ragazzi dichiara di poter dire all’IA “cose che non direbbe ad amici o famiglia” e il 63,5% dice di aver trovato almeno qualche volta “più soddisfacente il confronto con l’IA rispetto a una persona reale”. Si sta creando un cortocircuito rischioso che spinge le persone a pensare che le macchine abbiano caratteristiche psicologiche come l’empatia.
Dobbiamo dunque chiederci: di che tipo di relazione si tratta, cosa cercano e cosa trovano i giovani nelle conversazioni con un chatbot, in cosa si differenzia da quella umana?
A confermare che non si tratta di un fenomeno accidentale, ma di una direzione di sviluppo consapevolmente perseguita dall’industria delle piattaforme, basta guardare a quanto sta facendo la stessa OpenAI. L’azienda ha annunciato ad ottobre 2025 di aver lavorato con oltre 170 esperti di salute mentale per insegnare al modello a riconoscere più affidabilmente segnali di disagio, rispondere con cura e guidare le persone verso supporto concreto, riducendo le risposte non conformi al comportamento desiderato del 65-80%.
Gli aggiornamenti si concentrano esplicitamente su tre aree — psicosi e mania, autolesionismo e suicidio, dipendenza emotiva dall’IA — e prevedono un sistema di “routing” che instrada automaticamente le conversazioni sensibili verso modelli specifici, configurati per una gestione più attenta di questi scambi. OpenAI stima inoltre che circa lo 0,15% dei suoi 800 milioni di utenti settimanali, ossia circa 1,2 milioni di persone, parli con ChatGPT di suicidio ogni settimana, mentre circa lo 0,07% mostri segnali di possibile psicosi o mania. Numeri che, anche nelle percentuali apparentemente minime, assumono dimensioni impressionanti se riferiti alla popolazione complessiva degli utenti.
Il dato importante, al di là delle cifre, è di natura culturale e progettuale: si sta costruendo un’architettura conversazionale pensata esplicitamente per riconoscere emozioni e accompagnare gli utenti nei momenti di fragilità. La macchina non si limita più a essere un oracolo informativo, ma viene progettata come partner emotivo, come interlocutore in grado di gestire (almeno nelle intenzioni) la sofferenza psichica delle persone. Questa evoluzione, presentata dalle aziende come un doveroso investimento sulla sicurezza, solleva però domande di fondo che la scuola non può eludere.
È davvero auspicabile che il primo luogo in cui un adolescente elabora un dolore sia una chat? Cosa significa delegare a un sistema statistico la funzione di “sostegno emotivo”, per quanto addestrato con il contributo di professionisti della salute mentale? E soprattutto: se le piattaforme investono così tanto nella costruzione di macchine empatiche, non è forse perché sanno che in quello spazio (lo spazio della relazione, dell’ascolto, della cura) si sta aprendo un vuoto che possono occupare su scala industriale?
Se oggi l’intelligenza artificiale viene cercata come interlocutore emotivo, la domanda non è cosa possono fare le macchine, ma cosa abbiamo smesso di fare noi adulti, educatori, genitori. Quanto tempo siamo ancora disposti a sottrarre alla relazione, prima di accorgerci che è proprio lì che si gioca la partita educativa?
La sfida etico-pedagogica dell’intelligenza artificiale
Quali sono i rischi e i pericoli legati alla discriminazione e ai pregiudizi insiti nell’uso di tecnologie di IA a scuola?
In che modo lo sviluppo dell’IA impatta sulla privacy e la sicurezza dei dati sensibili a scuola e quali implicazioni etiche ne conseguiranno?
Qual è il ruolo della trasparenza nell’etica dell’IA e fino a che punto essa può contribuire a sostenere la fiducia in questa tecnologia?
Attraverso un’analisi comparativa di alcuni dei codici etici più solidi, Luciano Floridi (2021) identifica cinque fondamentali principi:
- Beneficenza: nel senso che l’IA deve essere sviluppata per il bene comune dell’umanità e per la sostenibilità del pianeta;
- Non maleficenza: in riferimento alla prevenzione degli usi impropri, come la violazione della privacy o le minacce alla sicurezza;
- Autonomia: ossia trovare un equilibrio tra il potere decisionale che ci riserviamo e quello che deleghiamo alle macchine;
- Giustizia: vale a dire lo sviluppo dell’IA deve promuovere la giustizia e cercare di eliminare tutti i tipi di discriminazione;
- Esplicabilità: sia in senso epistemologico di intelligibilità (come funziona?) sia in quello etico di responsabilità, intesa come accountability (chi è responsabile del modo in cui funziona?).
Analogamente Jobin, Ienca e Vayena (2019) hanno provato a catalogare i principi etici che hanno guidato l’elaborazione delle politiche attuali sull’AI analizzando quasi cento documenti tra linee guida e raccomandazioni. Di essi, quelli che ricorrono più comunemente sono senz’altro i seguenti: trasparenza, giustizia ed equità, non maleficenza, responsabilità e privacy.
Tuttavia, questi principi etici sulle AI si sono soprattutto concentrati sugli adulti, prestando scarsa attenzione all’impatto sui bambini e gli adolescenti (Irwin, Dharamshi, Zon, 2021) e nel campo dell’istruzione (Adams et al., 2023). Nel 2020, l’UNICEF ha esaminato venti strategie nazionali sull’IA, rilevando come la maggior parte di esse menzionasse solo in modo sommario i bambini e le loro specifiche esigenze (UNICEF, 2021). Anche in termini di linee guida sull’etica dell’IA nell’educazione, si riscontra una mancanza di indicazioni, benché le questioni etiche legate all’IA in classe possono essere altrettanto, se non più, critiche di quelle relative all’IA nella società in generale (Luckin, George, Cukurova, 2022).
