Linee guida per l’introduzione dell’AI a scuola

Linee guida MIM per l’introduzione dell’Intelligenza Artificiale nelle Istituzioni scolastiche (v.1.0, 2025): un’analisi per le scuole secondarie di secondo grado

Questa pagina riassume e interpreta i contenuti del documento ministeriale “Linee guida per l’introduzione dell’Intelligenza Artificiale nelle Istituzioni scolastiche – Versione 1.0, 2025”, con rinvii puntuali ai relativi paragrafi.¹

Abstract

Le Linee guida del Ministero dell’istruzione e del merito (MIM) per l’introduzione dell’Intelligenza Artificiale (IA) nella scuola delineano un quadro di principi, requisiti e processi operativi finalizzato a promuovere un’adozione antropocentrica, equa, sicura e conforme alla normativa vigente. Il documento definisce, da un lato, obiettivi strategici (miglioramento degli apprendimenti, inclusione, efficienza amministrativa, qualità dei servizi) e, dall’altro, obblighi e cautele connesse ai diversi livelli di rischio dei sistemi di IA, in particolare quando impattano su accesso, valutazione e monitoraggio in ambito educativo. Il modello proposto – basato su quattro pilastri (principi, requisiti, framework di implementazione, comunicazione e governance) – si concretizza in un ciclo in cinque fasi (definizione, pianificazione, adozione, monitoraggio, conclusione), accompagnato da focus applicativi per i principali destinatari (dirigenti, personale amministrativo, docenti, studenti) e da misure di mitigazione dei rischi. Per le scuole secondarie di secondo grado, ciò implica una regia pedagogica e organizzativa capace di integrare le opportunità dell’IA con il rispetto dei diritti fondamentali, della protezione dei dati e della libertà di insegnamento, valorizzando la responsabilità professionale dei docenti e l’alfabetizzazione all’IA dell’intera comunità scolastica.²,³

1. Contesto e cornice regolatoria

Le Linee guida nascono all’incrocio di indirizzi internazionali, europei e nazionali, in una fase in cui gli impieghi educativi dell’IA accelerano, ma richiedono governo pubblico, trasparenza e garanzie.⁴ Il testo richiama, tra l’altro:

il Regolamento europeo sull’Intelligenza Artificiale (AI Act), con i relativi considerando e gli obblighi per fornitori e deployer (le istituzioni scolastiche utilizzatrici), con particolare attenzione ai sistemi ad alto rischio in ambito educativo (accesso/ammissione, assegnazione, valutazione degli apprendimenti, monitoraggio dei comportamenti durante le prove);⁵⁶
la Raccomandazione UNESCO sull’etica dell’IA (2021) e gli Orientamenti etici della Commissione europea sull’uso dell’IA e dei dati nell’insegnamento e apprendimento per i docenti;⁷⁸
la Strategia italiana per l’IA 2024–2026 e il disegno di legge nazionale in materia di IA;⁹
il GDPR e la disciplina italiana di protezione dei dati personali (con cenni agli atti e ai provvedimenti del Garante), in particolare per i minori, considerati interessati vulnerabili.¹⁰

In questo contesto, il Ministero fissa principi, requisiti e strumenti per un’adozione strutturata, controllata e rendicontabile dell’IA in ambito scolastico, con monitoraggio centrale tramite la piattaforma Unica.¹¹

2. Strategia e obiettivi: un’IA al servizio della qualità educativa

La strategia del MIM mira a governare l’introduzione dell’IA come leva per la competitività del sistema educativo e la qualità dell’offerta formativa, promuovendo equità e consapevolezza.¹² Gli obiettivi operativi dichiarati includono:

Conformità normativa e metodologia condivisa per le scuole autonome (D.P.R. 275/1999);
Innovazione antropocentrica, sicura, affidabile, etica;
Uso uniforme e valori europei a presidio dei diritti e delle libertà;
Alfabetizzazione ai rischi e alle opportunità dell’IA per l’intera comunità scolastica.¹³

Tra le finalità concrete, si sottolineano: personalizzazione degli apprendimenti, inclusione, ottimizzazione dei processi interni, miglioramento dei servizi a studenti e famiglie, formazione continua del personale.¹⁴ La realizzazione di tali finalità è condizionata al rispetto delle pratiche vietate dall’AI Act (ad esempio, emotion recognition in contesti scolastici, salvo motivi medici o di sicurezza) e all’adesione a profili di rischio appropriati.¹⁵¹⁶

3. Il modello di introduzione: principi, requisiti, framework, governance

Le Linee guida strutturano l’azione in quattro pilastri interdipendenti:¹⁷

Principi di riferimento: centralità della persona, equità, innovazione responsabile, sostenibilità, tutela dei diritti, sicurezza dei sistemi;
Requisiti di base: profili etici, tecnici e normativi;
Framework di implementazione: modello operativo per l’intero ciclo di vita dei progetti;
Comunicazione e governance: allineamento tra scuole e Ministero, mappatura sperimentazioni, servizio digitale Unica.

