💬 NLP

Use of AI Tools: Guidelines to Maintain Academic Integrity in Computing Colleges

Questo articolo presenta un quadro di linee guida pratiche e un modello formale per integrare responsabilmente gli strumenti di intelligenza artificiale nell'insegnamento dell'informatica, bilanciando i benefici pedagogici con la necessità di preservare l'integrità accademica.

Autori originali: Hatem M. El-boghdadi, Toqeer Ali Syed, Ali Akarma, Qamar Wali

Pubblicato 2026-04-14

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Hatem M. El-boghdadi, Toqeer Ali Syed, Ali Akarma, Qamar Wali

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina che le università di informatica siano come grandi cucine dove gli studenti imparano a diventare chef esperti. Per anni, gli studenti hanno dovuto imparare a tagliare le verdure, spezzare le uova e cucinare i piatti da soli, senza aiuti esterni, per dimostrare di saper cucinare.

Poi, all'improvviso, è arrivato un robot cuoco super-intelligente (chiamiamolo "ChatGPT" o "l'AI"). Questo robot può preparare interi menu in pochi secondi, scrivere ricette perfette e persino tagliare le verdure più velocemente di chiunque altro.

Il Problema: Il Robot o lo Chef?

La domanda che si pongono i professori è: "Se gli studenti usano il robot per fare tutto il compito, come possiamo sapere se sono diventati veri chef o se sono solo dei 'comandanti' che premono un pulsante?"

Se gli studenti usano il robot per copiare e incollare senza capire nulla, rischiano di laurearsi senza sapere nemmeno come accendere il fornello. Questo è il rischio per l'integrità accademica (la onestà scolastica).

La Soluzione: Non vietare il robot, ma imparare a usarlo

Gli autori di questo articolo dicono: "Non possiamo vietare il robot, è troppo potente e utile. Invece, dobbiamo cambiare le regole della cucina."

Ecco le loro idee principali, spiegate con metafore:

1. Cambiare il "Menu" (I Compiti)

Invece di chiedere: "Cucina una pizza" (che il robot fa in un secondo), i professori dovrebbero chiedere: "Cucina una pizza usando ingredienti che hai raccolto tu stesso nel giardino di casa tua, e spiegami perché hai scelto quel tipo di pomodoro."

Nella pratica: I compiti devono essere personalizzati, con domande specifiche o dati unici che il robot non può indovinare facilmente.

2. La "Prova del Fuoco" (Colloqui e Difese)

Immagina che lo studente porti a casa il piatto preparato dal robot. Prima di dare il voto, il professore lo chiama in cucina e gli chiede: "Dimmi, perché hai messo questo sale? Se ti togliessi il robot, come lo prepareresti ora?"

Nella pratica: Dopo aver consegnato un compito, lo studente deve fare un breve colloquio o una dimostrazione orale per provare che lui ha capito il lavoro, non solo il robot.

3. Il "Diario di Bordo" (Trasparenza)

Se usi il robot, devi dirlo! È come se uno chef dicesse: "Ho usato il robot per impastare la pizza, ma ho aggiunto io il formaggio e ho deciso la temperatura del forno."

Nella pratica: Gli studenti devono dichiarare esattamente come e dove hanno usato l'AI. Se non lo dicono, è come se avessero rubato il piatto.

4. Il "Robot come Assistente, non come Sostituto"

L'articolo suggerisce di permettere l'uso del robot per le fasi noiose (come scrivere la bozza o trovare idee), ma il voto finale deve basarsi su quanto lo studente ha migliorato quel lavoro.

Nella pratica: Lo studente riceve una bozza dal robot, la corregge, la critica e la rende migliore. Il voto premia il miglioramento umano, non la bozza iniziale del robot.

La Formula Matematica (La "Ricetta Segreta")

Gli autori hanno anche creato una specie di ricetta matematica per calcolare il voto. Immaginala così:

Il voto finale non è solo "quanto è buono il piatto". È una somma di tre cose:

La qualità del piatto finito (40%): Il compito è corretto?
Quanto lo studente l'ha modificato (30%): Ha aggiunto il suo tocco personale o ha solo copiato?
La prova che lo studente sa cucinare (30%): Nel colloquio, ha dimostrato di capire cosa ha fatto?

C'è anche un "Interruttore di Onestà": Se lo studente non dice che ha usato il robot OPPURE se nel colloquio non sa spiegare il lavoro, l'interruttore si spegne e il voto diventa zero, indipendentemente da quanto è buono il piatto.

In Sintesi

Questo articolo ci dice che l'Intelligenza Artificiale nelle scuole di informatica è come un potente motore in una macchina.

Se lo studente si siede e lascia che il motore guidi da solo, non imparerà mai a guidare.
Ma se il professore insegna allo studente a guidare il motore, a controllarlo e a sapere quando usarlo, allora l'AI diventa lo strumento più potente che un futuro ingegnere possa avere.

L'obiettivo non è fermare il progresso, ma assicurarsi che gli studenti diventino veri maestri, non semplici passeggeri.

Titolo del Documento

Uso degli Strumenti di IA: Linee Guida per Mantenere l'Integrità Accademica nei Collegi di Informatica

1. Il Problema

L'adozione rapida di strumenti di Intelligenza Artificiale Generativa (in particolare ChatGPT e modelli simili) ha trasformato le pratiche accademiche nei dipartimenti di informatica. Sebbene questi strumenti offrano vantaggi significativi in termini di efficienza, autoefficacia accademica e comprensione concettuale, il loro utilizzo non regolamentato pone minacce critiche all'integrità accademica.
Il problema centrale identificato dagli autori è la mancanza di linee guida strutturate che permettano di bilanciare i benefici pedagogici dell'IA con la necessità di preservare l'autenticità del lavoro dello studente. L'uso indiscriminato rischia di:

Minare lo sviluppo del pensiero critico e delle capacità di risoluzione dei problemi.
Portare alla sottomissione di lavori generati dall'IA come se fossero opera propria (plagio).
Creare disparità di accesso (equità) tra studenti con accesso a versioni premium e quelli senza.
Rendere obsoleti i metodi di valutazione tradizionali, specialmente nelle discipline computazionali dove l'IA può generare codice o soluzioni complesse istantaneamente.

