🧬 biology

Learning epidemics: a compartmental and network approach to how artificial intelligence literacy spreads inside organizations

Questo articolo inquadra la diffusione della alfabetizzazione all'intelligenza artificiale all'interno delle organizzazioni come un processo di contagio, dimostrando attraverso l'epidemiologia delle reti e il machine learning che la ritenzione dell'apprendimento è guidata principalmente dalle proprietà strutturali della rete di comunicazione e dalla posizione di un individuo al suo interno, piuttosto che solo dai singoli attributi personali.

Autori originali: Onicio Batista Leal Neto, Julia Nicolau, Alexandre Santilli

Pubblicato 2026-07-09

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Onicio Batista Leal Neto, Julia Nicolau, Alexandre Santilli

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo

Immagina la tua azienda come una città enorme e frenetica. Di solito, quando arriva un nuovo strumento come l'Intelligenza Artificiale (IA), il management pensa all'apprendimento come a una scuola formale: inviano un comunicato, tengono una sessione di formazione e si aspettano che tutti imparino contemporaneamente.

Ma questo articolo sostiene che l'apprendimento non avviene in questo modo. Invece, l'apprendimento si diffonde come un contagio o un rumore di corridoio attraverso le strade della città. Si muove da persona a persona durante le pause caffè, le chiacchierate veloci e i momenti del tipo "ehi, guarda questo".

I ricercatori hanno trattato la diffusione delle competenze sull'IA come un'epidemia. Si sono chiesti: Se trattiamo il "sapere come usare l'IA" come un virus, quanto velocemente si diffonde nell'ufficio e perché si blocca in alcuni posti ma vola in altri?

Ecco la storia di ciò che hanno scoperto, suddivisa in concetti semplici:

1. Le Tre Città (Organizzazioni)

Lo studio ha esaminato tre diverse aziende (chiamiamole Città A, Città B e Città C) in tre momenti diversi. Hanno mappato chi parlava con chi riguardo all'IA.

Città A era come una metropoli ben connessa. La maggior parte delle persone si conosceva e c'era un enorme "centro città" dove quasi tutti erano connessi.
Città B era un po' più dispersa, con alcuni centri molto attivi e molti quartieri silenziosi.
Città C era una collezione di isole isolate. Le persone parlavano principalmente solo con uno o due colleghi specifici, e quei gruppi non parlavano con nessun altro.

2. Il "Numero di Riproduzione" (R0)

In epidemiologia, gli scienziati usano un numero chiamato R0 per prevedere se una malattia si diffonderà.

Se l'R0 è inferiore a 1, la malattia muore (una persona malata infetta meno di una altra persona).
Se l'R0 è superiore a 1, la malattia si diffonde (una persona malata infetta più di una altra persona).

I ricercatori hanno calcolato un "R0 dell'Apprendimento" per ogni città. Questo numero diceva loro quanto fosse efficace la rete di comunicazione dell'azienda nel diffondere nuove competenze.

Città A aveva un R0 alto (2,92). La rete era perfetta per diffondere idee.
Città B era nel mezzo (1,93).
Città C era appena sopra la linea del pericolo (1,14). La rete era così interrotta che le idee faticavano a viaggiare.

Il Risultato: L'azienda con la migliore rete (Città A) ha mantenuto il maggior numero di persone impegnate nell'apprendimento. L'azienda con la rete interrotta (Città C) ha perso quasi tutti. La struttura della rete ha predetto il successo del programma di apprendimento meglio del contenuto della formazione stessa.

3. Il Gruppo che si Restringe e si Densifica

Ecco la parte sorprendente. Con il passare del tempo, tutti hanno perso persone. Le persone hanno smesso di rispondere ai sondaggi o di parlare di IA. Le reti si sono rimpicciolite.

Ma, le persone che sono rimaste hanno iniziato a parlare tra loro più spesso.

Immaginate una grande festa informale dove la gente si allontana. Le persone che restano finiscono per radunarsi in un cerchio stretto, parlando intensamente.
La "rete di apprendimento" non è cresciuta; si è consolidata. Si è rimpicciolita in un nucleo stretto e coeso.
Nella città interrotta (Città C), la rete si è rimpicciolita così tanto da diventare alcuni piccoli e isolati cerchi di discussione. Nella città connessa (Città A), il nucleo è rimasto forte e denso.

4. Chi Resta? Non è Solo una Questione di Persona

I ricercatori hanno usato modelli informatici per capire chi è rimasto impegnato e chi se n'è andato. Si aspettavano che forse le persone più intelligenti, le più esperte o le più istruite sarebbero rimaste.