3.1 Principi di riferimento

L’adozione dell’IA deve preservare il ruolo dell’umano, promuovere pari opportunità, inclusione, trasparenza e explainability, garantire privacy by design e by default, e assicurare sicurezza e resilienza dei sistemi. La sostenibilità è intesa nelle sue tre dimensioni (sociale, economica, ambientale).¹⁸

3.2 Requisiti etici

Intervento e sorveglianza umana: presenza di controllo umano significativo in tutte le fasi, specialmente quando l’IA incide su opportunità educative o processi decisionali che riguardano gli studenti;¹⁹
Trasparenza e explainability: documentazione e comprensibilità del funzionamento dei sistemi; attenzione alle allucinazioni dei modelli generativi e alla verifica delle fonti;²⁰
Equità e non discriminazione: prevenzione dei bias nei dataset e nei modelli, monitoraggio e correzione sistematica delle distorsioni;²¹
Ruoli e responsabilità: chiara attribuzione di compiti (dirigente, personale, stakeholder), accordi con i fornitori e presidi su trattamenti di dati eventualmente da questi eseguiti come responsabili.²²

3.3 Requisiti tecnici

Certificazioni e conformità dei fornitori (es. ISO/IEC 27001; qualificazioni AgID per SaaS);
Gestione responsabile dei dati: minimizzazione, ambienti controllati, assenza di profilazione non necessaria, disattivazione di funzioni non indispensabili (cronologie, servizi accessori), Data Privacy Framework;
Diritto di non partecipazione all’addestramento con dati personali;
Equità algoritmica e trasparenza degli output.²³

3.4 Requisiti normativi (protezione dei dati)

Il documento ribadisce la piena applicazione del GDPR lungo l’intero ciclo di vita dei sistemi di IA: liceità, limitazione delle finalità, minimizzazione, esattezza, limitazione della conservazione, integrità e riservatezza, con specifiche cautele per gli studenti minorenni.²⁴ Sono evidenziati, tra gli adempimenti a carico del Titolare del trattamento (scuola):

Base giuridica chiara e conoscibile;
DPIA obbligatoria in caso di nuove tecnologie e trattamenti potenzialmente rischiosi; integrazione con FRIA (valutazione d’impatto sui diritti fondamentali) per i sistemi ad alto rischio;
Informative trasparenti (artt. 13–14 GDPR) con linguaggio comprensibile ai minori;
Nomina e istruzioni ai soggetti autorizzati e ai responsabili (art. 28 GDPR);
Misure tecnico-organizzative adeguate (art. 32 GDPR), privacy by design & by default;
Registro dei trattamenti (art. 30 GDPR) e data breach notification (artt. 33–34 GDPR).²⁵

Una particolare attenzione è rivolta a age-gate e presidi per l’accesso ai servizi, specie infra-tredicenni, nonché alla gestione di dati sintetici e Privacy-Enhancing Technologies (PET) per ridurre i rischi.²⁶

4. Classificazione del rischio e obblighi conseguenti

L’AI Act distingue tra sistemi ad alto rischio, a rischio limitato e a rischio minimo o nullo. In ambito scolastico, sono ad alto rischio i sistemi destinati a: determinare accesso o ammissione, assegnare a percorsi, valutare risultati dell’apprendimento, monitorare comportamenti durante le prove. Tali sistemi impongono obblighi rafforzati per fornitori e deployer (scuole), tra cui valutazioni di conformità, governance dei dati, formazione del personale e FRIA.²⁷

I sistemi a rischio limitato comportano obblighi di trasparenza verso gli utenti (es. dichiarare l’interazione con un sistema di IA), mentre quelli a rischio minimo sono liberi da obblighi, fermo restando il ricorso a codici di condotta per promuovere buone pratiche.²⁸

5. Il framework di implementazione: cinque fasi operative

Le Linee guida propongono un approccio metodologico per introdurre l’IA in modo graduale, controllato e valutabile, articolato in cinque fasi.²⁹

5.1 Definizione (progetto e approvazione iniziale)

Analisi del contesto (maturità digitale, infrastrutture, competenze, processi);
Selezione dei casi d’uso in base a benefici, rischi, fattibilità e impatti;
Individuazione degli stakeholder interni/esterni e modalità di coinvolgimento;
Allineamento con il PTOF e approvazione negli organi collegiali.
Il coinvolgimento partecipativo della comunità scolastica è considerato determinante.³⁰

5.2 Pianificazione (elaborazione di dettaglio)

Piano di progetto (milestone, team, costi, monitoraggio);
Piano dei rischi con valutazione qualitativa e prioritizzazione (scala, portata, reversibilità, probabilità), coerente con la metodologia HUDERIA del Consiglio d’Europa;
Comunicazione e allineamento con stakeholder, rappresentanze, reti di scuole.³¹

5.3 Adozione (implementazione)

Approccio graduale (pilota, estensione progressiva);
Piano di comunicazione per informare e coinvolgere;
Piano di formazione per personale e, ove pertinente, studenti, con moduli e metodologie diversificate (e‑learning, workshop, laboratori pratici).³²

5.4 Monitoraggio (verifica e miglioramento continuo)

Monitoraggio gestionale dell’avanzamento;
Monitoraggio tecnico degli output (anomalie, risultati inattesi, violazioni);
Rivalutazione periodica dei rischi e feedback a fornitori e stakeholder;
Meccanismi interni di segnalazione e rendicontazione.³³

5.5 Conclusione (valutazione dei risultati)

Verifica del raggiungimento dei target;
Analisi delle lezioni apprese;
Documentazione e valorizzazione dei risultati;
Riconoscimento del team e diffusione delle buone pratiche in ottica di riuso.³⁴

