top of page

La guida dell’Office for Students sulla valutazione dell’AI mette sotto pressione i lavori scritti

37 minuti fa
Tempo di lettura: 12 min
Illustrative photograph. Photo: Matheus Bertelli / Pexels.

L’Office for Students sta sollecitando le università inglesi ad ampliare le valutazioni senza AI, continuando al tempo stesso a insegnare agli studenti come usare l’intelligenza artificiale. Pubblicata l’11 novembre, la guida dell’Office for Students sulla valutazione dell’AI affronta un divario sempre più ampio: un lavoro scritto rifinito non dimostra necessariamente la comprensione di uno studente.

Il conflitto centrale riguarda ciò che un’università può accertare a partire dal lavoro consegnato. Un saggio può soddisfare i criteri di valutazione pur rivelando poco sul ragionamento indipendente del suo autore. Al contrario, l’uso dell’AI durante la preparazione non significa automaticamente che uno studente abbia evitato di apprendere o violato le regole di valutazione.

Un precedente esperimento dell’University of Reading ha evidenziato la difficoltà di identificare elaborati prodotti con l’AI attraverso la normale correzione. L’autorità di regolamentazione inglese attribuisce ora alle istituzioni la responsabilità di progettare valutazioni che attestino i risultati degli studenti. Ciò mette sotto pressione università, fornitori di software per la valutazione e studenti che devono orientarsi tra aspettative incoerenti.

La guida dell’Office for Students sulla valutazione dell’AI punta alle prove dell’apprendimento

L’intervento dell’autorità di regolamentazione mette in discussione le prove alla base di un voto, lasciando al contempo spazio alle valutazioni che consentono l’AI.

L’OfS ha pubblicato la propria ricerca istituzionale sull’AI con Advance HE l’11 novembre. Condotto tra giugno e settembre 2026, il progetto ha coinvolto conversazioni con oltre 300 studenti e membri del personale di più di 120 istituzioni.

I risultati descrivono preoccupazioni riguardo agli incarichi non supervisionati che l’AI può completare senza che gli studenti dimostrino le conoscenze previste. I partecipanti hanno inoltre descritto usi vantaggiosi per lo studio e incertezze sulle politiche di valutazione. Queste testimonianze identificano problemi istituzionali; non stabiliscono un tasso nazionale di imbrogli.

L’espressione ampiamente diffusa “quasi impossibile” riflette la preoccupazione di un membro del personale riguardo alla valutazione degli studenti in alcuni ambiti. Considerare tale affermazione come una conclusione universale eliminerebbe qualificazioni importanti. Il rapporto non stabilisce che ogni saggio sia generato dall’AI né che ogni voto relativo a un lavoro scritto sia privo di valore.

La guida sulla conformità delle valutazioni che accompagna il rapporto spiega come si applichino le condizioni di qualità esistenti. B1 riguarda l’esperienza accademica, B2 affronta risorse e supporto, mentre B4 copre la valutazione e l’affidabilità dei titoli rilasciati.

La guida sostiene le valutazioni protette, ove necessarie. Queste impediscono l’uso dell’AI e includono esami, presentazioni, esami orali, performance e attività pratiche. Consente inoltre l’AI quando la valutazione continua a misurare i risultati di apprendimento previsti.

Questa distinzione modifica la questione istituzionale. Un’università non può risolvere il problema semplicemente dichiarandosi favorevole all’AI o impegnata nell’integrità accademica. Ha bisogno di una spiegazione difendibile di ciò che ogni valutazione stabilisce sullo studente.

Si consideri un compito esemplificativo di economia che chiede agli studenti di valutare una proposta di politica pubblica. Un saggio finale convincente potrebbe mostrare una solida capacità argomentativa oppure riflettere un’assistenza estesa. Senza ulteriori prove, chi valuta si trova nell’incertezza riguardo al contributo dello studente.

Cambiare il carattere, aggiungere una dichiarazione o ricordare agli studenti le condotte scorrette non risolve tale incertezza. Queste misure comunicano le aspettative, ma non migliorano necessariamente le prove a sostegno del voto.

