📄 social_science

Digital Inequality, ICT Pedagogical Hindrances, and Student Computer and Information Literacy: A Plausible-Value-Based Multilevel Analysis with Design-Based Sensitivity Checks Using ICILS 2023

Utilizzando un'analisi multilivello dei dati ICILS 2023 di 12 sistemi educativi, questo studio rileva che la competenza informatica e digitale degli studenti è guidata principalmente da fattori socioeconomici e barriere pedagogiche piuttosto che dalle aspettative di IA o ICT a livello scolastico, con gli ostacoli all'implementazione che mostrano un'associazione negativa costante.

Autori originali: Sukanya Chaemchoy, Thanakrit Supsin

Pubblicato 2026-06-29

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Sukanya Chaemchoy, Thanakrit Supsin

Articolo originale sotto licenza CC BY 4.0 (https://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

Il quadro generale: Cosa stanno cercando?

Immaginate che il mondo delle scuole stia attraversando una massiccia ristrutturazione. Tutti parlano di "trasformazione digitale": l'introduzione di nuovi strumenti come l'Intelligenza Artificiale (IA), i computer e la connessione internet ad alta velocità.

I ricercatori si sono posti una domanda semplice: il "vibe" di una scuola riguardo a questi nuovi strumenti cambia effettivamente quanto gli studenti siano bravi a usare il computer?

Nello specifico, volevano sapere se le aspettative di un preside riguardo all'IA (ad esempio, "Questo è fantastico!" o "Questo è pericoloso!") o gli ostacoli che gli insegnanti affrontano (ad esempio, "Non abbiamo abbastanza tempo" o "Internet è lento") si traducano direttamente in capacità informatiche migliori o peggiori per gli studenti.

Hanno analizzato i dati di oltre 24.000 studenti dell'ottavo grado provenienti da 12 paesi diversi (come Cile, Corea, Svezia, ecc.) per trovare la risposta.

I personaggi principali della storia

Per capire i risultati, pensate all'ambiente scolastico come a un giardino.

Gli Studenti (Le Piante): Alcune piante sono naturalmente più forti di altre. In questo studio, "più forte" significa avere un background socioeconomico più elevato, più esperienza con i computer a casa e accesso a Internet.
Le Aspettative del Preside (Le Previsioni del Tempo): Questo è ciò che il leader della scuola pensa sul futuro. Crede che l'IA sia una tempesta da temere o un raggio di sole da accogliere?
Gli Strumenti da Giardinaggio e le Barriere (Il Terreno e le Recinzioni): Questo rappresenta la realtà effettiva dell'insegnamento. Gli insegnanti hanno il tempo di usare la tecnologia? I computer funzionano? Ci sono recinzioni (barriere) che impediscono loro di piantare nuovi semi digitali?

Cosa hanno scoperto?

I ricercatori hanno utilizzato un metodo statistico molto accurato (come un microscopio ad alta precisione) per separare gli effetti del background degli studenti dall'ambiente scolastico. Ecco cosa hanno visto:

1. Il fattore "Background Familiare" è la forza più grande

Il predittore più potente delle competenze informatiche di uno studente non era la politica della scuola o l'atteggiamento del preside. Era il background dello studente stesso.

L'Analogia: Immaginate due piante. Una è un seme proveniente da un giardino ricco e ben fertilizzato (alto stato socioeconomico, molta esperienza con il computer a casa). L'altra è un seme proveniente da un terreno roccioso e arido. Anche se metteste entrambe nello stesso giardino scolastico, la prima pianta probabilmente crescerà più alta e forte.
Il Risultato: Gli studenti che avevano già computer a casa, più esperienza con essi e provenivano da famiglie più ricche ottenevano punteggi molto più alti. Questa "disuguaglianza digitale" è stata il principale motore dei risultati.

2. Le "Previsioni del Tempo" del Preside non hanno cambiato le piante

I ricercatori hanno controllato se l'entusiasmo o la preoccupazione di un preside per l'IA (le "Aspettative") facesse la differenza.

L'Analogia: Immaginate un preside sul tetto che grida: "L'IA ci salverà!" o "L'IA ci distruggerà!". I ricercatori hanno scoperto che gridare queste aspettative non ha effettivamente fatto crescere le piante (gli studenti) più alte o più basse.
Il Risultato: Che un preside fosse ottimista o pessimista riguardo all'IA, non c'era nessun legame diretto con la capacità degli studenti di usare il computer.

3. Le "Recinzioni" (Barriere) contavano, ma solo leggermente

I ricercatori hanno esaminato gli Ostacoli Pedagogici ICT (HPED). Questo è un modo complicato per dire "ostacoli che impediscono agli insegnanti di usare la tecnologia in classe".

