Istruzione Assistita dall'IA Centrata sullo Studente e Autoconcetto Accademico e Competenza Comunicativa degli Adolescenti: Uno Studio a Metodi Misti

Sommario

Questo studio a metodi misti valuta una routine di classe assistita dall'IA e centrata sullo studente, che coinvolge indagini supportate dall'IA, discussioni tra pari, chiarimenti dell'insegnante e autovalutazione. Lo studio si concentra sull'auto-concetto accademico auto-riportato e sulla competenza comunicativa, fornendo dettagli procedurali sufficienti per facilitare la replicazione in classe.

Abstract

Questo studio quasi-sperimentale misto basato in aula ha esaminato se l'istruzione incentrata sullo studente assistita dall'IA fosse associata a cambiamenti nell'autoconcetto accademico degli adolescenti e nella competenza comunicativa auto-riportata. Sei classi intatte sono state assegnate o all'istruzione assistita dall'IA o alla consueta condizione di istruzione incentrata sullo studente. L'intervento ha integrato prompt supportati dall'IA in un ciclo di apprendimento strutturato che comprende indagine individuale, discussione tra pari, chiarimenti tra insegnanti e autovalutazione. Dei 186 studenti reclutati, 174 furono trattenuti per analisi quantitative. Il concetto accademico di sé e la competenza comunicativa auto-riportata sono stati valutati al punto di partenza, immediatamente dopo l'intervento e a un follow-up a breve termine predefinito. Dopo l'intervento sono stati misurati la qualità dell'interazione, l'autovalutazione e il coinvolgimento degli apprendenti e 36 studenti hanno partecipato a interviste semi-strutturate. Rispetto al gruppo di istruzioni abituale, il gruppo assistito dall'IA ha mostrato maggiori guadagni aggiustati alla base sia negli esiti post-intervento che nel follow-up. Le analisi esplorative dei processi hanno indicato una maggiore qualità dell'interazione, autovalutazione e coinvolgimento degli studenti nel gruppo assistito dall'IA, mentre i risultati qualitativi hanno suggerito che gli stimoli supportati dall'IA hanno aiutato gli studenti a verificare spiegazioni, rivedere le risposte e rendere l'autovalutazione più esplicita quando combinati con discussioni tra pari e guida dell'insegnante. Poiché i partecipanti sono stati assegnati a livello di classe e i risultati sono stati principalmente auto-riportati, i risultati dovrebbero essere interpretati come associazioni basate sulla classe piuttosto che come prove definitive di un miglioramento causale nelle prestazioni accademiche.

Introduzione

L'intelligenza artificiale (IA) è diventata sempre più diffusa negli ambienti educativi. Tuttavia, il suo valore didattico rimane incoerente, poiché il semplice accesso a uno strumento tecnologico non costituisce intrinsecamente un processo di apprendimento. Sebbene le recensioni evidenziano i progressi nell'IA educativa, spesso trascurano il ruolo dell'insegnante e le interazioni in classe. Questo è fondamentale per gli adolescenti, che formano attivamente giudizi di competenza e testano le idee con i coetanei. Pertanto, l'apprendimento supportato dall'IA deve essere implementato come un sistema pedagogico deliberato che plasmi il modo in cui gli studenti mettono in discussione, valutano e discutono, piuttosto che fungere da semplice esposizione tecnologica.

L'istruzione centrata sullo studente fornisce un quadro solido per affrontare questa sfida. Spostando gli studenti lontano dalla ricezione passiva, questo approccio dà priorità alla partecipazione attiva, all'impegno nei compiti, alla spiegazione tra pari e al processo decisionale autonomo. La ricerca meta-analitica conferma che gli ambienti di apprendimento attivo caratterizzati da problem solving e coinvolgimento degli studenti possono migliorare significativamente le prestazioni accademiche rispetto alle lezioni^{tradizionali 1}. Tuttavia, l'istruzione incentrata sullo studente non è intrinsecamente efficace. Richiede compiti didattici sufficientemente strutturati da guidare la partecipazione, ma abbastanza flessibili da incoraggiare gli studenti a spiegare, confrontare e rivedere idee. Questa dinamica diventa ancora più complessa nelle classi assistite dall'IA. Sebbene l'IA possa generare rapidamente esempi, spiegazioni e suggerimenti, l'assenza di guida e valutazione tra pari può portare gli studenti ad accettare questi risultati in modo acritico, trattandoli come scorciatoie cognitive piuttosto che come materia prima per un pensiero più profondo.