Una valutazione che richiede agli studenti di spiegare le proprie ipotesi crea una base diversa per il giudizio. Il docente può esaminare perché è stato selezionato un modello, quali prove siano rilevanti e come siano state respinte spiegazioni concorrenti.

Il significato pratico della guida dell’Office for Students sulla valutazione dell’AI va quindi oltre il formato di un esame. La sua richiesta centrale è che le istituzioni colleghino il lavoro che valutano alle capacità che dichiarano di certificare.

Questo collegamento spiega anche perché i lavori scritti restano parte della discussione. I progetti estesi possono rivelare ricerca, revisione e ragionamento sostenuto. La sfida consiste nel preservare questi punti di forza, stabilendo al contempo di chi sia la comprensione rappresentata dal lavoro concluso.

Le università devono difendere ciò che i loro voti certificano davvero

La pressione immediata ricade sulle istituzioni che rilasciano titoli, comprese quelle con politiche chiare ma prove deboli dei risultati degli studenti.

L’OfS ha collegato la qualità delle valutazioni alle proprie responsabilità regolatorie. Nel suo annuncio sulla valutazione dell’AI, identifica possibili risposte ai fallimenti istituzionali, comprese condizioni, sanzioni pecuniarie e restrizioni ai finanziamenti.

Si tratta di strumenti regolatori, non di prove che un’università abbia già ricevuto una sanzione a seguito di questo rapporto. La distinzione conta perché un avvertimento stabilisce aspettative senza stabilire un esito sanzionatorio.

Josh Fleming, direttore della strategia e dell’attuazione dell’OfS, ha chiesto un maggiore ricorso alle valutazioni senza AI. Kathryn Harrison-Graves, vicedirettrice generale di Advance HE, ha sottolineato l’importanza di una direzione istituzionale, indicazioni coerenti e risorse per personale e studenti.

Queste posizioni affrontano parti diverse dello stesso problema. La valutazione controllata può rafforzare la fiducia nella prestazione individuale. Il coordinamento istituzionale aiuta a stabilire dove tale approccio sia appropriato e se i dipartimenti possano applicarlo in modo coerente.

Per i dirigenti universitari, la pressione risultante va oltre i team che si occupano di condotta accademica scorretta. La progettazione delle valutazioni incide sul personale, sugli orari di insegnamento, sulla disponibilità delle aule, sull’accessibilità e sul rapporto tra obiettivi del corso e titoli finali.

Un esame orale richiede qualcuno qualificato per porre utili domande di approfondimento. Un’attività pratica richiede condizioni adeguate e una correzione coerente. Un incarico rivisto richiede che i docenti concordino su ciò che costituisce un ragionamento valido.

Si tratta di considerazioni di attuazione, non di costi misurati dal rapporto. Spiegano perché adottare una nuova politica di valutazione sia più semplice che dimostrare che essa funzioni in tutta un’università.

Per i docenti, il cambiamento modifica anche il ruolo della correzione. Leggere una risposta finale resta necessario, ma la fiducia dipende sempre più dalle prove raccolte attorno a quella risposta.

Un docente potrebbe confrontare un progetto con la spiegazione dello studente sulla sua decisione centrale. Un altro potrebbe valutare un’attività applicata durante una sessione supervisionata. Nessuno dei due approcci garantisce l’equità senza criteri adeguati.

Per gli studenti, la prevedibilità diventa essenziale. Un corso che incoraggia l’esplorazione supportata dall’AI durante l’insegnamento deve spiegare i confini relativi al lavoro valutato. Altrimenti, gli studenti devono dedurre le regole da commenti sparsi ed esempi incoerenti.

Questa incertezza crea problemi anche quando tutti intendono conformarsi alle regole. L’assistenza con la grammatica, la scoperta delle fonti, lo sviluppo dell’argomentazione e la redazione completa comporta contributi diversi. Una singola istruzione a usare l’AI in modo responsabile lascia irrisolte tali differenze.