In questo contesto di scarsa rilevanza assegnata al tema, alcune recenti iniziative suggeriscono che qualcosa si sta muovendo: organizzazioni come l’UNICEF (2021), l’UNESCO (2021a, 2021b) o anche l’Unione Europea (Charisi et al., 2022) invitano a considerare i principi etici dell’IA alla luce delle caratteristiche uniche e dei diritti dei bambini, degli adolescenti e della loro istruzione. In un recente lavoro, Adams e colleghi (2023), sulla base di un’analisi sistematica di alcuni documenti chiave in materia (WEF, 2019; IEAIED, 2021; UNESCO, 2021a, 2021b; UNICEF, 2021; EC DGEYSC, 2022), hanno riletto da questa prospettiva i principi etici sistematizzati da Jobin, Ienca e Vayena (2019) integrandoli con indirizzi di marca più specificamente pedagogica.
Proviamo a pensare al tema dell’automazione nella valutazione scolastica. I processi educativi in contesto formale si concludono sempre con una valutazione dal valore certificativo. In quanto adulti responsabili del processo educativo, dobbiamo essere in grado di spiegare perché una determinata attività dello studente sia stata valutata positivamente: gli studenti hanno diritto a una spiegazione rispetto al giudizio che è stato loro assegnato, tipicamente sotto forma di numero, ossia il voto.
Passando alla giustizia e all’equità, i sistemi educativi devono garantire l’inclusione di tutti gli studenti. L’adozione di tecnologie di IA non deve generare divari tra chi può accedere alle tecnologie e chi no; al contrario, le soluzioni di IA devono essere implementate per accrescere i livelli di equità e ridurre l’esclusione sociale e digitale delle fasce più svantaggiate.
Per quanto riguarda la privacy, il diritto all’oblio viene sottolineato a più riprese a protezione di infanzia e adolescenza, mentre in merito all’autonomia si evidenzia l’importanza di ottenere non solo il consenso genitoriale all’uso di IA in classe, ma anche l’assenso di bambini e adolescenti.
IA a scuola e istituzioni: regolamenti, linee guida e responsabilità
L’adozione delle AI solleva questioni politiche all’interno delle istituzioni scolastiche. Questo perché il sistema scolastico deve sviluppare regolamenti e linee guida specifiche per un uso responsabile delle AI.
Se guardiamo le linee guida del Ministero dell’Istruzione e del Merito (MIM, 2025) pubblicate recentemente, queste si concentrano soprattutto sui possibili usi degli strumenti AI: «favorire la conoscenza circa le opportunità offerte dall’intelligenza artificiale, nonché circa i rischi connessi all’utilizzo della stessa, con l’intento di orientare insegnanti e studenti a un uso attento e consapevole delle nuove tecnologie». Si tratta di una conoscenza che a questo livello sembra essere relegata soprattutto a che cosa si può fare e cosa si rischia di fare con l’intelligenza artificiale. C’è poi anche questa affermazione: «un’istituzione scolastica che adotta strumenti di intelligenza artificiale deve assicurarsi che tutti i soggetti coinvolti possano comprendere in modo chiaro e completo come funzionano i sistemi implementati».
Sappiamo che comprendere in modo chiaro e completo come funzionano gli LLM non è nemmeno possibile a chi progetta questi sistemi, così come sapere le loro implicazioni pratiche, non è affatto ovvio. È un po’ come fare formazione sull’utilizzo dei sismografi senza spiegare i terremoti.
Sta succedendo qualcosa di analogo a quello che nella scuola è successo con l’informatica. Negli anni ‘90 la “patente europea del computer” aveva creato un grande fraintendimento, equiparando l’informatica alla capacità di usare applicativi. Solo nel 2026, per la prima volta, le indicazioni nazionali hanno riconosciuto l’informatica come disciplina scientifica nel primo ciclo, distinguendo finalmente tra competenze digitali (usare gli strumenti) e competenze informatiche (comprendere i principi dell’elaborazione dei dati). Oggi rischiamo lo stesso errore con l’IA.
Ci sono poi questioni più pratiche che investono la didattica e la valutazione scolastica. Ad esempio l’originalità, il plagio, l’autorialità degli studenti, così come la standardizzazione dei metodi di insegnamento dei docenti.
Un altro punto importante – come abbiamo già accennato – riguarderà la privacy e la sicurezza dei dati. L’uso di piattaforme cloud con la didattica a distanza ha sollevato non poche preoccupazioni sulla gestione di dati sensibili a scuola. Eppure la cessione di dati per il perfezionamento degli algoritmi è una componente intrinseca del modello di business di ogni piattaforma.
Infine la sostenibilità economica e ambientale. I costi energetici e ambientali legati alla potenza di calcolo richiesta dagli LLM sono una questione nota ma spesso sottaciuta, che necessita di essere affrontata a livello di progettazione e regolamentazione anche a scuola.
Il passaggio politico fondamentale riguarderà la trasformazione dell’infrastruttura logistica della conoscenza in un servizio universale aperto, a controllo democratico ed ecologico. Il sapere a scuola deve essere restituito alla sua vocazione di bene comune, e le AI devono diventare in questo senso strumenti per lo sviluppo cooperativo e mutualistico (Borroni-Barale, 2025). Se la scuola ha l’obiettivo educativo di formare studenti come cittadini consapevoli, attivi e responsabili, bisogna conoscere questi aspetti. Come propongono altri autori, la postura necessaria di fronte queste nuove tecnologie deve essere allo stesso tempo “etica”, “estetica” e “critica” (Gallese e Rivoltella, 2025).
La dimensione etica significa “responsabilità”. Vuol dire imparare a convivere con le AI conoscendone limiti e potenzialità. La dimensione estetica riguarda l’“arte”, ovvero la capacità di sperimentare con le AI in modo creativo, non stereotipato, originale, come gioco e spazio di emancipazione. La dimensione critica riguarda la capacità di “resistenza”. Resistere non vuol dire rifiutare le AI in blocco, ma anche non consegnarsi passivamente alle logiche economiche, algoritmiche e della piattaforma, sapendo leggere i rapporti di potere nascosti.