L'autoconcetto accademico rappresenta un risultato altamente rilevante in questo contesto, riflettendo le convinzioni specifiche degli studenti riguardo alle loro capacità accademiche. Ricerche precedenti hanno stabilito che il concetto accademico di sé non è un tratto statico della personalità, ma piuttosto una costruzione dinamica strettamente intrecciata con il successo e le esperienze di apprendimento^{continue 2}. Questo studio valuta il concetto accademico di sé per valutare la fiducia degli studenti nella loro capacità di migliorare il proprio lavoro. La competenza comunicativa rappresenta un risultato secondario, poiché l'intervento richiede agli studenti di articolare giustificazioni e affinare le spiegazioni attraverso un feedback strutturato tra pari.

Il feedback e l'autovalutazione costituiscono il ponte didattico cruciale che collega il supporto dell'IA a questi risultati di apprendimento mirati. Una valutazione formativa efficace richiede agli studenti di monitorare attivamente i progressi, misurarli rispetto agli standard e agire sulle discrepanze di^{rendimento 3,4}. In una classe assistita dall'IA e incentrata sullo studente, i prompt IA possono generare spiegazioni alternative o segnali per la revisione. Tuttavia, il vero valore educativo di questi prompt dipende dal fatto che gli studenti esaminino il risultato, lo dibattano con i coetanei e lo traducano in una risposta raffinata. Di conseguenza, l'autovalutazione in questo studio è operativa non come un atteggiamento vago, ma come un comportamento concreto e osservabile in classe, volto a identificare le lacune di apprendimento e apportare revisioni.

Il coinvolgimento degli studenti svolge un ruolo altrettanto vitale in questo ciclo di apprendimento. Riconosciuta come un concetto multidimensionale, l'engagement comprende la partecipazione comportamentale, il coinvolgimento emotivo e l'investimento^{cognitivo 5}. Questa multidimensionalità è particolarmente rilevante per gli adolescenti, poiché la conformità superficiale non garantisce un elaborazione cognitiva profonda. Uno studente può completare un foglio di lavoro meccanicamente senza analizzare il ragionamento sottostante, mentre un altro potrebbe porre meno domande ma impegnarsi profondamente attraverso un continuo automonitoraggio e revisione. L'introduzione dell'IA può teoricamente aumentare il coinvolgimento fornendo materiale ricco da confrontare e approfondire; Al contrario, può erodere il coinvolgimento se gli studenti si affidano senza sforzo agli output automatici. Di conseguenza, questo studio contestualizza il coinvolgimento dello studente insieme alla qualità dell'interazione e all'autovalutazione, evitando deliberatamente di trattare l'uso dell'IA come un evento isolato in classe.

I dibattiti riguardanti i grandi modelli linguistici educativi evidenziano una tensione tra assistenza individualizzata e rischi come l'eccessiva dipendenza o la diminuzione dello sforzo quando vengono implementati senza confini rigorosi. Di conseguenza, la coreografia pedagogica della routine di apprendimento è altrettanto importante quanto la tecnologia IA stessa. Il presente studio ha integrato prompt supportati dall'IA in una sequenza di classe coerente e composta da cinque fasi: briefing per insegnanti, indagine individuale, discussione tra pari, spiegazioni per tutta la classe e autovalutazione. Questo design specifico posiziona intenzionalmente l'output dell'IA come materiale preliminare soggetto a rigorosa verifica e revisione, piuttosto che come una risposta finale infallibile.