6. Aree di applicazione per ruoli e funzioni nella scuola secondaria

Le Linee guida offrono esempi d’uso contestualizzati per i diversi attori scolastici.³⁵

6.1 Dirigente scolastico

Coerenza strategica e documentale: supporto nel monitoraggio di PTOF, RAV, Piano di Miglioramento, Atto di indirizzo, Programma annuale, Rendicontazione sociale, con evidenza di scostamenti e incongruenze;
Formazione: analisi dei fabbisogni e pianificazione delle iniziative;
Organizzazione: supporto alla formazione classi, distribuzione aule e orari nel rispetto delle norme di sicurezza;
Comunicazione: modulazione del tone of voice, personalizzazione dei messaggi per stakeholder differenti (studenti, famiglie, docenti, territorio).³⁶

6.2 Personale amministrativo (DSGA e ATA)

Front office digitale: chatbot per smistamento richieste (orari, iscrizioni, certificazioni), verifica documentale;
Comunicazioni periodiche: mailing automatizzato per scadenze ricorrenti;
Gestione beni mobili e inventario: analisi fabbisogni, ottimizzazione acquisti e sostituzioni.³⁷

6.3 Docenti

Personalizzazione didattica: adattamento di materiali e percorsi ai livelli di competenza e ai ritmi di apprendimento (con integrazione con PEI e PDP ove presenti);
Strumenti interattivi: simulazioni, giochi, mappe concettuali, riassunti, quiz;
Organizzazione di visite e attività extracurricolari: suggerimenti basati su interessi e feedback pregressi;
Rubriche di valutazione: supporto alla definizione dei descrittori;
Tutoraggio: sostegno ad attività cooperative con domande guida e stimoli al pensiero critico.
Il ruolo docente resta centrale nel garantire uso etico e pedagogicamente fondato, in coerenza con linee nazionali (STEM, Educazione civica).³⁸

6.4 Studenti

Curiosità e motivazione: percorsi personalizzati e suggerimenti per approfondimenti;
Integrazione multidisciplinare: scomposizione di problemi complessi e connessioni tra discipline;
Accessibilità: supporto multilingue, trascrizioni automatiche, ambienti virtuali;
Autonomia: chatbot di supporto fuori dall’orario scolastico, sviluppo di problem solving;
Feedback immediati: spiegazioni e correzioni, in aggiunta al feedback strutturato del docente.
Resta fermo il divieto di strumenti di sentiment analysis a fini educativi previsto dall’AI Act.³⁹

7. Rischi, cautele e mitigazioni: un approccio gerarchico

L’introduzione dell’IA richiede valutazioni di rischio e misure di mitigazione secondo la gerarchia HUDERIA: prevenire, ridurre, ripristinare/compensare.⁴⁰ Le azioni raccomandate includono:

Protezione dei dati: misure tecniche/organizzative, privacy by design/default, limiti chiari a accesso e uso dei dati, minimizzazione e PET;
Manutenzione programmata: aggiornamenti, monitoraggio reti, backup, test di compatibilità, formazione tecnica di base del personale;
Progettazione etica: auditing dei dataset, test di equità, monitoraggio continuo, ricorso a dati sintetici;
explainability: tecniche e metriche di interpretabilità, diritto alla spiegazione della logica decisionale;
Formazione continua: competenze per riconoscere e mitigare bias, uso responsabile dei genAI;
Sistemi ibridi: automazione delle routine, centralità della relazione educativa;
Interazione sociale: alternanza tra strumenti di IA e attività collaborative in presenza;
Dialogo e trasparenza: comunicazioni chiare e aggiornate a tutta la comunità scolastica.⁴¹

8. Governance e piattaforma Unica

La governance prevede allineamento costante tra Ministero, USR e scuole, con monitoraggio delle iniziative e mappatura delle sperimentazioni tramite Unica, che offrirà: fruizione interattiva delle Linee guida, strumenti operativi per la compliance (es. checklist privacy), schede progetto per il censimento e la condivisione delle esperienze, oltre a una dashboard ministeriale per il controllo di conformità e audit a campione.⁴²

9. Implicazioni operative per le scuole secondarie di secondo grado

Per gli istituti di scuola superiore, l’adozione consapevole dell’IA richiede un insieme integrato di scelte pedagogiche, organizzative e tecnico‑giuridiche:

9.1 Progettazione didattica e curricolare

Integrare l’IA nel curricolo digitale e nelle metodologie attive, con attenzione a STEM e Educazione civica (cittadinanza digitale), salvaguardando autenticità e originalità degli apprendimenti.⁴³
Incorporare compiti autentici che sollecitino spiegazione, argomentazione, confronto di fonti e riflessione metacognitiva, per evitare sostituzioni improprie dei processi cognitivi con risposte generative.