L'Analogia: Immaginate un giardino dove il giardiniere vuole piantare nuovi semi, ma ci sono attrezzi rotti, un cancello chiuso o manca il tubo dell'acqua. I ricercatori hanno scoperto che le scuole con più di queste "recinzioni" e attrezzi rotti tendevano ad avere studenti con capacità informatiche leggermente inferiori.
Il Risultato: Questo è stato l'unico fattore a livello scolastico che ha mostrato un modello negativo. Tuttavia, l'effetto era marginale (debole). È come dire: "Avere una pala rotta rende il giardinaggio un po' più difficile", ma non significa che il giardino fallirà completamente. Suggerisce che rimuovere gli ostacoli è più importante che parlare del futuro.

La "Magia" del metodo dello studio

I ricercatori sono stati molto attenti a non farsi ingannare dai dati.

Il "Filtro per Paese": Si sono resi conto che le scuole in diversi paesi sono molto diverse. Una scuola in Danimarca non è la stessa di una in Uruguay. Hanno utilizzato un filtro statistico (Effetti Fissi per Paese) per confrontare le scuole all'interno dello stesso paese, piuttosto che confrontare direttamente la Danimarca con l'Uruguay. Ciò ha garantito che vedessero i reali effetti scolastici, non solo le differenze nazionali.
Il "Doppio Controllo": Hanno eseguito i calcoli due volte utilizzando due diversi motori matematici (Mplus e IDB Analyzer) per assicurarsi che i risultati non fossero un caso fortuito. Entrambi i motori concordavano: le barriere (le recinzioni) erano l'unica cosa scolastica che contava, e anche in quel caso, solo un po'.

Conclusione

Se volete migliorare le competenze informatiche e di informazione (CIL) degli studenti, questo studio suggerisce che:

Non limitatevi a parlare di IA: L'entusiasmo o la paura di un preside per l'Intelligenza Artificiale non potenziano direttamente le competenze degli studenti.
Riparate le "Recinzioni": Il principale problema a livello scolastico sono le barriere pratiche. Se gli insegnanti sono bloccati dalla mancanza di tempo, da un internet scadente o dalla mancanza di supporto, le competenze degli studenti ne risentono.
Riconoscete il "Terreno": Il fattore più forte rimane il background dello studente. Gli studenti provenienti da famiglie più ricche con più esperienza informatica partono con un enorme vantaggio.

In breve: Lo studio conclude che la disuguaglianza socioeconomica e le barriere pratiche di implementazione sono i veri motori delle competenze digitali, non il "clima dell'IA" o le aspettative del preside. Il "vibe" della scuola conta meno degli strumenti effettivi e del tempo disponibile per usarli.

Sintesi Tecnica: Disuguaglianza Digitale, Ostacoli Pedagogici all'ICT e Alfabetizzazione Informatica e Informatica degli Studenti

Problematica e Contesto della Ricerca
Lo studio affronta l'evoluzione del dibattito sulla trasformazione digitale nelle scuole, che si è spostata dall'accesso alle infrastrutture a questioni di implementazione, pedagogia e competenza digitale degli studenti. Nello specifico, la ricerca indaga come le condizioni digitali a livello scolastico — ovvero le aspettative dei presidi riguardo all'IA generativa e all'ICT — e gli ostacoli all'uso pedagogico dell'ICT — si relazionano con l'alfabetizzazione informatica e l'alfabetizzazione dell'informazione (CIL) valutata negli studenti.

Una lacuna critica identificata riguarda la mancanza di chiarezza sul fatto se le variabili digitali a livello scolastico (come le aspettative sull'IA) siano direttamente associate alla CIL degli studenti dopo aver controllato il background dello studente, la composizione socioeconomica della scuola e le differenze transnazionali. La ricerca precedente suggerisce che i leader scolastici influenzino i risultati indirettamente, plasmando le condizioni scolastiche piuttosto che agendo direttamente sull'apprendimento degli studenti. Tuttavia, rimane incerto se queste condizioni digitali predicano la CIL quando fattori di confondimento come la stratificazione socioeconomica e le differenze nei sistemi nazionali sono rigorosamente controllati.

Metodologia
Lo studio utilizza un'analisi secondaria del database internazionale ICILS 2023, concentrandosi su un campione raggruppato di 12 sistemi educativi (Cile, Taipei cinese, Cipro, Danimarca, Grecia, Corea, Norvegia, Romania, Repubblica Slovacca, Slovenia, Svezia e Uruguay) che hanno somministrato il modulo opzionale sui presidi e l'IA. Il campione analitico consiste di 24.273 studenti dell'ottavo anno nidificati in 1.049 scuole.