Hanno scoperto qualcosa di diverso:

È una questione del tuo "indirizzo" nella rete: Il fattore più importante era la Centralità di Vicinanza (Closeness Centrality). Questo è un modo elaborato per dire: Quanto sei vicino a tutti gli altri in ufficio? Se ti trovi nel mezzo del flusso della conversazione, è più probabile che tu continui a imparare.
È una questione del tuo "quartiere": Il Dipartimento in cui lavori contava più del tuo titolo di lavoro. Alcuni team avevano una cultura di condivisione; altri no.
L'enigma dell'Anzianità (Tenure): Da quanto tempo lavori lì (anzianità) non aveva una relazione semplice "più lunga è meglio". Era non lineare. Ciò significa che sia i dipendenti molto nuovi che quelli molto vecchi si comportavano diversamente rispetto a quelli di mezzo. I modelli informatici potevano vedere questo schema complesso, ma una semplice linea matematica no.

5. La Grande Conclusione

L'articolo conclude che l'apprendimento è una proprietà strutturale.

Non puoi semplicemente comprare una nuova tecnologia e aspettarti che rimanga impressa. Se il tuo ufficio è come la Città C (isole isolate), nessuna quantità di formazione aiuterà perché le "strade" tra le persone sono interrotte. Devi prima costruire i ponti.

Se il tuo ufficio è come la Città A (una città connessa), l'apprendimento si diffonderà naturalmente, ma devi proteggere il "centro città" (i connettori centrali) perché se loro se ne vanno, l'intero sistema potrebbe crollare.

In breve: Per far imparare la tua organizzazione, non concentrarti solo sul singolo dipendente. Concentrati sulla mappa di chi parla con chi. Se la mappa è interrotta, l'apprendimento non viaggerà. Se la mappa è connessa, l'apprendimento si diffonderà come un buon rumor di corridoio.

Sintesi Tecnica: Apprendimento Epidemico – Un Approccio Compartimentale e di Rete alla Diffusione della Alfabetizzazione all'IA

Problematica
Le organizzazioni dipendono sempre più dalla rapida diffusione di nuove competenze, eppure i modelli tradizionali di apprendimento sul posto di lavoro spesso trattano l'individuo come l'unità di cambiamento, trascurando le strutture di comunicazione che facilitano il trasferimento della conoscenza. Questa lacuna è particolarmente acuta con l'Intelligenza Artificiale (IA) generativa, dove l'alfabetizzazione non è un curriculum fisso ma un obiettivo mobile acquisito attraverso interazioni informali e laterali. Gli autori sostengono che la diffusione dell'alfabetizzazione all'IA funzioni come un "contagio complesso", che richiede il rinforzo da parte di molteplici fonti piuttosto che una singola esposizione. La letteratura esistente manca di un trattamento empirico integrato che misuri le reti di comunicazione reali, adatti espliciti modelli epidemici alla diffusione delle competenze e derivi numeri di riproduzione ( $R_0$ ) interpretabili attraverso molteplici organizzazioni per confrontare gli esiti strutturali.

Metodologia
Lo studio impiega un design longitudinale multi-organizzativo coinvolgendo tre istituzioni (Istituzione 1, 2 e 3) di dimensioni variabili (da 1.000 a 7.124 dipendenti). I dati sono stati raccolti in tre momenti temporali: baseline (T0), metà percorso (T1) ed endline (T2).

Costruzione della Rete: I partecipanti hanno completato uno strumento di generazione di nomi egocentrico, elencando fino a dieci colleghi con cui hanno discusso di IA negli ultimi 30 giorni. I legami diretti sono stati ponderati in base alla frequenza delle conversazioni.
Analisi delle Reti Sociali (SNA): Utilizzando Python (NetworkX), gli autori hanno calcolato i descrittori standard (densità, clustering, reciprocità, dimensione della componente gigante) e le metriche a livello di nodo (grado, misure di centralità).
Modellazione Compartimentale (SEIR): Gli autori hanno adattato il modello SEIR (Susceptible–Exposed–Infectious–Recovered) all'apprendimento:
- Susceptible (Suscettibile): Inconsapevole/non impegnato.
- Exposed (Esposto): Ha incontrato l'informazione ma non la utilizza.
- Infectious (Infettivo): Applica attivamente e trasmette.
- Recovered (Guarito): Uso abituale/consolidato.
- I parametri di trasmissione ( $\beta$ ) e recupero ( $\gamma$ ) sono stati fissati ( $\beta=0.3, \gamma=0.2$ ) per garantire la comparabilità tra le istituzioni.
Stima del Numero di Riproduzione ( $R_0$ ): Invece di adattare il modello alle curve di adozione, l' $R_0$ è stato stimato analiticamente dalla topologia della rete utilizzando l'espressione del modello di configurazione: $R_0 = \tau(\langle k^2 \rangle - \langle k \rangle)/\langle k \rangle$ , dove $\tau$ è la trasmissibilità e $\langle k \rangle$ rappresenta i momenti della distribuzione dei gradi.
Machine Learning per la Retention: Per prevedere quali individui siano rimasti impegnati in tutte le fasi, gli autori hanno aggregato i dati ( $N=770$ ) e addestrato classificatori Random Forest e Gradient Boosting. I predittori includevano socio-demografia (anzianità, dipartimento, ruolo) e posizione di rete alla baseline. L'importanza delle caratteristiche è stata analizzata insieme alle correlazioni lineari punto-biseriali per rilevare relazioni non lineari.
Simulazione e Visualizzazione: È stata sviluppata una console di ricerca basata su browser per consentire agli stakeholder di visualizzare la dinamica delle reti, eseguire simulazioni SEIR su topologie reali e sintetiche ed esplorare scenari controfattuali (es. turnover, onboarding).