9.2 Valutazione e feedback

Utilizzare strumenti di IA a supporto (e non in sostituzione) della valutazione formativa, mantenendo responsabilità e giudizio professionale al docente;
Evitare l’impiego di sistemi che, per finalità e impatto, ricadono nella categoria ad alto rischio (valutazione automatizzata, monitoraggio durante prove) se non nel pieno rispetto delle condizioni di legge, con DPIA+FRIA, sorveglianza umana e trasparenza.⁴⁴

9.3 Protezione dei dati e conformità

Redigere/aggiornare informative chiare per studenti e famiglie;
Applicare minimizzazione, anonimizzazione/pseudonimizzazione ove possibile, limitazione delle finalità;
Configurare le piattaforme in ambienti controllati con cronologie disattivate e no training sui dati della scuola;
Eseguire una DPIA per i progetti innovativi e, se ad alto rischio, integrare con FRIA;
Tenere il registro dei trattamenti e predisporre procedure data breach.⁴⁵

9.4 Formazione e cultura professionale

Programmare formazione continua su IA generativa, explainability, etica e privacy per docenti e personale;
Sviluppare attività di alfabetizzazione all’IA per studenti, con attenzione a pensiero critico, valutazione delle fonti, uso responsabile e limiti dei modelli (allucinazioni, bias, tempi di aggiornamento).²⁰,⁴⁶

9.5 Relazione educativa e benessere

Preservare la centralità della relazione e l’interazione sociale tra pari e con i docenti;
Prevenire dipendenze strumentali o deleghe cognitive eccessive all’IA, bilanciando attività on‑line e in presenza;
Adottare pratiche inclusive per studenti con BES/DSA in coerenza con PEI/PDP, valutando attentamente i dati trattati e le misure di tutela.⁴⁷

9.6 Scelte tecnologiche e contrattualistica

Selezionare fornitori con certificazioni e garanzie dimostrabili;
Stipulare atti ex art. 28 GDPR per i responsabili del trattamento, con clausole su luogo del trattamento, sub‑processor, diritti di audit, sicurezza, divieto di profilazione non necessaria, no training;
Pianificare manutenzione, backup, log e monitoraggio degli accessi.⁴⁸

10. Verso una “IA scolastica affidabile”: prospettive e condizioni di successo

La riuscita dell’integrazione dell’IA nella scuola superiore dipende da condizioni abilitanti:

Leadership educativa dei dirigenti e comunità professionali dei docenti orientate alla ricerca‑azione;
Progettazione partecipata con studenti e famiglie, in quadro di trasparenza;
Formazione continua e supporto tra pari (reti di scuole, comunità di pratica);
Monitoraggio e valutazione con indicatori condivisi (es. equità, impatto sugli apprendimenti, inclusione, benessere digitale);
Compliance by design: DPIA/FRIA, misure di sicurezza, gestione dei diritti degli interessati;
Documentazione e disseminazione tramite Unica, per favorire il riuso e il miglioramento incrementale.⁴⁹

Una IA scolastica affidabile è, in definitiva, quella che eleva la qualità dell’insegnamento e dell’apprendimento senza sostituire la professionalità docente, che rispetta i diritti fondamentali e che riduce – non aumenta – le disuguaglianze. L’“intelligenza” dei sistemi deve restare al servizio dell’intelligenza educativa.

11. Esempi pratici per docenti della scuola secondaria di secondo grado

La sezione che segue propone scenari concreti, trasferibili e conformi alle Linee guida, con particolare attenzione a privacy, sorveglianza umana e equità. Per ciascun esempio sono indicati obiettivi, procedura, impostazioni di tutela, valutazione e riferimenti ai paragrafi rilevanti del documento ministeriale (tra parentesi i rimandi alle note già presenti).

Avvertenza generale: ove si impieghino piattaforme di IA esterne alla scuola, occorre verificare informative, basi giuridiche, configurazioni privacy, disattivare la cronologia ove non necessaria, impedire l’uso per training e non inserire dati personali identificativi degli studenti, in conformità a 3.2 e 3.3 (requisiti tecnici e normativi).²³,²⁵,⁴⁵

11.1 Personalizzazione dell’apprendimento (Italiano e Scienze umane)

Esempio 1 — Letture differenziate con supporto metacognitivo
- Obiettivo: offrire tre versioni graduate di un medesimo brano (lessico semplificato, medio, avanzato) con domande metacognitive.
- Procedura: il docente seleziona un testo di narrativa o saggistica e richiede al sistema di IA tre parafrasi controllate, accompagnate da domande di riflessione (es. “Che strategia hai usato per comprendere questo paragrafo?”).
- Tutela: nessun dato personale; usare account docente in ambiente controllato; salvare i materiali su repository d’istituto.
- Valutazione: rubrica su comprensione, uso di strategie e autovalutazione; feedback orale del docente.
- Riferimenti: personalizzazione e strumenti interattivi (4.2 Docenti), trasparenza e sorveglianza umana (3.1), privacy by design (3.3).³⁸,¹⁹,²⁵
Esempio 2 — Schede “ponte” per studenti NAI
- Obiettivo: costruire schede bilingui con glossari visuali per studenti neoarrivati in Italia.
- Procedura: il docente fornisce parole‑chiave disciplinari; l’IA genera definizioni semplificate e esempi illustrati; verifica docente; stampa o LMS.
- Tutela: non inserire nomi/biografie; preferire immagini generate senza dati reali; controllare bias culturali.
- Valutazione: checklist di acquisizione lessicale e uso contestuale.
- Riferimenti: equità e inclusione (2), criteri anti‑discriminazione (3.1), gestione responsabile dei dati (3.2).¹⁸,²¹,²³