Il flusso di lavoro analitico è organizzato in tre fasi collegate utilizzando specifici strumenti software:

Preparazione dei Dati (R): I file sono stati uniti e lo stato socioeconomico (SES) degli studenti è stato scomposto in deviazioni intra-scolastiche (IISBW) e componenti compositive della media scolastica (IISBM). Sono stati creati identificatori unici per le scuole e pesi normalizzati per paese (SENWGT).
Modellazione Primaria (Mplus 9): È stata condotta un'analisi multilivello pesata a due livelli utilizzando i valori plausibili (PV1–PV5) per la CIL al fine di garantire statistiche inferenziali accurate. La sequenza dei modelli includeva:
- Un modello incondizionato per stimare il Coefficiente di Correlazione Intraclasse (ICC).
- Modelli che aggiungono predittori a livello di studente (sesso, SES intra-scolastico, accesso a internet a casa, esperienza con il computer) e SES a livello scolastico.
- Modelli che incorporano 11 effetti fissi per paese (con la Danimarca come riferimento) per isolare le associazioni intra-paese e ridurre il confondimento dovuto alle differenze nei sistemi nazionali.
- Un modello completo che testa i predittori a livello scolastico: Aspettative positive sull'IA (AIPOS), Aspettative negative sull'IA (AINEG), Ostacoli pedagogici all'ICT (HPED), Aspettative del preside sull'uso dell'ICT (EXPLRN) ed Aspettative di collaborazione dei docenti sull'ICT (EXPTCH).
Controlli di Sensibilità (IDB Analyzer/SPSS): Sono state eseguite analisi di sensibilità basate sul design Jackknife Repeated Replication (JRR) utilizzando 75 pesi di replica per studente. Questi servivano come regressioni a livello singolo comparabili per valutare la robustezza della direzione e l'incertezza statistica, piuttosto che sostituire le stime multilivello primarie.

Risultati Chiave

Distribuzione della Varianza: Circa il 33,8% della varianza nella CIL era localizzata tra le scuole, giustificando l'approccio multilivello.
Composizione di Studenti e Scuole: Il vantaggio socioeconomico intra-scolastico, la composizione socioeconomica scolastica (IISBM), l'esperienza con il computer, l'accesso a internet a casa e il sesso sono stati predittori significativi della CIL. La composizione socioeconomica scolastica è stata il correlato tra le scuole più forte.
Aspettative su IA e ICT: Dopo aver controllato il background degli studenti, il SES scolastico e gli effetti fissi per paese, le scale delle aspettative sull'IA (AIPOS, AINEG) e le variabili delle aspettative sull'ICT (EXPLRN, EXPTCH) non hanno mostrato alcuna associazione diretta con la CIL degli studenti.
Ostacoli Pedagogici all'ICT (HPED): Questa variabile ha mostrato il pattern a livello scolastico negativo più chiaro. Nel modello primario Mplus, l'associazione era negativa ma marginale ( $p = .081$ ). Nelle analisi di sensibilità basate su JRR, la direzione negativa è persistita, con risultati che vanno dal borderline alla debole significatività a seconda della specifica del modello.
Robustezza: Le diagnosi di multicollinearità hanno indicato che i risultati nulli per le aspettative su IA/ICT non erano dovuti a una severa collinearità. I controlli di sensibilità utilizzando un composito delle aspettative sull'ICT (ICTEXP) hanno confermato che i climi di aspettative più ampi non erano chiaramente associati alla CIL.

Significato e Rivendicazioni
L'articolo sostiene che le differenze nella CIL degli studenti nel dataset ICILS 2023 sono più fortemente legate alla stratificazione socioeconomica e agli ostacoli legati all'implementazione che ai climi di aspettative sull'IA a livello scolastico.

Gli autori interpretano i risultati con cautela:

Implementazione rispetto alla Retorica: I risultati suggeriscono che le barriere pratiche all'integrazione della tecnologia nell'istruzione (HPED) possano essere più consequenziali per la CIL degli studenti rispetto alle astrazioni o orientamenti dei presidi verso l'IA.
Contestuale vs Diretto: Le aspettative sull'IA a livello scolastico dovrebbero essere viste come caratteristiche contestuali dell'ambiente scolastico piuttosto che come meccanismi d'istruzione diretti. La loro mancanza di associazione diretta con la CIL non implica irrilevanza, ma suggerisce che possano operare attraverso meccanismi mediatori non misurati (ad esempio, l'apprendimento professionale dei docenti o le pratiche didattiche).
Interpretazione di HPED: L'associazione negativa con HPED è caratterizzata come un "pattern suggestivo di barriera all'implementazione" piuttosto che un confermato effetto diretto a livello scolastico. Gli autori sottolineano che, sebbene il pattern sia coerente, l'entità dell'effetto è modesta e l'evidenza non supporta forti rivendicazioni causali.

Conclusione
Lo studio conclude che, sebbene la trasformazione digitale scolastica sia critica, le specifiche variabili a livello scolastico delle aspettative su IA e ICT non predicono direttamente la CIL degli studenti una volta tenuti conto dei fattori socioeconomici e nazionali. Al contrario, la rimozione degli ostacoli pedagogici appare come un fattore più tangibile, seppur modesto, associato alla competenza digitale degli studenti. I risultati rafforzano l'importanza di affrontare la disuguaglianza socioeconomica e le barriere pratiche all'implementazione piuttosto che concentrarsi esclusivamente sulle aspettative della leadership riguardo alle tecnologie emergenti.