La polisemia dell’intelligenza artificiale generativa
DOI:
https://doi.org/10.7346/-feis-XXIII-01-25_10Parole chiave:
Intelligenza Artificiale Generativa, LLMs, Educazione, AI Companionship, Didattica della StoriaAbstract
Il seguente articolo si pone l’obbiettivo di introdurre nel panorama pedagogico una critica alla funzione dei modelli di linguaggio come mediatori nelle pratiche relazionali e in quelle didattiche. Verrà esplorata la genesi e la funzionalità dell’intelligenza artificiale generativa e in particolare degli LLMs, Large Language Models, oggi ampiamente utilizzati sia nei luoghi dell’educazione formale che di quella non formale e informale. A seguito di una breve introduzione teorica dei dispositivi, vengono proposti due casi esemplificativi: Humy.AI e Replika. Queste due aziende propongono di utilizzare un “agente relazionale” che, a partire da uno specifico LLM, svolge compiti simili ma in ambiti molto diversi: Humy.AI è sviluppata per implementare la didattica della storia, mentre Replika è un agente relazionale, o AI companion, sviluppato per funzionare come un compagno o compagna virtuale, capace, ad esempio, di ascolto empatico e dialogo non giudicante. La critica si articola sul fatto che, in entrambi i casi, un modello di linguaggio, per il semplice fatto di saper imitare il linguaggio naturale e rispondere efficacemente da un punto di vista sintattico, diventa attore epistemologico e decisore nei processi di crescita di individui in formazione, esattamente come lo è dove si tratta di organizzare quantitativamente determinati processi. Per questo motivo risulta urgente comprendere fin dove – e in che misura – un agente basato su intelligenza artificiale generativa possa essere mediatore in questi processi. Laddove le ricerche empiriche devono individuare con chiarezza i termini di questa rivoluzione, risulta parimenti importante prendere una posizione chiara e non confondere i compiti pedagogici a cui ogni educatore deve rispondere, al fine di evitare un’eccessiva delega ad algoritmi e agenti basati su intelligenza artificiale generativa, come già accade negli ambiti di alcune pratiche specifiche delle risorse umane, nella robotica e nella gestione algoritmica dei luoghi di lavoro.
Riferimenti bibliografici
Aresu, A. (2024). Geopolitica dell’Intelligenza Artificiale. Feltrinelli.
Avital, M., & Te’eni, D. (2009). From generative fit to generative capacity: Exploring an emerging dimension of information systems design and task performance. Information Systems Journal, 19, 345–367. https://doi.org/10.1111/j.1365-2575.2007.00291.x
Bostrom, N. (2014). Superintelligence: Paths, dangers, strategies. Oxford University Press.
Bravo, F. (2024). EU DATA COOPERATIVES. L’ingresso delle cooperative di dati nell’ordinamento europeo. Giappichelli.
Bridle, J. (2022). Ways of being: Beyond human intelligence. Allen Lane.
Buongiorno, F. (2024). Fenomenologia delle reti neurali. Per un concetto polisemico di intelligenza (artificiale). In M. Galletti & S. Zipoli Caiani (Eds.), Filosofia dell’Intelligenza Artificiale. Sfide etiche e teoriche (pp. 45–62). Il Mulino.
Coeckelbergh, M. (2020). AI ethics. MIT Press.
Contini, M., Fabbri, M., & Manuzzi, P. (2006). Non di solo cervello: Educare alle connessioni mente–corpo–significati–contesti. Raffaello Cortina.
Crawford, K. (2021). Atlas of AI: Power, politics, and the planetary costs of artificial intelligence. Yale University Press.
Dario, N. (2014). On the concept of generativity. Formazione & insegnamento, 12(4), 83–94. https://ojs.pensamultimedia.it/index.php/siref/article/view/1613
Dreyfus, H. L. (1972). What computers can’t do. Harper & Row.
Dreyfus, H. L. (1992). What computers still can’t do: A critique of artificial reason. MIT Press.
Esposito, E. (2024). L’intelligenza degli algoritmi. PSICHE, 2, 537–548. https://doi.org/10.7388/115432
Fabbri, M. (2022). Essere insegnanti essere genitori: La competenza comunicativa in educazione. FrancoAngeli.
Gallese, V., & Morelli, N. (2023). Cosa significa essere umani: Dialogo tra neuroscienze e filosofia. Raffaello Cortina.
