OpenAI: colmare il divario nella guida sull'AI nell'istruzione richiede più del semplice accesso
OpenAI ha pubblicato nuove linee guida per l'istruzione il 10 novembre, evidenziando una discrepanza: il 79% degli studenti intervistati ha usato l'AI per i compiti, mentre il 47% ha ricevuto indicazioni. Colmare il divario nella guida sull'AI nell'istruzione è la preoccupazione centrale del rapporto, che si basa sulla ricerca di ThinkYoung e sulle partnership regionali di OpenAI. Le sue conclusioni fanno pressione sui responsabili dell'istruzione affinché colleghino l'accesso all'insegnamento, invece di considerare la disponibilità un risultato educativo.
La tensione centrale riguarda la differenza tra completare il lavoro scolastico con assistenza e sviluppare conoscenze che gli studenti possano usare autonomamente. Questi risultati possono sovrapporsi, ma un elaborato convincente non dimostra che il suo autore comprenda la materia. Gli insegnanti affrontano le conseguenze immediate quando il lavoro consegnato diventa più difficile da interpretare.
Guided Learning di Google offre un utile riferimento per il settore: i fornitori descrivono sempre più spesso l'AI educativa attraverso domande, spiegazioni e partecipazione. Il rapporto di OpenAI estende questa discussione alla preparazione degli insegnanti e all'implementazione pubblica. La valutazione più difficile riguarda se tali assetti migliorino l'apprendimento e quali prove le scuole dovrebbero richiedere prima di ampliarli.
OpenAI antepone il divario nella guida all'accesso agli strumenti
Le linee guida per l'istruzione di OpenAI traggono insegnamenti da partnership in Europa, Medio Oriente e Africa. Individuano come priorità la preparazione degli insegnanti, l'adattamento locale, l'alfabetizzazione all'AI e la valutazione. L'azienda presenta queste esperienze come insegnamenti specifici del contesto, con segnali incoraggianti sull'implementazione e questioni irrisolte sull'apprendimento autonomo.
L'annuncio offre ai responsabili dell'istruzione un programma di implementazione senza stabilire un modello universale per la classe.
Questa distinzione rende la pubblicazione più utile di un semplice annuncio di adozione. Una scuola può distribuire account e lasciare comunque gli insegnanti incerti sull'assistenza accettabile. Gli studenti possono diventare utenti frequenti senza sviluppare il giudizio necessario per capire quando una risposta meriti fiducia.
Il rapporto solleva quindi una domanda pratica di responsabilità: chi si assume la responsabilità dell'esperienza educativa dopo che l'accesso è diventato disponibile? I fornitori di tecnologia influenzano il comportamento dei prodotti, mentre le autorità scolastiche stabiliscono le aspettative e gli insegnanti le interpretano nelle diverse materie. Un'iniziativa diventa più difficile da valutare quando queste responsabilità rimangono ambigue.
Anche i dati del sondaggio richiedono un trattamento altrettanto attento. OpenAI attribuisce a ThinkYoung il dato del 79% sull'uso dell'AI per i compiti e quello del 47% sulle indicazioni ricevute. La ricerca sull'istruzione pubblica di ThinkYoung descrive uno studio più ampio che ha coinvolto 5.000 studenti, 600 insegnanti e 12 Paesi della regione.
Tuttavia, il rapporto di accompagnamento di OpenAI descrive il sondaggio citato tra gli studenti come condotto in dieci Paesi europei. Le descrizioni pubbliche differiscono quindi per estensione geografica. I lettori dovrebbero mantenere l'attribuzione invece di presumere che ogni statistica pubblicata descriva un campione identico.
La sottrazione delle percentuali riportate produce una differenza di 32 punti percentuali. Questo calcolo descrive la distanza tra l'uso dichiarato e le indicazioni dichiarate. Non identifica esattamente quali singoli utenti fossero privi di istruzione, perché ciò richiede informazioni sulla sovrapposizione delle risposte.
La differenza non stabilisce neppure perché mancassero indicazioni né se l'istruzione esistente fosse efficace. Mostrare come usare uno strumento può significare qualunque cosa, da una dimostrazione introduttiva a un insegnamento continuativo e specifico per materia. I dati principali pongono una questione che merita di essere indagata, anziché offrire una diagnosi completa.
Per le scuole, l'implicazione è che un lancio necessita di una definizione di successo educativo prima che l'utilizzo diventi la sua misura più visibile. Senza questa definizione, la partecipazione può silenziosamente diventare il risultato che tutti riportano. Lo scopo originario, aiutare gli studenti a comprendere e agire autonomamente, diventa più difficile da valutare.
