L’intelligenza artificiale generativa sta modificando in profondità il modo in cui studenti e docenti cercano informazioni, producono contenuti, interpretano dati, costruiscono conoscenza e prendono decisioni. In questo scenario, la data literacy non può più essere considerata una competenza tecnica riservata a pochi ambiti disciplinari. Diventa, invece, una componente essenziale della cittadinanza digitale, della media literacy, dell’AI literacy e dell’educazione critica alla partecipazione democratica.
Il progetto europeo AI-DL – Data Literacy in the Age of AI for Education nasce per rispondere a questa trasformazione. L’iniziativa sostiene le scuole secondarie nello sviluppo di competenze che permettano a docenti e studenti di comprendere, valutare e utilizzare i dati in modo consapevole nell’età dell’IA generativa. Il punto di partenza è chiaro: l’IA generativa non introduce soltanto nuovi strumenti, ma modifica il significato stesso di “dato”, il modo in cui i dati vengono prodotti, trasformati, interpretati e comunicati.
Il progetto si colloca nella continuità dell’esperienza AI4T, ma sviluppa un focus più specifico sulla relazione tra dati, IA generativa e processi educativi. Non si tratta solo di formare gli insegnanti all’uso di applicazioni basate sull’intelligenza artificiale, ma di costruire una cultura scolastica capace di interrogare criticamente i dati, gli output generati dai sistemi artificiali, i modelli che li producono e le implicazioni etiche, sociali e civiche del loro impiego.
Uno degli elementi centrali del progetto è l’AI-DL Framework for Teachers and Schools, Version 1.0, sviluppato nell’ambito del Work Package 2 – Diagnosis. Il framework rappresenta una prima architettura concettuale per ripensare la data literacy nell’età dell’IA generativa. Non viene proposto come un modello prescrittivo di competenze, né come una griglia chiusa di livelli di padronanza. È definito piuttosto come uno strumento flessibile, trasversale alle discipline, utile per sostenere il dialogo professionale tra docenti, la riflessione nelle scuole e la progettazione di pratiche didattiche più consapevoli.
Questo aspetto è particolarmente rilevante. Molti framework educativi hanno la funzione di ordinare competenze, livelli, descrittori e risultati di apprendimento. L’AI-DL Framework assume invece una funzione diversa: aiuta le scuole a “pensare” la complessità della data literacy in un contesto in cui i sistemi generativi producono testi, immagini, sintesi, analisi, simulazioni e visualizzazioni che possono apparire plausibili, ma non sono necessariamente accurati, verificati o trasparenti. Il framework non sostituisce DigComp, DigCompEdu o altri quadri europei e internazionali; può essere usato in dialogo con essi, soprattutto per approfondire le competenze relative alla ricerca, valutazione e gestione delle informazioni e dei dati.
La versione 1.0 del framework è organizzata in quattro aree interconnesse. La prima area, Foundations of Data in the GenAI Era, riguarda i concetti fondamentali sui dati nell’età dell’IA generativa. Gli studenti devono imparare a distinguere tra dati osservati e dati generati, a comprendere come i sistemi di IA possano trasformare, combinare o ricostruire informazioni, e a valutare l’impatto di formati e rappresentazioni sulla qualità dell’interpretazione. In questa area rientrano anche la provenienza dei dati, la tracciabilità, le condizioni di riuso, il valore personale, sociale ed economico dei dati, nonché i rischi legati alla loro esposizione e persistenza.
La seconda area, Critical Evaluation of Data, Models, and GenAI, introduce il nucleo critico del framework. Qui l’attenzione si concentra sulla capacità di valutare qualità, affidabilità, rilevanza e coerenza delle informazioni prodotte da esseri umani o da sistemi generativi. Gli studenti devono essere guidati a riconoscere contenuti fuorvianti, fabbricati o superficialmente plausibili, a individuare bias, stereotipi, rischi per la privacy e interpretazioni non fondate su evidenze. Questa area è decisiva per contrastare l’affidamento ingenuo all’automazione e per sviluppare un atteggiamento di verifica, confronto e controllo critico degli output dell’IA.
La terza area, Human–GenAI Co-Production, Exploration, and Sense-Making, propone una visione dell’IA generativa non come sostituto del pensiero umano, ma come possibile partner cognitivo da utilizzare in modo intenzionale, documentato e trasparente. In questa prospettiva, studenti e docenti possono usare strumenti di IA per creare, pulire, arricchire o trasformare dataset, esplorare dati, generare ipotesi, produrre visualizzazioni e affrontare problemi complessi. Tuttavia, il processo deve restare guidato da obiettivi chiari, vincoli espliciti, documentazione delle fonti, controllo umano e consapevolezza dei limiti del sistema. L’IA non decide al posto dello studente: può sostenere l’esplorazione, ma non sostituire la comprensione.
La quarta area, Communication, Ethics, and Civic Participation in Hybrid Systems, estende la data literacy oltre l’analisi tecnica. Comunicare dati e interpretazioni significa esplicitare il ruolo dell’IA, rappresentare l’incertezza, adattare il messaggio ai destinatari e rendere trasparenti i processi di verifica. Questa area collega dati e IA alla giustizia sociale, alla partecipazione civica e alla capacità di riconoscere effetti discriminatori o diseguali prodotti da sistemi data-driven. In questo senso, la data literacy diventa una competenza democratica: permette agli studenti di comprendere come dati e algoritmi influenzino opportunità, rappresentazioni, decisioni e forme di partecipazione collettiva.
Il framework individua undici competenze distribuite nelle quattro aree. Esse riguardano il riconoscimento dei tipi di dati e delle trasformazioni operate dall’IA generativa; la valutazione della provenienza, tracciabilità e riutilizzabilità dei dati; la comprensione del loro valore e della loro vulnerabilità; la valutazione critica delle fonti informative umane e artificiali; l’analisi di bias, stereotipi e rischi; il confronto tra ragionamento umano e ragionamento supportato dall’IA; la co-produzione di dati e output; l’esplorazione, analisi e visualizzazione con strumenti generativi; l’integrazione tra giudizio umano e supporto dell’IA nei processi decisionali; la comunicazione trasparente e responsabile; la partecipazione civica in società guidate da dati e sistemi artificiali.
La forza dell’AI-DL Framework sta nella sua natura educativa e non meramente tecnologica. Esso invita le scuole a lavorare non solo sugli strumenti, ma sulle domande: da dove provengono i dati? Chi li ha raccolti? Con quali finalità? Quali trasformazioni ha operato il sistema di IA? L’output è verificabile? Quali bias può contenere? Quali rischi emergono per privacy, equità e partecipazione? Come rendere visibile il contributo dell’IA in un prodotto finale?
AI-DL assume quindi una posizione particolarmente rilevante per la scuola europea: usare l’arrivo dell’IA generativa come occasione per rafforzare il pensiero critico, la cultura dei dati e la responsabilità civica. La sfida non è introdurre l’IA in classe in modo episodico, ma costruire condizioni affinché studenti e docenti possano comprenderla, discuterla, governarla e usarla in modo etico, critico e documentato.
In un’epoca in cui dati e sistemi generativi influenzano conoscenza, informazione, comunicazione e decisioni, il progetto AI-DL propone una direzione chiara: formare cittadini capaci di leggere i dati, interrogare l’IA e partecipare consapevolmente a società sempre più ibride, nelle quali umano e artificiale concorrono alla produzione di significato.
https://www.aidlproject.eu/ai-dl-framework-for-teachers-and-schools-version-1-0/