2. Metodologia

Gli autori adottano un approccio metodologico misto che combina analisi qualitativa e modellazione formale:

Classificazione delle Valutazioni: Il lavoro inizia con una tassonomia delle tecniche di valutazione comuni nei collegi di informatica, distinguendo tra valutazioni in classe (sorvegliate) e fuori classe (non sorvegliate). Vengono analizzati homework, esami a casa, quiz, progetti software, report scritti e presentazioni orali.
Analisi delle Capacità degli Strumenti: Viene effettuata una distinzione tra strumenti basati sul linguaggio naturale (es. ChatGPT) e strumenti orientati al codice (es. GitHub Copilot), mappando le loro capacità specifiche sui rischi di integrità associati a diversi tipi di compiti.
Sviluppo di Linee Guida: Sulla base dell'analisi, vengono formulate linee guida generali e specifiche per ogni tipo di valutazione, focalizzandosi su disclosure (trasparenza), revisione critica e verifica dell'authorship.
Modellazione Matematica Formale: Viene introdotto un modello matematico rigoroso per quantificare il processo di valutazione in presenza di IA, definendo insiemi, funzioni di mappatura e un "flag di integrità" binario.

3. Contributi Chiave

Il paper offre diversi contributi originali per la comunità accademica:

Framework di Linee Guida Strutturato:
- Linee Guida Generali: Inclusione obbligatoria della dichiarazione di utilizzo dell'IA, colloqui post-sottomissione (oral defense), e assegnazioni che richiedono una revisione critica dell'output dell'IA.
- Linee Guida Specifiche per Tipologia:
  - Homework: Domande con parametri specifici e casuali per evitare risposte generiche.
  - Programmazione: Uso di controllo versione (Git), modifiche in classe e spiegazioni orali del codice.
  - Revisioni Letterarie: Richiesta di un report di verifica che analizzi l'accuratezza dei contenuti generati dall'IA.
  - Progetti: Focus sul processo di sviluppo, log di decisione e dimostrazioni orali piuttosto che solo sul prodotto finale.
Modello Matematico di Valutazione:
Gli autori propongono una funzione di voto $G(a)$ $G (a)$ che integra tre componenti ponderate:
1. Qualità della sottomissione dello studente ( $score(S_{ST})$ ).
2. Fattore di raffinamento ( $r$ ), che misura quanto lo studente ha modificato e migliorato l'output dell'IA.
3. Verifica dell'comprensione ( $v$ ), basata su colloqui o esami orali.
  Viene introdotto un Flag di Integrità ( $I(a)$ ) che assume valore 1 solo se l'uso dell'IA è stato dichiarato ( $d(a)=1$ ) E lo studente supera la verifica di comprensione.
Workflow Operativo: Viene illustrato un flusso di lavoro (Figura 2) che integra l'identificazione del compito, l'uso trasparente dell'IA, la sottomissione, la verifica e la valutazione finale.

4. Risultati

Sebbene si tratti di un paper propositivo e non di un esperimento empirico su dati reali, i risultati concettuali sono:

Dimostrazione della Fattibilità: Il modello matematico dimostra che è possibile calcolare un voto equo e un flag di integrità in modo sistematico, anche quando l'IA è utilizzata. L'esempio pratico su un compito di programmazione mostra come un voto finale (0.82) possa essere derivato da una combinazione di qualità del codice, sforzo di raffinamento e successo nella verifica orale.
Riduzione del Rischio di Plagio: Le linee guida specifiche (es. richieste di log di sviluppo, domande specifiche, difesa orale) trasformano l'IA da strumento di sostituzione a strumento di supporto, rendendo difficile la sottomissione di lavoro non compreso.
Adattabilità: Il framework si dimostra flessibile, permettendo agli istruttori di adattare i pesi ( $w_1, w_2, w_3$ ) della funzione di voto in base al tipo di valutazione (es. maggiore peso sulla verifica orale per la programmazione, maggiore peso sulla qualità del testo per i report).

5. Significato e Impatto

Questo lavoro è significativo per l'educazione superiore in informatica per diverse ragioni:

Cambio di Paradigma: Sposta il dibattito dal "divieto totale" dell'IA alla sua integrazione responsabile e guidata. Riconosce che l'uso dell'IA è inevitabile e propone di gestirlo piuttosto che combatterlo.
Preservazione degli Obiettivi Educativi: Garantisce che l'uso della tecnologia non comprometta lo sviluppo delle competenze cognitive fondamentali (pensiero critico, logica, debugging), che rimangono l'obiettivo primario dell'istruzione.
Strumento Pratico per gli Istruttori: Fornisce un kit di strumenti immediatamente applicabile (linee guida, modelli di valutazione, equazioni matematiche) per gli accademici che devono riprogettare i loro corsi nell'era dell'IA generativa.
Equità e Trasparenza: Affronta il problema dell'equità suggerendo valutazioni che non dipendano da strumenti a pagamento e promuovendo la trasparenza attraverso la dichiarazione obbligatoria dell'uso degli strumenti.

In conclusione, il paper offre una soluzione strutturata per mantenere l'integrità accademica nei college di informatica, trasformando la sfida dell'IA in un'opportunità per migliorare i metodi di valutazione e la profondità dell'apprendimento degli studenti.