Proposte educative per conoscere e utilizzare le AI a scuola
Alla luce delle questioni e dei problemi sopra esposti, come definire una proposta educativa che possa orientare le istituzioni scolastiche nella conoscenza e nell’uso delle AI?
Nel prossimo paragrafo sviluppo alcuni punti centrali su cui sarà necessario investire in termini formativi ed educativi: alfabetizzazione critica, adeguatezza pedagogica, benessere dei docenti, ma anche alcune esperienze sul campo che ci arrivano dalla didattica esperienziale AI4K12 e dalla pedagogia hacker.
Il punto di partenza è un cambio di prospettiva: smettere di considerare l’intelligenza artificiale come un semplice strumento da adottare e iniziare a trattarla come un oggetto culturale complesso da comprendere, interrogare e collocare criticamente all’interno del progetto educativo. Questo significa resistere alla tentazione — oggi molto diffusa nel dibattito pubblico e nelle stesse politiche scolastiche — di ridurre la questione a un problema di aggiornamento tecnico degli insegnanti o di dotazione tecnologica delle scuole. Se la sfida fosse solo questa, basterebbero qualche corso di formazione sull’uso di ChatGPT e l’acquisto di licenze per piattaforme commerciali. Ma la posta in gioco è ben più profonda e riguarda il modo in cui la scuola può continuare a essere un luogo di formazione del pensiero autonomo in un tempo in cui il pensiero rischia di essere progressivamente esternalizzato.
Una proposta educativa credibile deve quindi muoversi su più piani simultaneamente. Sul piano delle conoscenze, occorre che studenti e insegnanti sviluppino una comprensione dei principi di funzionamento dell’IA: cosa sono i modelli linguistici di grandi dimensioni, come vengono addestrati, da dove provengono i dati, quali bias possono contenere, perché “allucinano”, quali sono i loro limiti strutturali. Non si tratta di trasformare tutti in ingegneri informatici, ma di fornire quella grammatica di base senza la quale ogni uso rimane cieco. Sul piano delle competenze, bisogna accompagnare gli studenti nell’acquisizione di capacità di interazione critica con questi sistemi: saper formulare domande efficaci, ma soprattutto saper valutare le risposte, riconoscere gli errori, confrontare le fonti, verificare le informazioni. Sul piano dei valori, è necessario sviluppare una sensibilità etica che consenta di riconoscere le implicazioni sociali, politiche ed ecologiche delle tecnologie che usiamo.
Accanto a questi tre piani, una proposta educativa efficace deve anche tenere insieme due movimenti apparentemente opposti ma in realtà complementari: da un lato rallentare, dall’altro sperimentare. Rallentare significa introdurre momenti di attrito cognitivo nei processi di apprendimento, resistere alla logica dell’efficienza che spinge verso la delega immediata, valorizzare lo sforzo, l’errore, il tempo lungo della comprensione. Sperimentare significa non rinunciare al confronto diretto con queste tecnologie, ma praticarle in contesti protetti e riflessivi, in cui l’interazione con l’IA diventa occasione di riflessione metacognitiva su come si costruisce la conoscenza.
AI Literacy: alfabetizzazione critica all’intelligenza artificiale
Nei paragrafi che seguono vengono approfondite due direzioni di lavoro. La prima riguarda l’AI Literacy, intesa non come addestramento all’uso ma come alfabetizzazione critica capace di includere dimensioni tecniche, sociali ed etiche. La seconda concerne il principio dell’adeguatezza pedagogica, che richiama gli insegnanti alle loro responsabilità educative nell’adozione di strumenti di IA in classe. La terza, infine, presenta alcune esperienze concrete — dall’iniziativa internazionale AI4K12 al progetto EmpAI dell’Università di Torino, fino ai laboratori di pedagogia hacker del Circex — che mostrano come sia possibile, già oggi, costruire percorsi didattici in cui la comprensione precede l’uso e la riflessione accompagna la pratica.
L’intelligenza artificiale (IA) non è più materia da esperti di Computer Science. Capire la grammatica dell’AI diventa perciò cruciale e la scuola può svolgere un ruolo centrale nella promozione di una literacy critica sui processi di automazione delle nostre società.
Si parla di AIL come insegnare di intelligenza artificiale, ovvero l’atto di equipaggiare gli studenti con la conoscenza fondamentale di cosa sia l’IA, come essa funzioni, le sue implicazioni etiche e il suo impatto sulla società. L’AIL rappresenta, quindi, un concetto profondo che trascende la semplice comprensione meccanica dell’IA.
Il cuore dell’AIL risiede nella capacità di navigare, comprendere e interagire in modo critico nel complesso ecosistema dell’IA. Questo ecosistema è costituito da una vasta rete di influenze e interazioni che si intrecciano tra la tecnologia, la società e l’individuo.
Gli studenti, quindi, non solo devono comprendere come funziona un algoritmo, ma anche come questi algoritmi, una volta implementati, possono modellare comportamenti, influenzare decisioni e persino definire norme culturali (Manovich, 2023). Ciò richiede una riflessione critica sulle implicazioni sociali dell’IA, sul modo in cui questa può accentuare o mitigare pregiudizi esistenti, ovvero monitorare e influenzare larghe fasce di popolazione, con le conseguenti potenziali minacce alla privacy.
Cuomo, Biagini, Ranieri (2022) hanno sviluppato un framework dell’AIL basato su quattro dimensioni:
• Comprendere i concetti fondamentali dell’IA, focalizzandosi sulle conoscenze e i costrutti di base.