11.2 STEM: Matematica e Fisica

Esempio 3 — Generatore di varianti isomorfe di problemi
- Obiettivo: fornire serie di esercizi “equivalenti” con passaggi risolutivi spiegati.
- Procedura: il docente inserisce un problema tipo; l’IA produce 5 varianti modificando numeri e contesto; il docente verifica la correttezza e pubblica su LMS.
- Tutela: nessun dato personale; indicare agli studenti che non devono incollare soluzioni su servizi esterni; usare l’istanza scolastica.
- Valutazione: consegna di taccuino di calcolo con ragionamento; valutazione del processo, non solo del risultato.
- Riferimenti: sorveglianza umana e explainability (3.1), strumenti per esercitazione (4.2 Docenti).¹⁹,³⁸
Esempio 4 — Laboratorio virtuale di Fisica (simulazioni)
- Obiettivo: indagare relazioni (p. es. moto uniformemente accelerato) con parametri controllati.
- Procedura: uso di ambienti con IA per guidare ipotesi, esecuzione di simulazioni, registrazione dati, confronto con modelli.
- Tutela: profili anonimizzati su piattaforme esterne; consenso informativo generico per attività digitali.
- Valutazione: report con grafici, discussione errori e riflessione su limitazioni della simulazione.
- Riferimenti: innovazione responsabile (2), monitoraggio output e anomalie (4.1 Monitoraggio).¹⁸,³³

11.3 Scienze naturali e salute

Esempio 5 — “Spiega come a un compagno”: sintesi e domande Socratiche
- Obiettivo: consolidare concetti complessi (es. trascrizione/traduzione del DNA) con spiegazioni progressive.
- Procedura: l’IA genera spiegazioni a tre livelli (base/intermedio/avanzato) e domande socratiche; il docente seleziona e integra.
- Tutela: nessun dato personale; conservazione su LMS.
- Valutazione: breve colloquio su consapevolezza degli errori e limiti delle spiegazioni.
- Riferimenti: trasparenza, allucinazioni e controllo umano (3.1), didattica attiva (4.2 Docenti).²⁰,³⁸
Esempio 6 — Analisi critica di immagini scientifiche
- Obiettivo: distinguere immagini microscopiche reali da immagini sintetiche.
- Procedura: il docente prepara un set misto; l’IA e gli studenti etichettano e argomentano; confronto con fonti.
- Tutela: immagini prive di metadati sensibili; citazioni corrette.
- Valutazione: rubrica sulla qualità dell’argomentazione e uso di evidenze.
- Riferimenti: cittadinanza digitale e valutazione delle fonti (4.2 Studenti), DigComp richiamato (4.2).³⁹

11.4 Lingue straniere e CLIL

Esempio 7 — Feedback scritto multilivello
- Obiettivo: migliorare coerenza, coesione e registro nei testi in L2.
- Procedura: l’IA propone tre revisioni: (a) correzione micro (ortografia/grammatica), (b) coerenza e connettivi, (c) registro; il docente approva o modifica.
- Tutela: elaborati pseudonimizzati; no caricamenti su servizi pubblici.
- Valutazione: confronto bozza–revisioni; autovalutazione guidata.
- Riferimenti: feedback immediato e ruolo non sostitutivo (4.2 Studenti; 3.1).³⁹,¹⁹
Esempio 8 — CLIL con scaffolding generativo
- Obiettivo: supportare l’apprendimento di contenuti non linguistici in L2 con materiali ponte (glossari, organizer grafici).
- Procedura: il docente chiede all’IA outline, glossari con immagini, quiz; verifica e adatta al livello.
- Tutela: evitare dati identificativi; repository d’istituto.
- Valutazione: verifica contenutistica e linguistica con rubriche.
- Riferimenti: personalizzazione e strumenti interattivi (4.2 Docenti), equità (2).³⁸,¹⁸

11.5 Storia, Filosofia, Diritto ed Economia

Esempio 9 — Dialogo critico con “persona storica simulata”
- Obiettivo: esercitare il pensiero critico distinguendo ricostruzione plausibile da invenzione.
- Procedura: l’IA simula un autore (con disclaimer sulla finzione); gli studenti pongono domande; il docente guida la verifica con fonti.
- Tutela: piattaforma chiusa; divieto di caricare dati personali.
- Valutazione: rubriche su uso di fonti, confutazione e correttezza storica.
- Riferimenti: trasparenza sull’interazione con IA (1.2; art. 50 AI Act richiamato), educazione alle fonti (4.2 Studenti).²⁸,³⁹
Esempio 10 — Analisi di casi giuridici con explainability
- Obiettivo: allenare ragionamento giuridico e explainability delle soluzioni.
- Procedura: l’IA propone argomentazioni pro/contro su un caso; gli studenti valutano coerenza normativa e principi; il docente integra.
- Tutela: casi fittizi; nessun dato sensibile reale.
- Valutazione: griglia su interpretazione, applicazione norme, chiarezza argomentativa.
- Riferimenti: diritto alla spiegazione della logica (4.3), sorveglianza umana (3.1).⁴¹,¹⁹

