Integrità, supervisione e fiducia nell’AI 

Testi indistinguibili, rilevatori inaffidabili, allucinazioni e mirroring: perché la supervisione umana resta indispensabile.

Descrizione 

Dalle esperienze del Politecnico emergono tre questioni intrecciate, fondamentali per usare l’AI con consapevolezza. L’integrità: i testi generati dall’AI sono ormai indistinguibili da quelli umani e i rilevatori automatici sono inaffidabili. La supervisione: l’AI può sbagliare e «allucinare», quindi va sempre verificata. La continuità relazionale: con l’uso prolungato l’AI sviluppa una memoria e tende a rispecchiare lo stile dell’utente, un’opportunità ma anche un rischio. 

Un esperimento condotto al Politecnico è eloquente: dopo un lungo uso, un docente non riesce più a distinguere i propri testi da quelli dell’AI, e né altri sistemi (ChatGPT, Gemini, Claude) né due noti servizi antiplagio riescono a riconoscere il testo artificiale. Non a caso quella presentazione si intitolava 

«In memory of Dixie Flatline», un riferimento al romanzo Neuromante, in cui una personalità viene digitalizzata. 

I rilevatori automatici di AI accusano, ma non sono affidabili. 

Ruolo Docente 

Il/la docente sposta l’attenzione dalla «caccia all’AI» (inefficace) alla progettazione della didattica e della valutazione, e resta sempre l’ultima istanza di controllo: 

  • Riprogetta consegne e valutazione: prove orali, in presenza, sul processo (bozze, revisioni, discussione) e su prodotti autentici (progetti, casi reali, dati raccolti dallo studente). 
  • Verifica sempre l’output dell’AI: il file dei quiz, i numeri dei calcoli, i riferimenti delle normative. 
  • Dichiara con chiarezza, per ogni attività, cosa è consentito fare con l’AI, invece di vietarla in modo generico. 
  • Resta responsabile della correttezza scientifica, della qualità didattica e degli aspetti etici. 

Ruolo Studente 

Le/gli studenti imparano un uso maturo e trasparente dell’AI: 

  • Usano l’AI in modo dichiarato, come strumento di apprendimento e non di sostituzione del proprio lavoro. 
  • Verificano sempre le informazioni: non fidarsi acriticamente è una competenza di cittadinanza digitale. 
  • Comprendono che il valore del loro percorso sta nel ragionamento, non nel prodotto finale «levigato». 

Perché i rilevatori non funzionano 

  • I rilevatori di AI producono falsi positivi (testi umani segnalati come artificiali) e falsi negativi, e penalizzano in modo particolare chi scrive in una lingua non madre. 
  • Nessuna AI riconosce in modo affidabile un’altra AI: nell’esperimento di Bertagnoli neppure i modelli concorrenti ci riescono. 
  • Basare accuse o decisioni disciplinari sui loro esiti è rischioso e ingiusto. 

Come riprogettare la valutazione, passo per passo 

Se non si può «scovare» l’AI, la strada è progettare prove in cui usarla di nascosto non conviene o non basta. Ecco come procedere. 

  1. Chiarisci lregole d‘uso. Per ogni attività dichiara cosa è consentito fare con l’AI (per esempio: ammessa per studiare, non per produrre l’elaborato finale), così lo studente sa cosa ci si aspetta. 
  2. Valuta il processo, non solo il prodotto. Chiedi bozze intermedie, appunti, versioni successive e un breve diario del lavoro: mostrano il percorso, non solo il risultato finale. 
  3. Usprove autenticheAssegna progetti su casi reali, dati raccolti dallo studente, problemi legati al contesto locale: sono difficili da delegare a un’AI generica. 
  4. Inserisci momentoralin presenzaUna breve discussione orale dell’elaborato verifica la reale comprensione, qualunque strumento sia stato usato. 
  5. Chiedi la dichiarazione d‘uso dell’AI. Invita gli studenti a indicare se e come l’hanno usata: normalizza la trasparenza invece del sospetto. 
  6. Usa i quiz Moodle ichiave formativaSfruttali per l’autovalutazione e per il monitoraggio, non come prova d’esame a distanza. 

Vantaggi 

  • Riconoscere l’inaffidabilità dei rilevatori evita accuse ingiuste e contenziosi. 
  • L’approccio in cui l’uomo resta sempre nel processo combina la velocità dell’AI e l’affidabilità del giudizio esperto. 
  • Ripensare la valutazione migliora l’autenticità e la qualità dell’apprendimento. 

Svantaggi e possibili soluzioni 

  • Eccesso di fiducia nell’automatismo. Soluzione: protocolli di verifica espliciti prima di pubblicare qualsiasi materiale. 
  • Le prove autentiche richiedono più progettazione. Soluzione: rubriche chiare e valutazione del processo. 
  • Rispecchiamento eccessivo dell’utente e accumulo di dati personali nella memoria dell’AI. Soluzione: chiedere all’AI posizioni critiche e divergenti, e ripulire periodicamente la memoria. 

Applicabilità @polito.it 

  • Riguarda tutte le prove scritte non sorvegliate (tesi, relazioni, elaborati a casa) e rafforza l’uso formativo dei quiz Moodle. 
  • Vale per qualunque materiale generato dall’AI destinato agli studenti o a un uso professionale. 

Punti di attenzione specifici e possibili soluzioni 

  • Evitare l’illusione del «rilevatore perfetto»: la soluzione non è tecnologica ma didattica. 
  • Accompagnare la trasparenza con la fiducia: una cultura dell’integrità funziona meglio del sospetto. 

Tecnologie a supporto 

Strumenti che facilitano il controllo: il formato GIFT  leggibile, l’ancoraggio alle fonti di NotebookLM, il confronto con casi di riferimento. È il principio guida del Digital Twin e del flusso Quiz su Moodle con l’AI

Esperienze e casi d’uso 

  • La Vanderbilt University ha disattivato il rilevatore di AI di Turnitin (2023): su 75.000 elaborati anche solo un 1% di falsi positivi significherebbe circa 750 studenti accusati ingiustamente (Vanderbilt). 
  • Oltre 25 grandi università (tra cui Northwestern, MIT, Yale, UC Berkeley) hanno limitato o disattivato i rilevatori di AI (Digital Watch). 
  • Nel caso Mata contro Avianca, due avvocati sono stati sanzionati per aver depositato sei sentenze inesistenti generate da ChatGPT: l’errore non fu l’AI, ma il non aver verificato (Wikipedia). 

Contatti 

Per dubbi, supporto o per proporre nuove schede scrivi a tllab@polito.it

Bibliografia e link di approfondimento 

Bertagnoli, G. (2026). Imemory oDixie FlatlinePolitecnico di Torino, 30 gennaio 2026. 

Giaccone, P. (2026). Lesson2Moodle bAITLLAB, Politecnico di Torino, 13 febbraio 2026. 

Sadasivan, V. S., et al. (2023). Can AI-Generated Text be Reliably Detected? 

Harari, Y. N. (2024). NexusBompiani.