Questo cambia anche il modo in cui l'annuncio dovrebbe essere letto al di fuori della regione. Le partnership forniscono esempi di scelte istituzionali, anziché un pacchetto che le scuole nordamericane possano copiare senza modifiche. Regole locali di valutazione, assetti del personale e aspettative in classe determinano ancora se l'approccio sia adatto.
La notizia riguarda quindi il modo in cui le istituzioni organizzano l'uso dell'AI attorno all'apprendimento. L'accesso ai prodotti rimane parte di questo lavoro, ma il rapporto indirizza l'attenzione sulle persone e sulle prove che lo circondano.
Gli insegnanti ereditano la pressione di rendere significativo l'uso dell'AI
Le persone che affrontano la pressione più immediata sono gli insegnanti, i dirigenti scolastici e coloro che sono responsabili della valutazione. Devono decidere cosa riveli il lavoro assistito sulla comprensione, mantenendo al contempo aspettative che gli studenti possano seguire. Un'affermazione generica a favore di un'AI responsabile lascia irrisolte queste decisioni in classe.
Il supporto agli insegnanti determina se le linee guida istituzionali diventino una pratica utilizzabile in classe.
Si consideri un ipotetico compito di storia che consente l'AI durante la ricerca preliminare. Uno studente presenta un'argomentazione chiara, ma non sa spiegare perché le sue fonti sostengano la conclusione. L'insegnante ha bisogno di un approccio valutativo che distingua l'assistenza utile dalla comprensione mancante.
Questo problema non può essere risolto semplicemente identificando se l'AI sia comparsa in qualche punto del processo. La questione educativa riguarda quali ragionamenti abbia svolto lo studente e cosa abbia trattenuto. Una dichiarazione di utilizzo aiuta a stabilire trasparenza, ma da sola non risponde a questa domanda.
La stessa distinzione si applica alla matematica. Una spiegazione che aiuta uno studente a risolvere un esercizio può essere utile. Se tale assistenza costruisca una comprensione trasferibile diventa più chiaro quando lo studente affronta un problema diverso senza un supporto equivalente.
Si tratta di scelte valutative tanto quanto di scelte tecnologiche. Gli insegnanti hanno bisogno di margine per specificare l'aiuto accettabile in base allo scopo di un'attività. Un'assistenza appropriata per ripassare un argomento potrebbe compromettere un esercizio progettato per rivelare il ragionamento autonomo.
Il rapporto regionale di OpenAI offre esempi concreti, sebbene il resoconto dell'azienda richieda attribuzione. In Estonia, 794 degli 828 insegnanti intervistati hanno riferito un uso professionale dell'AI. Separatamente, 723 intervistati hanno stimato un risparmio medio settimanale di 1,8 ore.
Questi dati descrivono un'esperienza dichiarata, non riduzioni del carico di lavoro misurate in modo indipendente. Anche così, individuano una possibilità rilevante: gli insegnanti potrebbero guadagnare tempo per attività che richiedono la loro attenzione. Se ciò avvenga dipende da quanto controllo e revisione richieda il materiale generato.
Il rapporto regionale sull'implementazione descrive anche un feedback meno favorevole degli studenti sul tutor ITI dell'Estonia. Gli intervistati hanno riferito domande eccessive, scambi lenti e il desiderio di spiegazioni più chiare. Queste reazioni riguardano quella specifica applicazione e non stabiliscono i suoi effetti sull'apprendimento.
OpenAI descrive l'uso dell'AI in Slovacchia per redigere standard aggiornati per gli insegnanti, sottoposti alla revisione di esperti, illustrando un'altra applicazione amministrativa. Il suo resoconto della Grecia sottolinea una supervisione definita e le responsabilità delle scuole. Questi esempi affrontano problemi istituzionali diversi e non dovrebbero essere trattati come prove intercambiabili.
Nel complesso, gli esempi suggeriscono una distinzione analitica tra risparmiare tempo nella preparazione e migliorare la comprensione degli studenti. Una scuola potrebbe ottenere il primo risultato senza dimostrare il secondo. Riportare entrambi sotto un'unica etichetta di successo nasconderebbe informazioni di cui i decisori hanno bisogno.