11.6 Informatica e competenze digitali

Esempio 11 — Pair programming con IA come “copilota”
- Obiettivo: sviluppare abilità di debugging e comprensione del codice.
- Procedura: l’IA propone suggerimenti; gli studenti devono giustificarne l’accettazione o il rifiuto; il docente verifica.
- Tutela: repository locale; no codice proprietario esterno.
- Valutazione: relazione su decisioni di design e sicurezza.
- Riferimenti: sistemi ibridi (4.3), sicurezza e misure tecniche (3.3).⁴¹,²⁵
Esempio 12 — Data literacy e bias
- Obiettivo: riconoscere bias nei dataset (es. squilibri di classe, proxy sensibili).
- Procedura: l’IA aiuta a profilare un dataset sintetico; gli studenti propongono mitigazioni (bilanciamento, metriche di equità).
- Tutela: dati sintetici; nessun dato reale.
- Valutazione: rubriche su diagnosi del bias e strategie di correzione.
- Riferimenti: bias e non discriminazione (3.1), dati sintetici e PET (3.3).²¹,²⁶

11.7 Arte, Design, Musica

Esempio 13 — Moodboard generativi con citazioni corrette
- Obiettivo: creare moodboard ispirazionali con attribuzioni e diritti rispettati.
- Procedura: l’IA genera varianti stilistiche; gli studenti documentano prompt, fonti e licenze; il docente verifica.
- Tutela: attenzione a copyright e licenze; uso di contenuti liberi.
- Valutazione: rubrica su processo creativo, citazioni e coerenza.
- Riferimenti: innovazione responsabile (2), trasparenza e documentazione (3.1).¹⁸,²⁰
Esempio 14 — Ear training assistito
- Obiettivo: riconoscere intervalli e progressioni con feedback immediato.
- Procedura: l’IA genera sequenze; gli studenti rispondono e ricevono feedback; il docente personalizza i livelli.
- Tutela: profili anonimi; nessun dato sensibile.
- Valutazione: tracking dei progressi e prova pratica.
- Riferimenti: feedback immediato (4.2 Studenti), equità dei sistemi (3.2).³⁹,²³

11.8 Educazione civica e cittadinanza digitale

Esempio 15 — “Comitato etico” sull’adozione di un chatbot scolastico
- Obiettivo: sviluppare consapevolezza di rischi/benefici e requisiti (trasparenza, sorveglianza, data protection).
- Procedura: simulazione di valutazione d’impatto: identificazione finalità, rischi, misure; presentazione al “consiglio d’istituto” (simulato).
- Tutela: nessun dato reale; materiali fittizi.
- Valutazione: rubrica su analisi rischi, mitigazioni e comunicazione.
- Riferimenti: DPIA/FRIA (3.3), comunicazione e governance (5).²⁵,⁴²
Esempio 16 — Fact‑checking assistito
- Obiettivo: potenziare la valutazione delle fonti e la verifica delle affermazioni.
- Procedura: l’IA propone ipotesi e fonti candidate; gli studenti verificano su fonti istituzionali; il docente supervisiona.
- Tutela: citazioni corrette; evitare dati personali.
- Valutazione: griglia su criteri di attendibilità e rigore del fact‑checking.
- Riferimenti: DigComp (4.2 Studenti), trasparenza (3.1).³⁹,²⁰

11.9 Inclusione e BES/DSA

Esempio 17 — Lettura assistita e trascrizione
- Obiettivo: migliorare accessibilità mediante sintesi vocale e trascrizione automatica.
- Procedura: uso di Immersive Reader e speech‑to‑text per lezioni e materiali; personalizzazione del ritmo.
- Tutela: no registrazioni non autorizzate; policy d’istituto; informativa a famiglie.
- Valutazione: diari di auto‑monitoraggio; colloqui individuali.
- Riferimenti: privacy by design (3.3), equità (2), personalizzazione (4.2 Docenti).²⁵,¹⁸,³⁸
Esempio 18 — Mappe concettuali generate e validate
- Obiettivo: sostenere l’organizzazione cognitiva; rendere visibile la struttura dei concetti.
- Procedura: l’IA genera una bozza di mappa; gli studenti la correggono e annotano; il docente valuta coerenza.
- Tutela: nessun dato personale; salvataggio locale.
- Valutazione: rubrica su completezza, gerarchia e relazioni.
- Riferimenti: strumenti interattivi (4.2 Docenti), explainability (3.1).³⁸,²⁰

11.10 Valutazione formativa e academic integrity

Esempio 19 — Rubriche di valutazione co‑generate
- Obiettivo: rendere espliciti i criteri valutativi.
- Procedura: il docente fornisce obiettivi e livelli; l’IA suggerisce descrittori; il docente rifinisce e condivide con la classe.
- Tutela: nessun dato personale; repository d’istituto.
- Valutazione: coerenza tra descrittori e evidenze prodotte.
- Riferimenti: trasparenza e sorveglianza umana (3.1), focus docenti (4.2).²⁰,³⁸
Esempio 20 — Compiti autentici “tracciabili”
- Obiettivo: limitare la sostituzione impropria con strumenti generativi.
- Procedura: task che richiedono dati locali, esperimenti, interviste, riflessioni personali; l’IA è ammessa solo per bozze, da documentare.
- Tutela: anonimizzazione dei soggetti intervistati; consenso informato quando serve.
- Valutazione: rubriche che premiano processo, tracce e citazioni.
- Riferimenti: ruolo insostituibile del docente e responsabilità (3.1), educazione alla consapevolezza (4.4).¹⁹,⁴⁶