Anche i datori di lavoro hanno interesse nella questione, sebbene il rapporto non stabilisca come cambieranno le pratiche di assunzione. Un titolo comunica un’affermazione sulle capacità di un laureato. L’incertezza nella valutazione indebolisce l’utilità di tale affermazione.

La distinzione rilevante è quella tra produrre un risultato accettabile e possedere il giudizio necessario per valutarlo. Molte attività professionali coinvolgono entrambe le cose. Le università sono sottoposte a pressione per dimostrare quale capacità rappresenti un determinato voto.

Per i fornitori di tecnologia, l’implicazione è simile. Le funzionalità che accelerano la produzione di elaborati non rafforzano automaticamente le prove educative. L’utilità di un prodotto per lo studio e la sua idoneità alla valutazione richiedono giudizi distinti.

La padronanza dell’AI e la competenza indipendente richiedono prove diverse

Uno studente può imparare a lavorare efficacemente con l’AI, pur dovendo ancora dimostrare la propria comprensione senza di essa.

L’apparente contraddizione nella posizione dell’autorità di regolamentazione scompare quando gli obiettivi della valutazione diventano espliciti. Usare uno strumento con competenza e comprendere una materia in modo indipendente sono capacità correlate, ma richiedono prove diverse.

Un corso di programmazione esemplificativo rende concreta tale distinzione. Uno studente potrebbe usare l’AI per suggerire del codice, poi ispezionarne il comportamento e identificare una vulnerabilità di sicurezza. Questo esercizio può valutare il giudizio riguardo all’output generato.

Un’attività separata potrebbe richiedere allo studente di seguire l’esecuzione di un semplice programma senza assistenza. Il suo scopo sarebbe stabilire una comprensione fondamentale. Il successo nell’esercizio assistito dall’AI non stabilirebbe automaticamente il successo nell’attività indipendente.

Nessuna delle due attività deve rappresentare l’intero corso. Insieme, possono rispondere a domande che un programma finale rifinito lascia irrisolte.

Le prove precedenti mostrano perché questa distinzione meriti attenzione. In un esperimento di infiltrazione degli esami del 2024, ricercatori dell’University of Reading hanno inserito risposte generate dall’AI in esami di psicologia di laurea triennale.

L’università ha riferito che il 94% non è stato rilevato e che gli elaborati generati hanno ricevuto in media voti più alti rispetto agli elaborati reali degli studenti. L’esperimento riguardava uno specifico sistema d’esame e un particolare contesto disciplinare.

Non stabilisce un attuale tasso di rilevamento nelle università. Mostra tuttavia perché la normale correzione non possa stabilire automaticamente la paternità del lavoro o la comprensione indipendente.

L’esperimento di Reading e l’intervento dell’OfS affrontano la questione da direzioni diverse. L’esperimento ha verificato se le risposte consegnate avrebbero superato un sistema esistente. L’autorità di regolamentazione chiede alle istituzioni di rendere difendibili i propri sistemi di valutazione.

Questo cambiamento favorisce distinzioni più chiare tra diversi tipi di risultati. Un rapporto assistito dall’AI può dimostrare valutazione, verifica e uso responsabile degli strumenti. Una spiegazione indipendente può stabilire se lo studente comprenda il ragionamento che ne è alla base.

La tensione diventa più acuta quando la valutazione premia l’apparenza della competenza. Una scrittura fluida, riferimenti ordinati e conclusioni sicure possono essere qualità utili. Diventano fuorvianti quando chi valuta le considera prove sufficienti della conoscenza della materia.

Un modello può produrre una spiegazione plausibile che il suo utente non è in grado di difendere. Uno studente può anche produrre una prosa poco elegante pur comprendendo la questione di fondo. La valutazione deve distinguere queste possibilità senza presupporre nessuna delle due.

La stessa distinzione è importante per i lavoratori della conoscenza al di fuori dell’istruzione. Un riepilogo generato dall’AI può aiutare qualcuno a riesaminare le informazioni, ma accettarne la conclusione richiede di verificarne le prove.

Per i lettori che esplorano la gestione della conoscenza personale, il collegamento è pratico: il materiale organizzato sostiene la comprensione quando le persone possono esaminarne le origini e il ragionamento.