• Saper utilizzare le tecnologie IA in modo efficace in una varietà di contesti
• Saper comunicare e collaborare in modo consapevole ed efficace con le tecnologie di IA e valutare in modo critico il loro impatto sociale
• Comprendere ed essere consapevoli delle questioni etiche sollevate dallo sviluppo e della diffusione dell’IA, con particolare riferimento a trasparenza e spiegabilità, equità, responsabilità, privacy e sicurezza.
Adeguatezza pedagogica e responsabilità degli insegnanti
Il principio dell’adeguatezza pedagogica richiama l’attenzione degli insegnanti sulle loro responsabilità educative sia nei riguardi della didattica della loro disciplina sia verso la cura e il benessere degli studenti. Pertanto, nell’adozione di applicazioni di IA per la didattica, gli insegnanti devono tener conto di ciò che è appropriato e arricchente per gli studenti nella specifica comunità scolastica di appartenenza.
In concreto, il principio dell’adeguatezza pedagogica può essere declinato in riferimento a una varietà di aspetti, dalla pertinenza di una risorsa curricolare rispetto alla fase di sviluppo di un bambino alla leggibilità o al livello di difficoltà di un testo, alla congruenza di una tecnica o di un approccio didattico in rapporto alla tipologia di compito o al gruppo di studenti in questione. In tutti i casi, le applicazioni educative di IA devono essere adatte alle fasi di sviluppo dei bambini e degli adolescenti, curvando tali tecnologie al modo in cui i bambini apprendono.
Di particolare interesse sono, inoltre, le considerazioni relative al possibile impatto dell’IA sullo sviluppo del senso di efficacia e di agentività. Una IA adattiva potrebbe ridurre il tempo di interazione tra gli studenti, accrescere il numero di decisioni prese dalla macchina e spostare il focus su conoscenze più facili da automatizzare, privando gli studenti dell’opportunità di coltivare la propria ingegnosità, di sviluppare l’autoefficacia e altre competenze critiche fondamentali per il XXI secolo quali l’autoregolazione, la metacognizione, il pensiero critico e il pensiero indipendente (UNESCO, 2021a; 2021b). Pertanto, il principio dell’adeguatezza pedagogica comporta anche un attento bilanciamento rispetto ad altri principi etici dell’IA quali, ad esempio, la libertà e l’autonomia.
L’integrazione di IA all’interno delle piattaforme educative potrebbe favorire il passaggio da una valutazione sommativa, orientata al prodotto piuttosto che al processo formativo, a una valutazione continua dell’apprendimento in grado di monitorare una molteplicità di fattori e valorizzare una più vasta gamma di apprendimenti; il rovescio della medaglia è che all’interno di un ambiente in cui si viene costantemente monitorati e valutati, gli studenti potrebbero sentirsi in difficoltà nell’esporsi durante le lezioni.
A questo proposito, alcuni autori (Perrotta, 2022; Raffaghelli, 2023) evidenziano la necessità di costruire un vero e proprio quadro deontologico per un uso equo, giusto e non discriminatorio dei dati (data justice) in educazione, coinvolgendo la collettività in un dialogo pubblico sugli impatti iniqui delle decisioni algoritmiche. Insegnanti, educatori e dirigenti devono riflettere non solo sull’efficacia didattica e sui risultati di apprendimento, ma anche sulle implicazioni negative che possono compromettere o ridurre lo sviluppo armonico degli studenti in termini morali o sociali (Turkle, 2018), di formazione dell’identità (Clark, 2018) o in riferimento alla salute mentale e all’autonomia cognitiva (Vold, Hernàndez-Orallo, 2021).
Comprensione prima dell’uso: AI4K12, EmpAI e pedagogia hacker
Che la comprensione venga prima dell’uso lo dimostrano le esperienze didattiche più innovative. Tra queste l’iniziativa AI for K12, promossa da diverse associazioni internazionali che definisce cosa insegnare dell’intelligenza artificiale nella scuola primaria e secondaria. K12 è organizzata attorno a cinque grandi idee:
• Le macchine percepiscono il mondo usando sensori.
• Gli agenti conservano rappresentazioni del mondo.
• I computer imparano dai dati.
• Gli agenti interagiscono con gli umani.
• L’intelligenza artificiale ha impatti positivi e negativi.
La prima idea riguarda la percezione: le macchine traducono stimoli del mondo in numeri attraverso sensori. Alla primaria si può partire da giochi sui cinque sensi confrontati con fotocamera e microfono di uno smartphone; alle medie si introduce l’idea di pixel come griglia di numeri, facendo disegnare lettere su carta quadrettata; alle superiori si affrontano sensori complessi come il LIDAR e si discutono i limiti della percezione artificiale in condizioni difficili, aprendo il tema dei bias.
La seconda idea è che gli agenti conservano rappresentazioni del mondo, sempre parziali e semplificate. L’esempio classico alla primaria è la mappa della scuola: scegliere simboli, decidere cosa includere ed escludere. Alle medie si lavora con grafi e alberi decisionali attraverso giochi come la rete di amicizie in classe; alle superiori si introducono rappresentazioni più sofisticate come gli embedding vettoriali, mostrando come le parole possano essere collocate in uno spazio semantico.
La terza idea (probabilmente la più importante per comprendere l’IA contemporanea) è che i computer imparano dai dati anziché da regole esplicite. Alla primaria si possono proporre giochi di classificazione di immagini di cani e gatti, scoprendo quanto sia difficile formulare regole precise. Alle medie strumenti come Teachable Machine consentono di addestrare un modello e osservare concretamente cosa succede con dati sbilanciati, toccando con mano il concetto di bias. Alle superiori si entra nel merito dei diversi paradigmi di apprendimento e si lavora con dataset reali, analizzando criticamente gli errori dei modelli.