La preparazione degli insegnanti comporta anche un costo opportunità. Il tempo dedicato a imparare un sistema entra in competizione con la preparazione, il feedback e altre forme di sviluppo professionale. Un'implementazione dovrebbe quindi considerare con la stessa attenzione il lavoro che crea e quello che mira a ridurre.
Per i responsabili dell'istruzione, la risposta obbligata è organizzativa. Devono collegare le aspettative in classe, il supporto pratico e le decisioni valutative. Lasciare che ogni insegnante risolva autonomamente la stessa incertezza rende difficile la coerenza e indebolisce il valore delle linee guida valide per l'intera istituzione.
Colmare il divario nella guida sull'AI nell'istruzione significa proteggere l'impegno degli studenti
Il conflitto principale che attraversa queste partnership riguarda il rapporto tra assistenza e sforzo intellettuale. L'AI può rendere più facile ottenere informazioni, lasciando però incerto quanto ragionamento svolga chi apprende. La progettazione educativa determina quali parti di un compito restino allo studente.
Un compito completato e una competenza appresa sono risultati diversi, anche quando producono la stessa risposta visibile.
Questa differenza conta perché il lavoro scolastico svolge diversi scopi. Alcune attività sviluppano fluidità attraverso la pratica, mentre altre mettono in luce misconcezioni o verificano il giudizio autonomo. Un sistema che rimuove indiscriminatamente la difficoltà rischia di eliminare proprio il lavoro che un'attività era stata progettata per creare.
Questo non rende la difficoltà preziosa in ogni circostanza. La confusione causata da una spiegazione poco chiara può ostacolare l'apprendimento anziché sostenerlo. La decisione educativa riguarda quali ostacoli aiutino gli studenti a pensare e quali si limitino a impedire loro di progredire.
Per esempio, un ipotetico studente di scienze potrebbe chiedere all'AI di spiegare un termine sconosciuto con un linguaggio più semplice. Questa assistenza può preservare il compito più ampio di valutare le prove. Chiedere al sistema di fornire l'intera valutazione trasferisce una parte maggiore del ragionamento previsto lontano da chi apprende.
La distinzione è contestuale, non assoluta. Una spiegazione utile durante il ripasso potrebbe essere inappropriata durante una valutazione dello stesso concetto. Le scuole hanno quindi bisogno di un linguaggio che descriva lo scopo dell'assistenza, insieme a regole che identifichino quando sia consentita.
L'alfabetizzazione all'AI, ovvero la capacità di valutare capacità, limiti e usi appropriati dell'AI, rientra in questa discussione. Sapere come ottenere una risposta è solo una parte della competenza. Gli studenti devono anche valutarne la rilevanza e riconoscere quando sia necessaria un'ulteriore verifica.
Colmare il divario nella guida sull'AI nell'istruzione richiede quindi attenzione alle decisioni degli studenti, oltre alla familiarità con un'interfaccia. La capacità rilevante include sapere quando chiedere aiuto, quando metterlo in discussione e quando proseguire autonomamente. Questa capacità è difficile da dedurre dalla frequenza d'uso.
Google offre un confronto utile senza modificare il conflitto centrale. Il suo design per l'apprendimento guidato, introdotto nell'agosto 2025, utilizza domande, spiegazioni passo dopo passo e materiali interattivi. Google descrive l'approccio come un incoraggiamento alla partecipazione e a una comprensione più profonda.
Si tratta di un'affermazione sul design del prodotto, non della prova di un apprendimento duraturo nelle classi. La sua rilevanza è che i fornitori riconoscono la distinzione tra fornire una risposta e sostenere il ragionamento. Le scuole hanno comunque bisogno di prove che mostrino come una specifica implementazione funzioni per i propri studenti.
Anche porre domande richiede giudizio. Uno studente privo delle conoscenze di base necessarie potrebbe aver bisogno di una spiegazione diretta prima che un dialogo utile diventi possibile. Solleciti ripetuti a ragionare possono diventare frustranti quando il sistema non ha fornito informazioni sufficienti per iniziare.
Al contrario, una soluzione immediata può risultare soddisfacente, lasciando però poco spazio alla pratica. La soddisfazione verso il prodotto non può quindi risolvere la questione educativa in nessuna delle due direzioni. Un’esperienza può essere piacevole senza generare comprensione, oppure impegnativa senza produrre un apprendimento significativo.
Per gli studenti che gestiscono letture e ricerche, il personal knowledge management offre una prospettiva correlata: mantenere disponibili le fonti facilita la revisione successiva. Il suo valore educativo dipende comunque da come lo studente utilizza tali materiali. Raccogliere informazioni non dimostra comprensione più di quanto lo faccia generare una risposta.