Questa osservazione non stabilisce che un particolare software migliori i voti o verifichi l’autorialità. Individua un problema comune allo studio e al lavoro professionale: informazioni accessibili e comprensione affidabile sono risultati distinti.

L’interpretazione più solida dell’approccio del regolatore preserva quindi entrambe le aspettative. I laureati dovrebbero comprendere le proprie discipline e sviluppare capacità di giudizio sull’AI. Un sistema di valutazione dovrebbe rendere visibili tali capacità, anziché ridurle a un unico documento finale.

Il ritorno agli esami lascia aperte domande importanti

Una valutazione più controllata può aumentare la fiducia nella prestazione individuale senza risolvere ogni questione di equità o valore educativo.

Un esame supervisionato limita le opportunità di assistenza esterna. Non dimostra automaticamente che il compito misuri la capacità più pertinente.

Si consideri un ipotetico corso sui metodi di ricerca. Un test a tempo potrebbe valutare se gli studenti riconoscono i punti deboli nel disegno di uno studio. Un progetto prolungato potrebbe mostrare se sanno formulare una domanda e rivedere un approccio.

Entrambe le forme di evidenza possono essere rilevanti. Sostituire interamente il progetto cambierebbe ciò che il corso misura, anche se la sostituzione rendesse più difficile l’uso non autorizzato dell’AI.

Questa è la più forte obiezione scettica a un ampio ritorno agli esami. Le università hanno bisogno di prove che le valutazioni riviste preservino i risultati di apprendimento che intendono certificare.

Sicurezza e validità richiedono quindi un esame separato. La sicurezza riguarda le condizioni in cui uno studente completa il compito. La validità riguarda il fatto che il compito misuri le conoscenze o le competenze previste.

Un’istituzione può rafforzare l’una trascurando l’altra. Un test di memoria strettamente controllato offre prove limitate sulle capacità che richiedono un’indagine estesa. Un ambizioso progetto da svolgere a casa può lasciare incerto il contributo indipendente.

Il problema progettuale consiste nel bilanciare tali limiti. Affermare che gli esami tradizionali risolvano la valutazione dell’AI semplificherebbe eccessivamente il compito. Affermare che l’uso dell’AI sul lavoro renda superflua una valutazione indipendente comporterebbe un salto logico altrettanto non supportato.

L’accessibilità aggiunge un altro vincolo. La guida dell’OfS riconosce adattamenti ragionevoli per gli studenti con disabilità e mette in guardia dall’attribuire un peso sproporzionato ai risultati dei rilevatori di AI.

Queste tutele sono importanti perché né un cambiamento nello stile di scrittura né il punteggio di un rilevatore spiegano come uno studente abbia completato un elaborato. Un’accusa e un giudizio di valutazione richiedono prove appropriate.

Un’università dovrebbe inoltre distinguere tra assistenza e sostituzione. Uno studente che utilizza un supporto consentito mentre sviluppa un’argomentazione si trova in una posizione diversa da chi consegna un lavoro che non sa spiegare.

Il confine dipende in parte dal compito. Un’assistenza accettabile durante la pratica linguistica potrebbe vanificare lo scopo di un’attività progettata per valutare la scrittura senza aiuti. Le regole istituzionali generali necessitano di un significato specifico per ciascuna valutazione.

Esiste anche il rischio di trasferire eccessivamente sugli studenti l’onere della prova. Richiedere registrazioni dettagliate di ogni azione di stesura potrebbe generare documentazione senza dimostrare la comprensione.

Una cronologia completa delle attività richiederebbe comunque un’interpretazione. Potrebbe mostrare che uno studente ha interagito con uno strumento, ma la sola interazione non rivelerebbe se l’apprendimento sia avvenuto.

Sono ragioni per valutare attentamente la riprogettazione, non per preservare ogni elaborato esistente. Le istituzioni devono spiegare il contributo che ciascun componente apporta a un giudizio credibile.

La questione irrisolta è quindi più ampia del semplice ritorno degli esami. La guida dell’Office for Students sulla valutazione dell’AI lascia alle università la responsabilità di dimostrare che la combinazione scelta misuri il rendimento in modo equo.