La quarta idea riguarda l’interazione uomo-macchina. L’attività più efficace alla primaria è la versione semplificata della stanza cinese di Searle: i bambini manipolano simboli sconosciuti seguendo regole e poi discutono se “avere la risposta giusta” significhi davvero aver compreso. Alle medie si può sperimentare con chatbot semplici e riflettere sui loro limiti, analizzando casi in cui gli assistenti vocali rivelano bias linguistici. Alle superiori si affronta in profondità il funzionamento dei Large Language Models e il problema dell’antropomorfizzazione, particolarmente rilevante tra gli adolescenti.
La quinta idea, infine, è che l’IA ha impatti positivi e negativi sulla società. Alla primaria si parte da esempi vicini all’esperienza dei bambini, come i sistemi di raccomandazione di YouTube. Alle medie si introducono casi di studio su algoritmi discriminatori e deepfake; alle superiori si affrontano i grandi temi del dibattito contemporaneo — AI Act, impatto ambientale, concentrazione di potere, lavoro e automazione — attraverso strumenti come il debate strutturato.
Cosa rende AI4K12 particolarmente prezioso
Ciò che rende AI4K12 particolarmente prezioso è il suo carattere progressivo e trasversale. Le cinque grandi idee non sono un modulo separato da insegnare in un corso dedicato, ma nuclei concettuali che possono attraversare tutte le discipline: scienze, matematica, italiano, storia, educazione civica, arte. Un bambino che disegna la mappa della scuola sta già facendo AI literacy, anche senza saperlo. L’esempio di AI4K12 dimostra due cose fondamentali: che l’intelligenza artificiale può essere insegnata fin da piccoli a patto di partire dai concetti e non dagli strumenti, e che la comprensione non richiede tecnologia sofisticata — molte delle attività più efficaci sono unplugged, si svolgono con carta, matita e corpo. È un modello che contraddice la retorica dominante secondo cui formarsi all’IA significa imparare a usare ChatGPT, e apre invece la strada a una pedagogia della consapevolezza in cui gli studenti non diventano consumatori passivi di tecnologie, ma cittadini capaci di abitarle criticamente.
Il progetto EmpAI: le 4 abilità cognitive necessarie per comprendere l’AI
L’Università di Torino e il Consorzio Interuniversitario per l’informatica (CINI) ha presentato il progetto EmpAI (Baroglio, Capecchi, Parola, 2025), sviluppato insieme al dipartimento di psicologia, che insegna i principi dell’IA fin dalla scuola primaria attraverso attività unplugged (cioè senza dispositivi) e accessibili a tutti. Il loro progetto partiva da una domanda precisa: quali abilità cognitive servono per comprendere l’intelligenza artificiale?
Supportate dalla letteratura psicologica il gruppo di ricerca ne ha individuate quattro:
Distinguere sintassi e semantica
È la capacità di separare la forma di un’informazione dal suo significato. La sintassi riguarda le regole con cui i simboli (parole, numeri, istruzioni) vengono combinati; la semantica riguarda ciò a cui quei simboli si riferiscono nel mondo. Un bambino che riconosce che una frase può essere grammaticalmente corretta ma priva di senso (“Le idee verdi dormono furiosamente”) sta esercitando questa distinzione. È fondamentale per l’IA perché le macchine manipolano simboli seguendo regole sintattiche senza “capirne” il significato come lo intendiamo noi: comprendere questa differenza aiuta a capire cosa un sistema di IA può e non può davvero fare.
Classificare dati
È la capacità di raggruppare oggetti, eventi o informazioni in categorie sulla base di caratteristiche condivise, riconoscendo somiglianze e differenze. Include sia il riconoscere categorie già date (questo è un cane, questo è un gatto) sia il costruirne di nuove in base a criteri scelti. È la base cognitiva del machine learning, in particolare dei problemi di classificazione: un modello impara a etichettare nuovi esempi proprio come un bambino impara a distinguere categorie osservando esempi ripetuti.
Pianificare
È la capacità di costruire mentalmente una sequenza di azioni per raggiungere un obiettivo, anticipando gli stati intermedi e tenendo conto di vincoli e risorse disponibili. Richiede di rappresentarsi il punto di partenza, il punto di arrivo e i passaggi necessari per collegarli. Nell’IA corrisponde all’area dell’automated planning e, più in generale, al funzionamento di agenti che devono decidere quali azioni compiere in sequenza (dai robot ai sistemi che giocano a scacchi).
Adattare il comportamento a un obiettivo (monitoraggio)
È la capacità di tenere sotto controllo l’andamento delle proprie azioni rispetto a uno scopo, accorgendosi quando qualcosa non sta funzionando e modificando di conseguenza la strategia. Non basta avere un piano: bisogna saperlo correggere in corsa. È una componente delle funzioni esecutive e del metacontrollo cognitivo. Nell’IA si ritrova nei sistemi che operano con feedback loop, nell’apprendimento per rinforzo e nei comportamenti adattivi degli agenti intelligenti, dove il sistema modifica le proprie scelte in base ai risultati ottenuti.
Il filo rosso delle quattro abilità è che rappresentano ciò che una mente deve saper fare per riconoscere in una macchina comportamenti che sembrano intelligenti — e per valutarli in modo critico anziché magico.
Altri esempi ci arrivano da Cuomo, Ranieri e Biagini (2025) sull’utilizzo di attività didattiche naturali per imparare l’AI. Un esempio è l’approccio IBL (Inquiry-Based Learning) per usare ChatGPT come palestra del pensiero critico, i problem solving per esplorare meccanismi decisionali, il debate o lo studio di casi singoli. Questi percorsi seguono una fase esperienziale seguita da una riflessione metacognitiva. È esattamente ciò che la letteratura scientifica chiama process-oriented support (Tankelevitch et al., 2025) e che rappresenta il nucleo di ogni intervento educativo efficace con l’IA.