11.11 Organizzazione didattica e collaborazione

Esempio 21 — Pianificazione di unità didattiche e tempi d’aula
- Obiettivo: ottimizzare la sequenza delle attività con suggerimenti sull’andamento (attivazione–scoperta–consolidamento–valutazione).
- Procedura: l’IA propone uno scheletro di UDA; il docente adatta obiettivi, attività, verifiche; collega a PTOF.
- Tutela: nessun dato personale; salvataggio su sistema d’istituto.
- Valutazione: confronto ex‑post tra piano e pratica; “lezioni apprese”.
- Riferimenti: framework in cinque fasi (4.1), valorizzazione risultati (4.1 Conclusione).²⁹,³⁴
Esempio 22 — Co‑progettazione interdisciplinare
- Obiettivo: favorire interdisciplinarità (es. Matematica–Storia: statistica delle migrazioni).
- Procedura: l’IA suggerisce compiti di realtà e rubriche comuni; i docenti validano; predisposizione rubriche integrate.
- Tutela: nessun dato personale; documentazione condivisa.
- Valutazione: valutazione multidimensionale con rubriche incrociate.
- Riferimenti: governance partecipata (4.1 Definizione–Pianificazione).³⁰,³¹

11.12 Preparazione ad esami e prove

Esempio 23 — Simulazioni guidate della prova scritta
- Obiettivo: esercitare strategie di lettura e scrittura in tempi vincolati.
- Procedura: l’IA genera varianti di tracce simili alle prove ufficiali; il docente seleziona; tempi e vincoli reali.
- Tutela: nessun dato personale; archivio interno.
- Valutazione: doppia correzione (docente e auto‑valutazione con rubrica).
- Riferimenti: sistemi ad alto rischio (monitoraggio durante prove) non utilizzati; sorveglianza umana (3.1).²⁷,¹⁹
Esempio 24 — Orali strutturati con domande a gradiente
- Obiettivo: allenare argomentazione e padronanza lessicale.
- Procedura: l’IA propone batterie di domande a difficoltà crescente; il docente sceglie e adatta; studenti preparano schede di risposta.
- Tutela: nessun dato personale; svolgimento in aula.
- Valutazione: rubriche per chiarezza, accuratezza, uso di fonti.
- Riferimenti: explainability e controllo (3.1), strumenti per studenti (4.2).²⁰,³⁹

Conclusioni

Le Linee guida MIM forniscono alle istituzioni scolastiche un quadro organico per introdurre l’IA in modo responsabile e sostenibile. Per le scuole secondarie di secondo grado, ciò si traduce in scelte curricolari e organizzative ponderate, in una governance capace di coniugare innovazione e tutela, e in una professionalità docente ancora più consapevole nel guidare gli studenti a comprendere, valutare e co‑creare con gli strumenti di IA. L’adozione graduale, valutata e documentata, insieme a formazione, trasparenza e inclusione, rappresenta la via maestra per trasformare le potenzialità dell’IA in valore educativo concreto.

Appendice A — Checklist sintetica per progetti di IA a scuola

Allineamento strategico: coerenza con PTOF, Atto di indirizzo, RAV.
Caso d’uso: finalità, benefici attesi, destinatari, impatti didattici/organizzativi.
Valutazione dei rischi: classificazione AI Act, bias, privacy, sicurezza, impatti su diritti.
Compliance: base giuridica; DPIA (e FRIA se alto rischio); informative; registro trattamenti.
Dati: minimizzazione; no dati non necessari; configurazioni no‑history/no‑training; PET/dati sintetici quando possibile.
Fornitore: certificazioni; art. 28 GDPR; sicurezza; luogo del trattamento; auditing.
Sorveglianza umana: ruoli/ responsabilità; procedure di controllo degli output; canali di segnalazione.
Formazione: personale e studenti; materiali di supporto; policy d’uso.
Monitoraggio: metriche di efficacia/equità; gestione incidenti; revisione periodica.
Documentazione: lezioni apprese; disseminazione su Unica; riuso e scaling.

Riferimenti (rinvii ai paragrafi delle Linee guida)