La sua efficacia dipenderà dalle prove di attuazione. Un regolamento rivisto può indicare aspettative più rigorose; solo il funzionamento della valutazione può mostrare se tali aspettative siano rispettate.

L’adozione da parte degli studenti rende inaffidabili le ipotesi generalizzate

L’uso diffuso dell’AI definisce la portata della sfida valutativa, ma lascia irrisolti la condotta individuale e i risultati di apprendimento.

Il sondaggio HEPI sull’AI tra gli studenti del marzo 2026 offre un contesto utile. Condotto da Savanta nel dicembre 2025, ha raccolto risposte da 1.054 studenti universitari britannici a tempo pieno.

Il sondaggio ha rilevato che il 95% ha dichiarato di usare l’AI in qualche modo, mentre il 94% ha dichiarato di usare l’AI generativa per svolgere lavori valutati. Separatamente, il 12% ha dichiarato di includere direttamente testo generato dall’AI in lavori valutati.

Queste categorie misurano comportamenti diversi. L’assistenza nei lavori valutati comprende più attività dell’inserimento di testo generato. Nessuno dei due dati, da solo, dimostra una condotta scorretta secondo le regole istituzionali dello studente.

Il sondaggio ha inoltre rilevato che il 65% ha affermato che la valutazione è cambiata significativamente in risposta all’AI. Fornisce quindi un contesto per l’adattamento istituzionale già in corso, accanto alle preoccupazioni sollevate nella ricerca di novembre.

Questi risultati mettono in discussione una semplice divisione tra utilizzatori dell’AI e studenti indipendenti. Uno studente può usare l’AI impegnandosi profondamente con il materiale. Un altro può usare strumenti simili per evitare di confrontarsi con esso.

La differenza educativa risiede nel lavoro che lo studente continua a svolgere. Chiedere una spiegazione può avviare un’indagine produttiva. Accettare la spiegazione senza verificarla può interrompere prematuramente tale indagine.

Un ipotetico compito di storia mostra come azioni simili possano produrre esiti diversi. Uno studente potrebbe chiedere all’AI di suggerire interpretazioni, quindi confrontarle con documenti primari.

Un altro studente potrebbe presentare l’interpretazione suggerita senza esaminarne le prove. L’interazione iniziale con lo strumento appare simile, ma la base risultante per un voto è diversa.

Ecco perché le statistiche sull’adozione non possono risolvere la progettazione della valutazione. Indicano quanto ampiamente le istituzioni incontrino l’AI, ma offrono informazioni limitate su ciò che un particolare studente ha appreso.

La stessa cautela si applica alle segnalazioni di compagni che completano rapidamente gli elaborati. Tali resoconti individuano una preoccupazione credibile che merita indagine. Non misurano con quale frequenza il comportamento si verifichi nell’intero settore.

Le istituzioni hanno quindi bisogno di prove provenienti dai propri corsi. Dove le risposte consegnate lasciano incerta la comprensione? Quali componenti della valutazione risolvono tale incertezza? Quali modifiche preservano utili opportunità di ricerca e revisione?

Queste domande sono importanti anche per la valutazione dei prodotti di AI. Un fornitore potrebbe dimostrare che il proprio software genera domande di studio o riassume documenti. Tale dimostrazione non stabilirebbe un miglioramento della prestazione indipendente.

Gli acquirenti nel settore educativo dovrebbero distinguere l’attività del prodotto dal risultato educativo. L’uso frequente, risultati attraenti e la soddisfazione degli studenti possono informare le decisioni, ma rispondono a domande diverse dall’apprendimento dimostrato.

Per gli studenti, l’implicazione pratica è un rapporto più chiaro tra preparazione e dimostrazione. L’AI può partecipare alla preparazione dove consentito. La valutazione deve comunque accertare le capacità che il corso promette di sviluppare.

Per le università, ciò significa abbandonare le ipotesi generalizzate in entrambe le direzioni. L’uso diffuso non dimostra una diffusione generalizzata del cheating, e una politica favorevole all’AI non dimostra che la valutazione rimanga credibile.