Ci sono poi esperienze sperimentate dal gruppo di Circex (Centro Internazionale per le Convivialità elettriche) e dei laboratori di “pedagogia hacker”. Un percorso pedagogico che cerca di ridurre l’alienazione tecnica e che ci propone di indagare le nostre relazioni con le tecnologie. Non si tratta di un sistema didattico formalizzato ma un insieme di principi e valori che producono una critica strutturale ai paradigmi dell’efficienza educativa (Fant, Milani, 2025).
La pedagogia hacker è un approccio educativo che coniuga l’apprendimento esperienziale (Boud, Cohen & Walker, 1993; Reggio, 2010), l’attitudine hacker, il gioco e un orientamento libero, dove hanno valore i tentativi a vuoto dove l’errore non è un segnale di allarme da correggere, ma il materiale stesso dell’apprendimento.
Per questi motivi, farsi una pedagogia hacker con le AI, significa tener presente:
1) Autorialità generativa supervisionata. Un paradigma in cui l’IA non sostituisce l’umano, ma lo supporta. L’utente resta autore e responsabile dei processi cognitivi, mentre l’IA agisce come un’estensione cognitiva controllata, potenziando la cooperazione e la condivisione.
2) Uso di tecnologie conviviali. Ovvero strumenti che espandono l’autonomia e la socialità di chi li usa invece di renderli dipendenti dai sistemi di chi li produce.
Per la PH si tratta di distinguere tra AI a logica estrattiva (chiusi, profilanti) e AI a vocazione aperta e decentralizzata (ad esempio: free software, motori di ricerca non profilanti, LLM eseguibili in locale, Creative Commons).
A partire dagli aspetti sopra esposti sarà necessario ripensare le AI secondo principi pedagogici solidi. Non si tratta di utilizzare agenti e chatbot AI in maniera generica o come scorciatoie soluzioniste, ma pensare a strumenti che guidino i processi cognitivi, facilitino l’interazione, alternino supporto e sfida, lasciando allo studente la responsabilità delle sue decisioni (Qadir & Mumtaz, 2026).
Quali applicativi AI a scuola?
Se dovessimo orientare docenti e studenti alla conoscenza e all’uso degli LLM a scuola condividiamo una mappa che permette di distinguere tra funzioni dell’apprendimento e applicativi AI con alcuni esempi:
Sistemi di tutoraggio intelligente
Gli studenti possono trarre vantaggio da sistemi di tutoraggio che utilizzano l’IA per rendere possibile un contatto personalizzato e adattato alle proprie esigenze. Tali sistemi analizzano i dati di apprendimento degli studenti, come i risultati dei test e le risposte a esercizi, e ne individuano le aree di forza e debolezza. Inoltre, forniscono feedback su misura, suggerimenti di studio e risorse aggiuntive per aiutare gli studenti a migliorare le loro competenze in modo efficace. Si tratta di sistemi con funzioni “scaffolded cognitive friction” (Xu et al., 2026). Sistemi che si comportano come fossero “antagonisti” perché mettono in discussione le risposte degli studenti; “avvocati del diavolo” che introducano prospettive alternative; “apprendisti ignoranti” che facciano domande ingenue ma destabilizzanti; “tutor socratici” che guidino il ragionamento senza fornire soluzioni.
Monitoraggio continuo degli apprendimenti
L’IA può essere utilizzata con queste finalità durante le attività di apprendimento online o in aula. Attraverso l’analisi dei dati – ad esempio il tempo trascorso su una determinata attività, i modelli di interazione e i progressi raggiunti – è possibile identificare gli studenti che potrebbero essere in difficoltà o che necessitano di un sostegno aggiuntivo. Questa evenienza potrebbe consentire agli insegnanti di intervenire tempestivamente per fornire supporto personalizzato agli studenti in base alle loro esigenze individuali;
Raccomandazioni di contenuti educativi
L’IA può essere utilizzata per proporre allo studente raccomandazioni di contenuti educativi personalizzati. Analizzando i dati sulle prestazioni dei discenti, le preferenze di apprendimento e i risultati dei test, gli algoritmi di raccomandazione possono suggerire materiali aggiuntivi, risorse e attività più consone agli interessi e alle abilità di ciascuno studente, finendo per promuovere un apprendimento più coinvolgente e stimolante, adattato alle esigenze specifiche di ognuno.
Identificazione dei modelli di apprendimento degli studenti
L’AI può analizzare i dati di apprendimento degli allievi per identificare pattern e tendenze nelle loro abitudini di studio. Questo può aiutare gli insegnanti a comprendere meglio le capacità degli studenti e adattare di conseguenza le strategie didattiche. Ad esempio, se l’AI rileva che uno studente impara meglio attraverso l’apprendimento visivo, l’insegnante potrà immaginare supporti individuali diversi: materiali visivi o iniziative di attività più coinvolgenti (videogiochi, lettura di fumetti).
Questi esempi mostrano solo alcune delle molteplici applicazioni dell’AI nell’ambito educativo. In sostanza, si tratta di poter contare su una formazione personalizzata, in grado di tener conto delle differenze personali degli allievi (carattere, attitudine, velocità di apprendimento, vocazione ecc.). Un’IA educativa deve preservare questi aspetti, dando la possibilità agli studenti di commettere errori, di errare nella ricerca, di riprovare senza riuscire. Deve accompagnare senza imporre, suggerire senza decidere, facilitare senza uniformare. Soprattutto, non deve pensare al posto dello studente, ma con lo studente.
Intelligenza artificiale a scuola: conclusioni
Al termine di questo percorso, vale la pena tornare alla domanda da cui siamo partiti: quale impatto avranno le AI nei sistemi educativi? La risposta, come abbiamo visto, non è scritta negli algoritmi né nelle linee guida ministeriali. È scritta, piuttosto, nelle scelte quotidiane che insegnanti, studenti, famiglie e istituzioni compiranno nei prossimi anni. È una risposta che dipende dalla capacità della scuola di non farsi travolgere dall’urgenza tecnologica, ma di riaffermare con forza la propria vocazione originaria: essere il luogo in cui si impara a pensare.