L’implicazione più ampia è che le scuole dovrebbero valutare l’assistenza a livello della singola attività di apprendimento. Chiedersi se l’AI sia in generale positiva o negativa oscura le decisioni realmente importanti. La domanda più utile riguarda quale lavoro intellettuale uno strumento supporti, preservi o assuma su di sé.
La ricerca indipendente mette in discussione la scorciatoia dall’uso all’apprendimento
OpenAI ha un interesse commerciale nell’adozione nell’istruzione, quindi i resoconti delle sue partnership richiedono un esame attento insieme alle evidenze indipendenti. Tale interesse non invalida le esperienze riportate. Rende però essenziali un’attribuzione chiara e la pubblicazione dei risultati sfavorevoli per poterle valutare.
Uso, soddisfazione, risparmio di tempo dichiarato e apprendimento indipendente rispondono a domande diverse.
Un esperimento sul campo in matematica, sottoposto a revisione paritaria, condotto da Hamsa Bastani e colleghi, illustra perché questa distinzione sia importante. Pubblicato su PNAS nel giugno 2025, ha confrontato forme di assistenza AI progettate in modi differenti. Il miglioramento delle prestazioni degli studenti durante la pratica assistita non persisteva necessariamente quando l’accesso veniva rimosso.
Lo studio ha rilevato che un’assistenza senza adeguate protezioni poteva danneggiare le successive prestazioni indipendenti. Un tutor progettato con salvaguardie per l’apprendimento ha in larga misura mitigato tale danno. Questi risultati riguardano uno specifico contesto matematico e non stabiliscono l’esito delle attuali partnership regionali di OpenAI.
Il loro valore analitico risiede nel metodo di valutazione. I ricercatori hanno esaminato ciò che accadeva dopo la scomparsa dell’assistenza, invece di considerare il miglioramento del lavoro assistito una prova sufficiente. Questo rende lo studio direttamente pertinente alle affermazioni secondo cui gli studenti sviluppano competenze da utilizzare in seguito in autonomia.
La lezione per gli acquisti è definire il risultato prima di scegliere una misurazione. Se una scuola desidera rafforzare il ragionamento indipendente, la qualità dei compiti assistiti offre prove incomplete. Se desidera un accesso più semplice alle spiegazioni, l’usabilità diventa più direttamente rilevante, sebbene l’apprendimento richieda comunque un esame separato.
Il direttore dell’istruzione dell’OCSE Andreas Schleicher aggiunge un’altra prospettiva nella sua discussione dell’ottobre 2026 sulle evidenze relative all’apprendimento degli studenti. Descrive relazioni contrastanti tra l’uso dichiarato di chatbot e le prestazioni nelle scienze. Avverte inoltre che tali relazioni non stabiliscono necessariamente una causalità.
Questa cautela è importante in entrambe le direzioni. Gli studenti in difficoltà potrebbero cercare maggiore assistenza AI, facendo apparire l’uso associato a prestazioni più deboli. Anche altre differenze tra gruppi possono complicare i confronti. I modelli osservazionali non possono da soli stabilire ciò che un intervento ha causato.
Schleicher sostiene tuttavia la necessità di linee guida più chiare e di uno sviluppo continuo degli insegnanti. La sua posizione rafforza la questione istituzionale sollevata dal rapporto di OpenAI, attribuendo però maggiore enfasi alla prudenza. La sola disponibilità non risolve se un’applicazione favorisca una particolare attività di apprendimento.
Per i decisori, ciò crea una gerarchia di affermazioni che dovrebbe restare visibile. Un sondaggio tra i partecipanti può descrivere l’utilità percepita. Un confronto controllato può fornire evidenze più solide sull’effetto di un intervento in condizioni specificate. Nessuno dei due dimostra automaticamente benefici duraturi in tutte le materie e popolazioni.
Le evidenze devono inoltre resistere ai cambiamenti del prodotto. Una conclusione relativa a un progetto di tutoraggio non si trasferisce necessariamente a un’interfaccia rivista o a un diverso flusso di lavoro in classe. La valutazione dovrebbe identificare cosa abbiano effettivamente usato gli studenti e come sia stata organizzata l’attività.
Le scuole dovrebbero anche distinguere la qualità di una risposta AI dal suo effetto su chi apprende. Una spiegazione accurata può comunque arrivare troppo presto o sostituire una pratica necessaria. Le prestazioni fattuali di un sistema affrontano quindi solo una parte della sua idoneità educativa.
