Gender Differences in AI Literacy Workshop Outcomes and Deepfake Engagement

Sintesi Tecnica: Differenze di Genere negli Esiti dei Workshop di Alfabetizzazione all'IA e Coinvolgimento nei Deepfake

Problematica
Mentre le iniziative di alfabetizzazione all'Intelligenza Artificiale (IA) si stanno espandendo nell'istruzione K–12, esiste una lacuna critica nella comprensione di come il genere influenzi la percezione di base degli studenti, l'uso degli strumenti e la reattività agli interventi. Sebbene le disparità di genere nell'educazione informatica siano ben documentate, le prove empiriche riguardanti le differenze di genere nell'alfabetizzazione all'IA tra gli studenti delle scuole secondarie rimangono scarse. Inoltre, l'ascesa rapida dei media sintetici (deepfake) introduce rischi di sicurezza differenziati per genere, eppure l'intersezione tra l'educazione all'alfabetizzazione all'IA e la consapevolezza dei deepfake ha ricevuto un'attenzione empirica limitata. Gli framework esistenti spesso affrontano cosa gli studenti dovrebbero sapere, ma non riescono ad analizzare chi beneficia di questi interventi o se le strategie siano efficaci tra diversi gruppi demografici.

Metodologia
Questo studio ha valutato l'impatto di un workshop di un giorno sull'alfabetizzazione all'IA (parte del programma "Day of AI") su studenti australiani di scuole secondarie di due scuole governative coeducative nel Nuovo Galles del Sud.

• Partecipanti: Lo studio ha incluso studenti delle classi 7, 8 e 10 ($N_{pre} = 199$, $n_{post} = 136$). Le scuole mono-genere e la classe 9 sono state escluse per evitare variabili confondenti. Le risposte relative al genere non binario o non dichiarato sono state escluse a causa di un campione insufficiente ($n \le 9$).
• Strumento: Un sondaggio adattato da lavori precedenti ha misurato nove costrutti: conoscenza dell'IA, comprensione dell'addestramento e dei bias dell'IA, atteggiamenti, fiducia, frequenza d'uso degli strumenti, applicazione concettuale, motivazioni, esperienza con i deepfake (selezione multipla) e interesse per le carriere STEM.
• Analisi: Le analisi statistiche hanno controllato il livello scolastico e la scuola.
  • Item ordinali (scale Likert): Analizzati utilizzando la regressione Ordinary Least Squares (OLS) con il genere codificato come variabile dummy (Maschio come riferimento). Le dimensioni dell'effetto sono state calcolate tramite il $d$ di Cohen.
  • Item binari/a selezione multipla: Analizzati utilizzando la regressione logistica, riportando gli Odds Ratio (OR) per il coefficiente di genere.
  • Effetti dell'intervento: I confronti pre- e post-intervento sono stati condotti all'interno dei gruppi di genere utilizzando un modello outcome di $\sim fase + livello\_scolastico + scuola$.

Risultati Chiave

1. Differenze di Genere Baseline (Pre-Workshop)

• Aspirazioni STEM: Gli studenti maschi hanno riportato un interesse significativamente maggiore per le carriere STEM in tutti e tre i domini: Ingegneria ($d = -0,81$), Informatica ($d = -0,68$) e IA ($d = -0,58$).
• Comprensione dell'IA: I maschi hanno riportato una comprensione auto-valutata significativamente più alta di come vengono addestrati i sistemi di IA ($d = -0,29$).
• Uso degli Strumenti: Le studentesse sono state significativamente più propense a usare l'IA per il lavoro scolastico (OR = 1,81) e a cercare consigli dagli strumenti di IA (OR = 2,35). I maschi hanno riportato un uso più frequente di Microsoft Copilot.
• Comportamenti legati ai Deepfake: I maschi sono stati significativamente più propensi a condividere contenuti deepfake (23,2% vs 10,0%, OR = 0,34). Le femmine sono state significativamente più propense a segnalare contenuti deepfake (24,0% vs 14,1%, OR = 2,14). Le tendenze suggerivano che i maschi fossero più propensi a creare deepfake o a esserne soggetti, sebbene questi dati non fossero statisticamente significativi dopo il controllo delle covariate.
• Nessuna Differenza Significativa: Non sono state trovate differenze baseline nella conoscenza generale dell'IA, nella fiducia, nella consapevolezza della privacy o nella comprensione dei bias dell'IA.

2. Effetti Differenziali dell'Intervento (Post-Workshop)

• Guadagni Generali: Entrambi i generi hanno mostrato miglioramenti statisticamente significativi nella conoscenza dell'IA e nella fiducia (dimensioni dell'effetto medie per entrambi).
• Guadagni Specifici delle Femmine: Le studentesse hanno dimostrato un profilo di guadagni più ricco, inclusi miglioramenti di media entità nella comprensione dell'addestramento dell'IA ($d = 0,75$) e dei bias dell'IA ($d = 0,49$). Fondamentalmente, le femmine hanno mostrato aumenti significativi nell'interesse professionale per l'IA ($\Delta M = +0,45$, $d = 0,52$) e l'Informatica ($\Delta M = +0,44$, $d = 0,47$).
• Risultati Specifici dei Maschi: Gli studenti maschi non hanno mostrato cambiamenti significativi nelle aspirazioni di carriera per l'IA o l'Informatica.
• Riconoscimento delle Piattaforme: Entrambi i generi sono migliorati nell'identificare l'uso dell'IA nelle piattaforme di intrattenimento (Netflix, Spotify), con le femmine che hanno mostrato guadagni anche nell'identificazione di TikTok.

Contributi Chiave e Rivendicazioni di Significatività
Gli autori sostengono di fornire la prima analisi disaggregata per genere di un workshop di alfabetizzazione all'IA con studenti australiani delle scuole secondarie. La significatività dello studio risiede in tre aree primarie:

1. Riduzione del Gap di Genere nelle STEM: Il workshop sembra aiutare a ridurre il divario di genere nelle aspirazioni STEM. Mentre i maschi partivano con un interesse maggiore, il loro interesse è rimasto statico post-intervento, mentre le femmine hanno mostrato guadagni significativi nell'interesse professionale per l'IA e l'informatica.
2. Risultati Sensibili al Genere: L'intervento ha prodotto risultati differenziati per genere. Mentre entrambi i generi hanno guadagnato in termini di conoscenza e fiducia, le femmine hanno ottenuto guadagni concettuali più ampi (addestramento, bias) e cambiamenti nella traiettoria professionale.
3. Implicazioni per la Sicurezza dei Deepfake: I risultati evidenziano modelli comportamentali distinti riguardo ai media sintetici. Il tasso più elevato di condivisione e la potenziale creazione di deepfake tra i maschi suggerisce la necessità di un'educazione alla sicurezza mirata, focalizzata sulla diffusione etica dei media sintetici per gli studenti maschi.

Limitazioni e Raccomandazioni
Gli autori rilevano limitazioni, tra cui la restrizione a due scuole regionali (che limita la generalizzabilità), il design del sondaggio anonimo che impedisce analisi individuali accoppiate e il potenziale bias di auto-segnalazione.

Sulla base di questi risultati, il documento propone tre raccomandazioni specifiche per la progettazione di programmi di alfabetizzazione all'IA:

1. Sfruttare i workshop specificamente per aumentare l'interesse professionale femminile nelle discipline STEM.
2. Incorporare moduli di sicurezza sui deepfake specifici per genere, mirando in particolare agli studenti maschi.
3. Assicurarsi che le valutazioni dei workshop monitorino esplicitamente l'equità dell'impatto in base al genere.