È stato adottato un disegno di ricerca a metodi misti perché i dati quantitativi da soli non possono catturare adeguatamente le sfumature delle esperienze di apprendimento vissute dagli studenti. Gli approcci a metodi misti sono particolarmente preziosi quando le traiettorie degli esiti devono essere interpretate sullo sfondo delle esperienze dei partecipanti, delle condizioni di implementazione e delle dinamiche in corso della classe⁶. Nell'attuale indagine, la componente quantitativa ha monitorato i cambiamenti nello sviluppo del concetto accademico di sé e della competenza comunicativa. Contemporaneamente, la componente qualitativa ha esplorato come gli studenti abbiano caratterizzato la qualità dell'interazione, le pratiche di autovalutazione, l'impegno nei compiti e le barriere percepite durante l'intervento. Questi due flussi di evidenza sono stati successivamente integrati per valutare se i modelli di punteggio quantitativo osservati fossero allineati con le esperienze di classe a livello di base degli studenti.

Questo studio affronta anche una significativa lacuna pratica nella letteratura sull'istruzione assistita dall'IA. Sebbene numerosi studi valutino i risultati guidati dall'IA, relativamente pochi offrono un protocollo in classe trasparente e riproducibile che dettagli l'utilizzo rapido, l'impalcature tra pari, i confronti tra gruppi di controllo, il monitoraggio della fedeltà e l'integrazione dei dati con metodi misti. Decenni di ricerche sull'interazione tra pari dimostrano che gli studenti traggono un beneficio sostanziale quando spiegano i concetti, ricevono feedback dai pari e affinano continuamente la loro comprensione attraverso il^{dialogo 7}. Il presente studio si basa su questa logica fondamentale, indagando se i prompt generati dall'IA possano essere integrati con successo in questa struttura dialogica senza usurpare i ruoli indispensabili della guida degli insegnanti e della collaborazione tra pari.

Di conseguenza, questo studio ha esaminato l'istruzione assistita dall'IA e centrata sullo studente come protocollo strutturato in classe, piuttosto che come semplice esposizione a uno strumento di IA. Il percorso didattico proposto prevedeva che i prompt supportati dall'IA fornissero prima materiale per indagine e confronto; La discussione tra pari e la chiarizione dell'insegnante richiederebbero quindi agli studenti di verificare, giustificare e revisionare quel materiale; e l'ultimo passo di autovalutazione aiuterebbe gli studenti a riconoscere i progressi e le lacune irrisolte. All'interno di questo percorso, la qualità dell'interazione, l'autovalutazione e il coinvolgimento dello studente sono stati trattati come variabili esplorative del processo che possono aiutare a spiegare come gli studenti hanno vissuto la routine didattica, piuttosto che come mediatori confermati.

Le domande principali di ricerca erano le seguenti: il protocollo centrato sullo studente assistito dall'IA produce cambiamenti più significativi nel concetto accademico di sé e nella competenza comunicativa auto-riportata rispetto all'insegnamento usuale centrato sullo studente? La qualità dell'interazione post-intervento, l'autovalutazione e il coinvolgimento dello studente sono maggiori nella condizione assistita dall'IA? Le domande esplorative secondarie erano le seguenti: Queste variabili di processo mostrano associazioni con i punteggi di cambiamento degli esiti? I temi delle interviste qualitative convergono, espandono o complicano i risultati quantitativi? Poiché le classi intatti, e non i singoli studenti, sono state assegnate alle condizioni, tutti i risultati sono stati interpretati con esplicita cautela riguardo all'inferenza causale e al raggruppamento a livello di classe.

Protocollo

Tutti i metodi che coinvolgevano partecipanti umani erano condotti in conformità con le linee guida istituzionali e la dichiarazione di Helsinki. Il protocollo di studio è stato esaminato e approvato dal comitato di revisione istituzionale del collegio di costruzione della città di Guangzhou (approvazione IRB n. GZCJ2026A016; data di approvazione: 2 gennaio 2026). Il titolo dello studio approvato era "istruzione incentrata sullo studente assistita dall'IA e autoconcetto accademico e competenza comunicativa degli adolescenti: uno studio a metodi misti." Il permesso scritto è stato ottenuto dalla scuola partecipante prima che lo studio fosse attuato. Il consenso scritto informato è stato ottenuto dai genitori o tutori legali, e il consenso scritto di tutti gli studenti partecipanti. Agli studenti è stato informato che la partecipazione era volontaria e che potevano ritirarsi dallo studio in qualsiasi momento senza penalità accademica. Non sono stati inseriti nomi, dati di contatto, identificatori scolastici, voti o altre informazioni direttamente identificabili nella piattaforma di chatbot IA né inclusi nel dataset pubblico. Tutte le procedure di studio sono state condotte durante il periodo di studio approvato dal 2 gennaio 2026 al 2 gennaio 2027. Tutti gli strumenti e le piattaforme utilizzati in questo studio sono elencati nella Tabella dei Materiali