Colmare il divario nelle linee guida sull’AI nell’istruzione è dunque un problema di evidenze oltre che di formazione. Le scuole hanno bisogno di indicazioni fondate sugli effetti educativi osservati. Una formazione costruita soltanto sulle funzionalità del prodotto rischia di insegnare un uso sicuro di sé senza stabilire quando tale uso favorisca l’apprendimento.
L’implementazione locale determina chi riceve indicazioni utili
L’inquadramento regionale è importante perché l’AI educativa entra in istituzioni con lingue, risorse e aspettative diverse. Un prodotto può comportarsi in modo coerente sul piano tecnico producendo al contempo esperienze molto diverse in classe. Il supporto locale influenza la capacità degli insegnanti di trasformare indicazioni generali in un’attività appropriata.
L’accesso equo a uno strumento non garantisce un accesso equo a un’assistenza educativa utile.
Si considerino due scuole ipotetiche che adottano lo stesso sistema. Una concede agli insegnanti tempo per esaminare insieme i materiali e rivedere i compiti. L’altra fornisce account senza supporto aggiuntivo. Un accesso identico al software nasconderebbe condizioni sostanzialmente diverse per l’apprendimento degli studenti.
La distinzione diventa particolarmente rilevante quando un’attività dipende dall’aiuto esterno alla scuola. Gli studenti differiscono per la disponibilità di guida da parte di adulti e per le condizioni in cui studiano. Una politica istituzionale dovrebbe quindi considerare quale supporto un compito presupponga implicitamente.
La lingua aggiunge un ulteriore livello. Una risposta fluente può comunque usare una terminologia in conflitto con i materiali didattici o spiegare un concetto a un livello inadeguato. Gli insegnanti devono valutare se la spiegazione sia adatta alla materia e allo studente, anziché affidarsi alla fluidità come segnale di qualità.
L’adattamento locale riguarda anche le aspettative di valutazione. Una risposta apparentemente completa potrebbe omettere il ragionamento che un corso richiede agli studenti di mostrare. Senza tale contesto, un sistema può aiutare a produrre un lavoro che sembra accettabile senza sostenere la competenza prevista.
Questi aspetti pongono una questione di carico di lavoro per i responsabili dell’implementazione. Se gli insegnanti devono ripetutamente correggere spiegazioni o riconciliare terminologie in conflitto, l’onere del supporto deve rientrare nella valutazione. Un’affermazione sul tempo risparmiato nella bozza iniziale non tiene conto di ogni compito successivo.
Anche l’affidabilità tecnica ha una dimensione educativa. Un’attività dipendente da account non disponibili o materiali inaccessibili interrompe la lezione indipendentemente dalla qualità del modello. Pianificare i guasti ordinari determina se gli insegnanti possano usare lo strumento con fiducia nel tempo limitato della classe.
Lo stesso principio si applica alle alternative. Quando la partecipazione dipende da una determinata tecnologia, gli studenti necessitano di un percorso praticabile se l’accesso viene meno o l’uso risulta inadeguato. Altrimenti, un’iniziativa di accesso può creare nuove dipendenze all’interno di corsi obbligatori.
Le autorità pubbliche necessitano inoltre di competenze sufficienti per interpretare le evidenze fornite dai fornitori. Senza tale capacità, le decisioni di acquisto rischiano di basarsi su qualunque misurazione sia più facile da produrre per il fornitore. Le priorità educative dovrebbero determinare le domande poste a un prodotto.
Per i fornitori, questo amplia il requisito competitivo. Una dimostrazione curata non risponde alle domande sul supporto agli insegnanti, sulla rilevanza locale o sulla valutazione indipendente. Tali requisiti istituzionali influenzano la capacità di un sistema educativo di fare un uso responsabile della capacità sottostante.
Per i knowledge worker e gli acquirenti aziendali, il modello è abbastanza familiare da risultare utile. L’assistenza può migliorare l’output immediato lasciando incertezza sulle competenze acquisite. Nell’istruzione questa incertezza è particolarmente rilevante perché sviluppare competenze è lo scopo centrale dell’attività.
L’implicazione per i dirigenti scolastici è trattare le condizioni di implementazione come parte dell’intervento. Il risultato di un prodotto non può essere interpretato separatamente dall’insegnamento, dal supporto e dalla valutazione che lo circondano. L’esperienza locale dovrebbe informare le decisioni senza essere elevata a risultato universale.