Gardner, H. E. (2002). Mente e cervello: Nuove prospettive in educazione. In E. Frauenfelder & F. Santoianni (Eds.), Le scienze bioeducative: Prospettive di ricerca (pp. 177–187). Liguori.
Giaccardi, C., & Magatti, M. (2014). Generativi di tutto il mondo, unitevi! Manifesto per la società dei liberi. Feltrinelli.
Kitchin, R. (2014). Big data, new epistemologies and paradigm shifts. Big Data & Society, 1(1). https://doi.org/10.1177/20539517145284
Kurzweil, R. (2005). The singularity is near: When humans transcend biology. Penguin Books.
Ma, Z., Mei, Y., & Su, Z. (2023). Understanding the benefits and challenges of using large language model-based conversational agents for mental well-being support. AMIA Annual Symposium Proceedings, 2023, 1105–1114. https://doi.org/10.48550/arXiv.2307.15810
Maples, B., Cerit, M., & Vishwanath, A. (2024). Loneliness and suicide mitigation for students using GPT-3-enabled chatbots. npj Mental Health Research, 3, 4. https://doi.org/10.1038/s44184-023-00047-6
Margiotta, U. (2019). Editoriale. Responsabilità pedagogica e ricerca educativa: Intelligenza collaborativa, formazione dei talenti e tecnologie dell’artificiale. Formazione & insegnamento, 17(1), 13.
Marriott, H. R., & Pitardi, V. (2024). One is the loneliest number… Two can be as bad as one: The influence of AI friendship apps on users’ well-being and addiction. Psychology & Marketing, 41(1), 86–101. https://doi.org/10.1002/mar.21899
Mitchell, M. (2022). L’intelligenza artificiale. Einaudi.
Moore, P. V. (2019). The mirror for (artificial) intelligence: In whose reflection? Comparative Labor Law & Policy Journal, 41(1), 47–67. https://doi.org/10.2139/ssrn.3423704
Pasquinelli, M. (2023). The eye of the master: A social history of artificial intelligence. Verso Books.
Perrotta, C., Selwyn, N., & Ewin, C. (2024). Artificial intelligence and the affective labour of understanding: The intimate moderation of a language model. New Media & Society, 26(3), 1585–1609. https://doi.org/10.1177/14614448221075296
Rosenblatt, F. (1958). The perceptron: A probabilistic model for information storage and organization in the brain. Psychological Review, 65(6), 386–408. https://doi.org/10.1037/h0042519
Schüll, N. D. (2012). Addiction by design: Machine gambling in Las Vegas. Princeton University Press.
Selwyn, N. (2016). Education and technology: Key issues and debates (2nd ed.). Bloomsbury Academic.
Terranova, T. (2012). Attention, economy and the brain. Culture Machine, 13, 1–19. https://culturemachine.net/wp-content/uploads/2019/01/465-973-1-PB.pdf
Turing, A. M. (1950). Computing machinery and intelligence. Mind, 59(236), 433–460. https://doi.org/10.1093/mind/LIX.236.433
Vallortigara, G. (2023). Il pulcino di Kant. Adelphi.
Varela, F. J., Thompson, E., & Rosch, E. (1991). The embodied mind: Cognitive science and human experience. MIT Press.
Weizenbaum, J. (1976). Computer power and human reason: From judgment to calculation. W. H. Freeman.
Wittrock, M. C. (1990). Generative processes of comprehension. Educational Psychologist, 24, 345–376. https://doi.org/10.1207/s15326985ep2404_2
Zao-Sanders, M. (2025). How people are really using Gen AI in 2025. https://hbr.org/2025/04/how-people-are-really-using-gen-ai-in-2025
Zittrain, J. L. (2006). The generative internet. Harvard Law Review, 119(7), 1974–2040. http://www.jstor.org/stable/4093608
Zuboff, S. (2019). The age of surveillance capitalism: The fight for a human future at the new frontier of power. PublicAffairs.
Pubblicato
Come citare
Fascicolo
Sezione
Categorie
Licenza
Copyright (c) 2025 Giacomo Astorri

TQuesto lavoro è fornito con la licenza Creative Commons Attribuzione 4.0 Internazionale.
Formazione & insegnamento è distribuita con la seguente licenza: Attribution 4.0 International (CC BY 4.0).
Per ulteriori dettagli, si rimanda alle Politiche di archiviazione e ai Termini di Copyright e Licenza.