Una buona IA educativa non deve limitarsi a essere utile ed efficiente. Deve essere progettata per sostenere l’autonomia e il pensiero critico dell’utente. Questo significa preservare lo sforzo cognitivo degli studenti, promuoverne la riflessione, sostenerne il benessere emotivo, rispettando le finalità formative della scuola in cui viene impiegata.
Non si tratta di scegliere tra tecnologia e pensiero, ma di progettare tecnologie che facciano vivere il pensiero.
Le applicazioni dell’IA sono strumenti potenzialmente preziosi, a condizione che vengano concepiti come supporti e non come sostituti del lavoro educativo.
C’è però una dimensione ulteriore che nessuna riflessione tecnica può esaurire. L’ingresso dell’IA nella scuola ci obbliga a riscoprire il valore insostituibile della relazione educativa, di quella presenza adulta paziente e attenta che nessun algoritmo potrà mai replicare.
In fondo, la domanda iniziale resta aperta, e forse è giusto così. Nessuna conclusione definitiva può essere scritta su un fenomeno in così rapida trasformazione. Ciò che possiamo fare è attrezzarci — come educatori, come cittadini, come comunità — per abitarlo con consapevolezza.
Bibliografia
Adams, C., Pente, P., Lemermeyer, G., & Rockwell, G. (2023). Ethical principles for artificial intelligence in K-12 education. Computers and Education: Artificial Intelligence, 4, 100131. https://doi.org/10.1016/j.caeai.2023.100131
AI HLEG – High-Level Expert Group on Artificial Intelligence. (2019). Ethics guidelines for trustworthy AI. European Commission. https://digital-strategy.ec.europa.eu/en/policies/expert-group-ai
AI4K12. (s.d.). AI4K12 Initiative. https://ai4k12.org/
Baroglio, C, Capecchi S., Parola C. L’Intelligenza Artificiale? È un gioco! Atti Convegno Nazionale (2021): 84.
Boud, D., Cohen, R., & Walker, D. (Eds.). (1993). Using experience for learning. SRHE and Open University Press.
Borroni Barale, Stefano L’intelligenza inesistente. Un approccio conviviale all’intelligenza artificiale, Altreconomia 2023/2025 (seconda edizione)
Borroni Barale, Stefano and Mattera Rinaldo Hacker pedagogy: an antidote to technical alienation. Educazione Aperta (www.educazioneaperta.it), 16/2024
Illich, I., Tools for conviviality, Calder And Boyars, 1973
Charisi, V., Chaudron, S., Di Gioia, R., Vuorikari, R., Escobar Planas, M., Sanchez Martin, J. I., & Gómez Gutiérrez, E. (2022). Artificial intelligence and the rights of the child: Towards an integrated agenda for research and policy (EUR 31048 EN). Publications Office of the European Union.
Cuomo, S., Biagini, G., & Ranieri, M. (2022). Artificial Intelligence Literacy, che cos’è e come promuoverla. Dall’analisi della letteratura ad una proposta di framework. Media Education, 13(2), 161–172.
Curcio, R. (2022). Il capitalismo cibernetico. Dopo il panopticon, oltre la sorveglianza. Sensibili alle foglie.
DeCew, J. (2018). Privacy. In E. N. Zalta & U. Nodelman (Eds.), The Stanford encyclopedia of philosophy (Spring 2018 ed.). Metaphysics Research Lab, Stanford University. https://plato.stanford.edu/archives/spr2018/entries/privacy/
European Commission, Directorate-General for Education, Youth, Sport and Culture. (2022). Ethical guidelines on the use of artificial intelligence (AI) and data in teaching and learning for educators. Publications Office of the European Union. https://op.europa.eu/en/publication-detail/-/publication/d81a0d54-5348-11ed-92cd-01aa75ed71a1/language-en
Fant, L., & Milani, C. (2025). Pedagogia hacker. Eleuthera.
Favero, L., Pérez-Ortiz, J. A., Käser, T., & Oliver, N. (2026). AI in education beyond learning outcomes: Cognition, agency, emotion, and ethics. arXiv. https://arxiv.org/abs/2602.04598
Floridi, L. (2022). Etica dell’intelligenza artificiale. Sviluppi, opportunità, sfide (M. Durante, Ed.). Raffaello Cortina.
Gallese, V., Moriggi, S., & Rivoltella, P. C. (2025). Oltre la tecnofobia. Il digitale dalle neuroscienze all’educazione. Raffaello Cortina.
Gordon, J. S., & Nyholm, S. (2021). Ethics of artificial intelligence. In Internet Encyclopedia of Philosophy. https://iep.utm.edu/ethics-of-artificial-intelligence/
Högberg, A. (2025). Becoming human in the age of AI: Cognitive co-evolutionary processes. Frontiers in Psychology, 16. https://doi.org/10.3389/fpsyg.2025.1734048
Institute for Ethical AI in Education. (2021). The ethical framework for AI in education. University of Buckingham. https://www.buckingham.ac.uk/wp-content/uploads/2021/03/The-Institute-for-Ethical-AI-in-Education-Annex-Developing-the-Ethical-Framework-for-AI-in-Education-IEAIED.pdf
Irwin, J., Dharamshi, A., & Zon, N. (2021). Children’s privacy in the age of artificial intelligence. Canadian Standards Association.
Jobin, A., Ienca, M., & Vayena, E. (2019). The global landscape of AI ethics guidelines. Nature Machine Intelligence, 1(9), 389–399. https://doi.org/10.1038/s42256-019-0088-2
Kabashkin, I. (2025). Cognitive atrophy paradox of AI–human interaction: From cognitive growth and atrophy to balance. Information, 16(11), 1009. https://doi.org/10.3390/info16111009
Livingstone, S., & Blum-Ross, A. (2020). Parenting for a digital future: How hopes and fears about technology shape children’s lives. Oxford University Press.