La prossima fase richiede evidenze oltre l’attivazione degli account
Nel prossimo periodo accademico, i segnali più utili riguarderanno la preparazione degli insegnanti, l’apprendimento indipendente e la capacità di risposta delle istituzioni. Si tratta di priorità di osservazione, non di scadenze di pubblicazione annunciate. Ciascuna verifica una parte diversa dell’argomento a favore dell’espansione dell’AI educativa.
La prossima fase dovrebbe mostrare cosa cambia grazie alle linee guida, chi ne beneficia e cosa fanno le istituzioni quando un approccio non è all’altezza.
Il primo segnale è se la preparazione degli insegnanti produca aspettative utilizzabili in classe. La partecipazione alla formazione dimostra il coinvolgimento, ma lascia incerti i suoi effetti pratici. Evidenze più informative mostrerebbero come gli insegnanti abbiano modificato i compiti, spiegato l’assistenza accettabile e risolto confusioni ricorrenti.
Tali evidenze rafforzerebbero l’argomento secondo cui le linee guida affrontano il divario individuato da OpenAI. Se le scuole ampliano l’accesso mentre gli insegnanti restano incerti sulla valutazione, la fiducia nell’implementazione si indebolirebbe. La distinzione riguarda l’effetto del supporto, non la visibilità del programma di formazione.
La comprensione delle regole da parte degli studenti rientra in questo segnale. Una politica può apparire chiara agli amministratori e rimanere confusa durante un compito reale. Il feedback sull’assistenza consentita rivelerebbe se le intenzioni istituzionali si traducano in decisioni che gli studenti possono prendere.
Il secondo segnale è la prestazione quando un’assistenza comparabile non è disponibile. La valutazione dovrebbe esaminare se gli studenti conservino le conoscenze e le applichino a lavori non familiari. Questi risultati sono più direttamente legati all’apprendimento indipendente rispetto alla qualità di una consegna assistita.
Evidenze di prestazioni indipendenti più forti sosterrebbero l’argomento a favore di un particolare approccio nelle condizioni testate. Miglioramenti limitati al lavoro assistito richiederebbero un’affermazione più circoscritta. Risultati contrastanti dovrebbero portare a distinguere tra attività e studenti, anziché a una dichiarazione media di successo.
Anche la tempistica è importante. Una valutazione immediata risponde a una domanda diversa da una condotta dopo che gli studenti hanno superato la lezione originale. I responsabili dell’istruzione devono sapere quale tipo di risultato un programma stia riportando prima di trarre conclusioni sull’apprendimento duraturo.
Il terzo segnale è se le partnership rispondano con trasparenza al feedback sfavorevole. Segnalazioni di spiegazioni confuse, interrogazioni eccessive o lavoro aggiuntivo per gli insegnanti dovrebbero portare a modifiche verificabili. Pubblicare soltanto esperienze positive renderebbe più difficile capire se le istituzioni stiano apprendendo dall’implementazione.
Una risposta convincente collegherebbe un problema documentato a un adeguamento e a una valutazione successiva. Tale sequenza mostrerebbe come l’esperienza di insegnanti e studenti influenzi il programma. Annunciare un cambiamento senza esaminarne gli effetti lascerebbe irrisolta l’incertezza originaria.
Questi segnali aiutano anche a stabilire dei confini. Un programma può riuscire nel supportare un’attività pur restando inadatto a un’altra. I sistemi educativi devono avere la possibilità di restringere, rivedere o interrompere gli utilizzi quando le evidenze lo giustificano.
Prima di ampliare un’iniziativa educativa sull’AI, chiedetevi cosa gli studenti dovrebbero essere in grado di fare quando l’assistenza non sarà più disponibile. Poi verificate se la preparazione degli insegnanti, le attività in classe e la valutazione perseguono tutte questo obiettivo. Colmare il divario nelle linee guida sull’AI nell’istruzione richiede prove di questi collegamenti, oltre ad accesso e partecipazione. Leggete le lezioni della partnership tenendo presenti le pratiche di valutazione della vostra istituzione e distinguete la comodità riferita dalla comprensione dimostrata. Chiedetevi quale esperienza manca, quali risultati restano non misurati e se le evidenze sfavorevoli possano influenzare la decisione successiva. La domanda più utile per una scuola che sta valutando un ampliamento è concreta: cosa costituirebbe una prova del fatto che gli studenti stanno diventando discenti indipendenti più capaci?