Premessa (pp. 3–4): contesto, fonti normative e strategiche di riferimento. ↩
1. Il ruolo dell’IA nella Scuola (pp. 4–7): visione e potenzialità con cautele; approccio antropocentrico. ↩
1.1 Strategia e obiettivi del MIM (pp. 4–6): finalità, pratiche vietate, responsabilità del deployer. ↩
Premessa (p. 3): AI Act UE; Convenzione Consiglio d’Europa (05/09/2024); documenti della Commissione europea; Strategia nazionale 2024–2026; DDL n. 1146/2024. ↩
1.1 (pp. 5–6) e 1.2 (p. 7): classificazione rischio; obblighi deployer/fornitori; Considerando 56 AI Act. ↩
1.1 (pp. 5–6): pratiche vietate (art. 5 AI Act), incl. emotion recognition in contesti educativi. ↩
1. (p. 4, nota 2): UNESCO Recommendation on the Ethics of AI (2021). ↩
Premessa e 3.3 (pp. 12–18): Ethical guidelines della Commissione europea per educatori; EDPS 2024. ↩
1.1 (p. 5) e Premessa (p. 3): Strategia italiana per l’IA 2024–2026; DDL nazionale in materia di IA. ↩
3.3 (pp. 12–20): GDPR; Codice Privacy; minori come soggetti vulnerabili; principi art. 5 GDPR. ↩
5. Comunicazione e governance (pp. 31–32): piattaforma Unica, mappatura progetti, dashboard, audit. ↩
1.1 (pp. 4–5): finalità strategiche (competitività, qualità, equità, consapevolezza). ↩
1.1 (p. 5): metodologia condivisa; conformità ad AI Act e protezione dati; promozione uso responsabile. ↩
1.1 (pp. 5–6): miglioramento apprendimenti; inclusione; ottimizzazione processi; qualità servizi; formazione. ↩
1.1 (pp. 5–6) e art. 5 AI Act richiamato: pratiche vietate e cautele per l’istruzione. ↩
1.1 (pp. 5–6) e 1.2 (p. 7): rischi e livelli (alto/limitato/minimo), obblighi; deployer e fornitori. ↩
1.2 (p. 7): i quattro pilastri alla base del modello di introduzione. ↩
2. Principi di riferimento (pp. 7–9): centralità persona, equità, innovazione responsabile, sostenibilità, diritti, sicurezza. ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶
3.1 Requisiti etici (pp. 9–11): intervento e sorveglianza umana; governance interna; ruoli. ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷
3.1 (pp. 9–10): trasparenza e explainability; allucinazioni dei LLM; documentazione e auditabilità. ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸
3.1 (p. 10): criteri anti-discriminazione; qualità dati; controllo bias. ↩ ↩² ↩³
3.1 (pp. 10–11): ruoli, responsabilità; accordi con fornitori; art. 28 GDPR quando responsabili. ↩
3.2 Requisiti tecnici (pp. 11–12): certificazioni; gestione dati; diritto di non partecipazione; equità del sistema. ↩ ↩² ↩³ ↩⁴
3.3 Requisiti normativi (pp. 12–20): principi GDPR; DPIA; FRIA; informative; misure di sicurezza. ↩
3.3 (pp. 14–20): base giuridica; DPIA/FRIA; informative; soggetti autorizzati; responsabili; art. 32; registro; data breach. ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶
3.3 (pp. 14–16, 18–20): minori, age‑gate; PET; dati sintetici; trasferimenti extra SEE e garanzie. ↩ ↩²
1.1 (pp. 5–6) e Capo III AI Act richiamato: sistemi ad alto rischio in istruzione; obblighi per deployer. ↩ ↩²
1.2 (p. 7): rischio limitato (trasparenza) e rischio minimo (codici di condotta). ↩ ↩²
4.1 Istruzioni operative (pp. 21–25): approccio metodologico e cinque fasi. ↩ ↩²
4.1 – Definizione (pp. 22–23): analisi contesto, casi d’uso, stakeholder, PTOF; progettazione partecipata. ↩ ↩²
4.1 – Pianificazione (pp. 23–24): piano progetto, rischio, HUDERIA, comunicazione con stakeholder. ↩ ↩²
4.1 – Adozione (p. 24): approccio graduale, piano comunicazione, formazione. ↩
4.1 – Monitoraggio (pp. 24–25): monitoraggio tecnico e gestionale, rivalutazione rischi, rendicontazione. ↩ ↩²
4.1 – Conclusione (p. 25): verifica, lezioni apprese, valorizzazione risultati, diffusione. ↩ ↩²
4.2 Focus aree di applicazione (pp. 25–28): esempi per ruoli. ↩
4.2 – Dirigente scolastico (pp. 25–26): monitoraggio documentale, formazione, orari, comunicazione. ↩
4.2 – Personale amministrativo (p. 26): chatbot richieste, comunicazioni, inventario. ↩
4.2 – Docenti (pp. 26–27): personalizzazione, strumenti interattivi, rubriche, tutoraggio; riferimenti a STEM ed Educazione civica. ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸
4.2 – Studenti (pp. 27–28): personalizzazione, accessibilità, autonomia, feedback; divieto sentiment analysis. ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷
4.3 Mitigazione dei rischi (pp. 29–30): gerarchia HUDERIA, prevenzione-riduzione-ripristino. ↩
4.3 (pp. 29–30): protezione dati, manutenzione, progettazione etica, explainability, formazione, sistemi ibridi, interazione sociale, comunicazione. ↩ ↩² ↩³
5. Comunicazione e governance (pp. 31–32): Unica, mappatura, strumenti operativi, dashboard, audit. ↩ ↩²
2 (pp. 7–9) e 4.2 (pp. 26–27): innovazione responsabile; integrazione con curricolo digitale e STEM. ↩
1.1 (pp. 5–6) e 3.1/3.3: alti rischi in valutazione e monitoraggio; sorveglianza umana; DPIA/FRIA. ↩
3.3 (pp. 12–20): GDPR e adempimenti; ambienti controllati; disattivazione cronologie; registro; breach. ↩ ↩²
4.1 – Adozione (p. 24) e 4.4 Consapevolezza (pp. 30–31): formazione di docenti e studenti; pensiero critico; alfabetizzazione. ↩ ↩²
4.2 – Docenti/Studenti (pp. 26–28): PEI/PDP; inclusione; cautele sui dati. ↩
3.2/3.3 (pp. 11–20): fornitori, art. 28 GDPR, sicurezza, trasferimenti; 4.3 manutenzione e audit. ↩
4.1–4.4 e 5 (pp. 21–32): condizioni di successo; governance; documentazione e disseminazione. ↩