Monitorare i cambiamenti nelle valutazioni, le prove normative e il supporto al personale

Il prossimo banco di prova è se le università riescano a dimostrare che le valutazioni riprogettate rendono l’apprendimento più chiaro rispetto agli assetti precedenti.

Nei prossimi mesi, il primo segnale da osservare è il cambiamento specifico della valutazione. Le istituzioni dovrebbero descrivere quali compiti richiedono una prestazione indipendente, quali consentono l’AI e cosa stabilisce ciascun componente.

Un annuncio generale sull’AI responsabile fornirebbe prove limitate di progresso. Elaborati rivisti, criteri chiari e spiegazioni della loro finalità offrirebbero una base di giudizio più solida.

Questo segnale rafforzerebbe il caso di un adattamento efficace se le università preservassero attività significative affrontando al contempo l’incertezza sul contributo degli studenti. Un semplice aumento degli esami lascerebbe aperta la questione educativa.

Il secondo segnale riguarda il modo in cui il regolatore valuta le prove istituzionali. I suoi prossimi passi normativi pubblicati affermano che utilizzerà gli strumenti esistenti anziché introdurre nuove regolamentazioni.

L’OfS identifica inoltre aspettative nell’ambito di un futuro approccio alla qualità proposto. Tali aspettative dovrebbero rimanere distinte da un calendario definitivo di attuazione o da un accertamento di applicazione annunciato.

Occorre osservare esempi più chiari di ciò che costituisce una prova adeguata. Le istituzioni devono comprendere come le valutazioni dimostrino il rendimento, anziché dedurre la conformità dal fatto che un particolare formato appaia tradizionale.

Un esame basato sulle prove rafforzerebbe l’intervento. Un’enfasi su restrizioni visibili senza esaminare l’apprendimento indebolirebbe l’argomento secondo cui i cambiamenti proteggono la qualità delle qualifiche.

Il terzo segnale è il supporto pratico al personale. Advance HE ha annunciato una Change Academy incentrata sull’AI per le istituzioni membri all’inizio del 2027.

La sua rilevanza dipenderà dal fatto che la pianificazione istituzionale raggiunga la progettazione dei corsi e la pratica didattica. I principi condivisi diventano utili quando i docenti possono applicarli a elaborati reali e spiegarli agli studenti.

Il supporto dovrebbe inoltre collegare le aspettative all’interno di un corso. Gli studenti devono comprendere perché l’assistenza sia incoraggiata in un compito e limitata in un altro. La coerenza deriva da uno scopo educativo chiaro, anziché da regole identiche ovunque.

La guida dell’Office for Students sulla valutazione dell’AI merita attenzione perché collega la politica sull’AI alla credibilità dei voti. Il suo successo resta una questione empirica: le valutazioni riviste forniscono prove migliori del rendimento degli studenti?

Per studenti, docenti e acquirenti del settore educativo, il passo successivo è esaminare i dettagli della valutazione dietro gli annunci. Chiedersi cosa un compito stabilisca in modo indipendente, cosa stabilisca con assistenza e come tali giudizi si colleghino.

Preservare distinzioni utili leggendo statistiche sull’adozione o valutando nuovi strumenti. L’assistenza dell’AI, le consegne generate, la condotta scorretta e l’apprendimento debole descrivono cose diverse. Una risposta credibile necessita di prove su ciascuna.

Mentre le università rivedono i propri approcci, leggere le regole degli elaborati insieme ai criteri di valutazione. Che cosa deve comprendere lo studente abbastanza bene da poter spiegare, verificare o svolgere, e dove la valutazione lo dimostra effettivamente?

 
 

Inizia gratis

Un assistente IA local-first con gestione della conoscenza personale

Per una migliore esperienza con l’IA,

al momento remio supporta solo Windows 10+ (x64) e M-Chip Macs.

Il tuo partner AI al lavoro
Fai di più con remio

Pianifica. Crea. Consegna.
Tutto in un unico posto.

bottom of page