Luckin, R., George, K., & Cukurova, M. (2022). AI for school teachers. Routledge.
Manovich, L. (2023). Cultural analytics. L’analisi computazionale della cultura. Raffaello Cortina.
Milani, C. (2022). Tecnologie conviviali. Eleuthera.
Ministero dell’Istruzione e del Merito. (2025). Linee guida per l’introduzione dell’Intelligenza Artificiale nelle Istituzioni scolastiche.
Morozov, Evgeny To save everything, click here: The folly of technological solutionism (PublicAffairs, 2013)
OpenAI. (2025, 27 ottobre). Strengthening ChatGPT’s responses in sensitive conversations. https://openai.com/it-IT/index/strengthening-chatgpt-responses-in-sensitive-conversations/
Park, M. J. (2025). AI as a cognitive collaborator: Assimilation and accommodation in human–machine teaming for innovation. Journal of Innovation & Knowledge. https://www.sciencedirect.com/science/article/pii/S2444569X25002379
Perrotta, C. (2022). Advancing data justice in education: Some suggestions towards a deontological framework. Learning, Media and Technology, 48(2), 187–199.
Qadir, J., & Mumtaz, M. (2026). The psychology of learning from machines: Anthropomorphic AI and the paradox of automation in education. arXiv. https://arxiv.org/abs/2601.06172
Quattrociocchi, W., Capraro, V., & Perc, M. (2025). Epistemological fault lines between human and artificial intelligence. arXiv. https://arxiv.org/abs/2512.19466
Raffaghelli, J. E. (2017). Data literacy in the big and open data society: An educational challenge. Formazione & Insegnamento, 15(3), 279–304.
Reggio, P. (2010). Il quarto sapere: Guida all’apprendimento esperienziale. Carocci.
Ranieri, M., Biagini, G., & Cuomo, S. (2025). AI literacy in higher education: A systematic approach to questionnaire development and validation. International Journal of Digital Literacy and Digital Competence, 16(1), 1–25.
Riva, G. (2024). The architecture of cognitive amplification: Enhanced cognitive scaffolding as a resolution to the comfort-growth paradox in human–AI cognitive integration. Cyberpsychology, Behavior, and Social Networking, 27(12). https://doi.org/10.1089/cyber.2024.87594.ceu
Sajno, E., De Gaspari, S., Pupillo, C., & Riva, G. (2024). CO-XAI — Cognitive decision intelligence framework for explainable AI systems. Cyberpsychology, Behavior, and Social Networking, 27(12). https://doi.org/10.1089/cyber.2024.87594.ceu
Save the Children. (2024). Domani (im)possibili. Indagine nazionale su povertà minorile e aspirazioni.
Save the Children. (2025). Senza filtri. Atlante dell’infanzia (a rischio) in Italia 2025. Bonus Track: Voci di adolescenze.
Selwyn, N. (2004). Reconsidering political and popular understandings of the digital divide. New Media & Society, 6(3), 341–362.
Selwyn, N. (2011). Education and technology: Key issues and debates. Continuum International Publishing Group.
Selwyn, N. (2019). Should robots replace teachers? AI and the future of education. Polity Press.
Selwyn, N., Hillman, T., Eynon, R., Ferreira, G., Knox, J., Macgilchrist, F., & Sancho-Gil, J. M. (2023). Digital technologies and the automation of education – Key questions and concerns. Postdigital Science and Education, 5, 15–24.
Selwyn, N., & Pangrazio, L. (2018). Doing data differently? Developing personal data tactics and strategies amongst young mobile media users. Big Data & Society, 5(1), 1–12.
Tankelevitch, L., et al. (2025). Understanding, protecting, and augmenting human cognition with generative AI [CHI 2025 Workshop synthesis]. arXiv. https://arxiv.org/abs/2508.21036
Turkle, S. (2018, 11 agosto). There will never be an age of artificial intimacy. The New York Times. https://www.nytimes.com/2018/08/11/opinion/there-will-never-be-an-age-of-artificial-intimacy.html
UNESCO. (2021). AI and education: Guidance for policymakers. United Nations Educational, Scientific and Cultural Organization.
UNICEF. (2021). Policy guidance on AI for children. https://www.unicef.org/globalinsight/media/2356/file/UNICEF-Global-Insight-policy-guidance-AI-children-2.0-2021.pdf
Vold, K., & Hernández-Orallo, J. (2021). AI extenders and the ethics of mental health. In F. Jotterand & M. Ienca (Eds.), Artificial intelligence in brain and mental health: Philosophical, ethical & policy issues (pp. 177–202). Springer.
Waelen, R. (2022). Why AI ethics is a critical theory. Philosophy & Technology, 35(9), 1–16.
Westerbeek, H. (2026). How AI is rewiring the human brain: The generational transformation of cognition and knowing. AI & Society. https://doi.org/10.1007/s00146-026-02912-2
World Economic Forum. (2019). Generation AI: Establishing global standards for children and AI. https://www3.weforum.org/docs/WEF_Generation_AI_May_2019_Workshop_Report.pdf
Xu, K., Shen, Y., Yan, L., & Ren, Y. (2026). Cognitive agency surrender: Defending epistemic sovereignty via scaffolded AI friction. arXiv. https://arxiv.org/abs/2603.21735
Editoriale Domani. (s.d.). Società violenta, adulti incoscienti: perché vietare i social ai minori è un’illusione. Editoriale Domani. https://www.editorialedomani.it/fatti/societa-violenta-adulti-incoscienti-perche-vietare-social-minori-illusione-plkm6eax