Risultati Chiave

Eterogeneità Strutturale: Le tre organizzazioni hanno mostrato topologie di rete basali distinte. L'Istituzione 1 ha formato una grande componente gigante connessa (79,6% dei nodi); l'Istituzione 2 era più distribuita con un nucleo più piccolo; l'Istituzione 3 era altamente frammentata, dominata da coppie reciprocate isolate.
Contrazione e Consolidamento della Rete: In tutte e tre le organizzazioni, le reti di discussione si sono contratte in termini di dimensioni (meno nodi e archi) nel tempo, ma sono diventate più dense. Ciò suggerisce che, mentre la popolazione più ampia si disimpegnava, i partecipanti rimanenti formavano cluster più stretti e coesi.
Correlazione tra $R_0$ e Retention: I valori di $R_0$ alla baseline erano rispettivamente 2,92 (Ist. 1), 1,93 (Ist. 2) e 1,14 (Ist. 3). Questo ordine corrispondeva perfettamente ai tassi di retention dei partecipanti attraverso tutte e tre le fasi (44,4%, 28,3% e 11,4%, rispettivamente). Le organizzazioni con una maggiore capacità strutturale di diffondere l'apprendimento hanno trattenuto più apprendisti.
Predittori della Retention: I modelli di machine learning hanno identificato il Dipartimento e la Closeness Centrality come i predittori più forti della retention. Significativamente, l'Anzianità (Tenure) ha mostrato una correlazione lineare quasi nulla con la retention ( $r = -0,001$ ) ma è risultata una caratteristica fondamentale nei modelli ad albero non lineari, indicando una relazione complessa e non monotona in cui sia i dipendenti molto nuovi che quelli molto esperti possono comportarsi diversamente rispetto a chi è nel mezzo.
Metriche di Centralità: La closeness centrality è stata la metrica di rete più informativa. La eigenvector centrality è risultata poco informativa a causa della frammentazione della rete, collassando verso lo zero nei componenti disconnessi.

Contributi Chiave

Riflettere l'Apprendimento come Contagio: Lo studio applica con successo gli strumenti dell'epidemiologia di rete all'apprendimento organizzativo, trattando l'alfabetizzazione all'IA come un contagio complesso dipendente dalla coesione e dalla ridondanza della rete.
$R_0$ Topologico per l'Apprendimento: Gli autori forniscono un metodo per stimare un numero di riproduzione di base per l'apprendimento direttamente dalla topologia della rete senza la necessità di adattare le curve di adozione, offrendo una metrica strutturale per la capacità di apprendimento di un'organizzazione.
Insight Non Lineari: Combinando il machine learning basato su alberi con le correlazioni lineari, lo studio rivela che gli attributi individuali come l'anzianità influenzano la retention dell'apprendimento in modi non lineari che i metodi statistici tradizionali potrebbero ignorare.
Strumentazione Interattiva: Lo sviluppo di una console di ricerca autonoma consente agli stakeholder non tecnici di interagire con i dati di rete, eseguire simulazioni e visualizzare le dinamiche di diffusione senza dover eseguire l'intera pipeline analitica sottostante.

Significatività e Rivendicazioni
L'articolo sostiene che il fatto che un'organizzazione impari a utilizzare una nuova tecnologia dipenda, in larga misura, da una proprietà strutturale della sua rete di comunicazione piuttosto che sia semplicemente l'aggregato di sforzi individuali. L'allineamento tra l' $R_0$ topologico iniziale e la retention finale suggerisce che la struttura della rete detti il limite massimo della diffusione dell'apprendimento.

Gli autori sostengono che questo framework permetta alle organizzazioni di passare da intuizioni diffuse sulla cultura a quantità misurabili. Nello specifico, l' $R_0$ può servire come strumento diagnostico: in reti frammentate (basso $R_0$ ), la priorità dovrebbe essere la costruzione di ponti tra gruppi isolati prima di aggiungere contenuti; in reti coese (alto $R_0$ ), l'attenzione deve essere rivolta alla protezione del nucleo connesso. Lo studio conclude che, sebbene gli attributi individuali contino, essi operano spesso attraverso interazioni con la posizione in rete e il contesto locale, richiedendo approcci capaci di catturare le relazioni strutturali non lineari. Gli autori mantengono un approccio modesto, osservando che l'allineamento tra $R_0$ e retention si basa su tre organizzazioni e deve essere trattato come un'ipotesi da testare ulteriormente, specialmente date le limitazioni nelle differenze di copertura dei sondaggi nel campione.