Progettazione dello studio e assegnazione in classe

Questo studio ha utilizzato un design di classe quasi sperimentale e misto con due condizioni didattiche: un gruppo di istruzione assistito dall'IA e centrato sullo studente e un gruppo di istruzione usualmente centrato sullo studente. Le misurazioni longitudinali sono state effettuate in tre momenti: la base prima dell'intervento (T1), immediatamente dopo l'ultima sessione didattica (T2) e in una valutazione di follow-up a breve termine (T3) predefinita. L'intervallo T2–T3 è stato registrato nel registro dello studio e mantenuto coerente su tutto il manoscritto, il dataset, gli script di analisi e le etichette delle figure. La Figura 1 riassume il reclutamento, l'assegnazione delle classi, i tempi delle valutazioni, le esclusioni e il campionamento qualitativo. Poiché vincoli amministrativi ed ecologici impedivano la randomizzazione individuale, sono state assegnate sei classi intatte a livello di aula, con tre classi nella condizione assistita dall'IA e tre classi nella condizione di confronto. Ogni classe ha contribuito con 29 studenti al campione analitico finale. Livello scolastico, area di materia, sequenza delle lezioni, durata delle sessioni, compiti in classe, programma di valutazione e tempo di contatto con gli insegnanti sono stati mantenuti comparabili tra le condizioni. Gli identificatori di classe sono stati mantenuti per i controlli statistici sensibili al cluster.

Selezione dei partecipanti e screening di idoneità

I partecipanti sono stati reclutati direttamente dalle classi integre partecipanti. Gli studenti e i loro genitori o tutori legali hanno ricevuto una scheda informativa dettagliata che illustrava lo scopo dello studio, le procedure in classe, le attività supportate dall'IA, i calendari dei questionari, la componente opzionale per il colloquio, le tutele sulla privacy, i diritti di prelievo e i piani di archiviazione dei dati. Gli studenti venivano inclusi nello studio se erano iscritti a una delle classi partecipanti, avevano frequentato l'istruzione regolare in aula, fornito il consenso scritto, ottenuto il consenso scritto dei genitori o tutori e completato il questionario di riferimento prima della prima sessione. Al contrario, gli studenti sono stati esclusi dal campione analitico finale se si sono trasferiti dalla scuola, hanno saltato più del 25% delle sessioni di intervento, hanno inviato record del questionario non validi o hanno ritirato il permesso di utilizzo dei dati. Una delle ragioni principali dell'esclusione è stata documentata per ogni partecipante escluso. Prima dell'inserimento dei dati, a ogni partecipante idoneo veniva assegnato un codice unico di identificazione dello studio. Sono state registrate covariate demografiche ed educative rilevanti, tra cui età, genere, identificatore di classe, fascia di rendimento accademica di base, esposizione precedente all'apprendimento assistito dall'IA e familiarità di apprendimento digitale di base. Per il tracciamento statistico, la variabile del gruppo istruzionale era codificata come 0 per la condizione di confronto e 1 per la condizione assistita dall'IA.

Materiali didattici e erogazione di interventi

Prima dell'implementazione è stata sviluppata un'unità didattica di sei sessioni (Tabella Supplementare 1), con ogni sessione in aula della durata di 40–45 minuti. Obiettivi di apprendimento identici, argomenti di lezione, schede di lavoro, compiti di discussione tra pari, moduli di autovalutazione e prompt di riflessione sono stati applicati in entrambe le condizioni didattiche. La struttura del questionario, le indicazioni di punteggio, gli item a punteggio inverso e le variabili finali a livello di scala hanno seguito la mappa di punteggio bloccata nella Tabella 1. I materiali sulla riproducibilità includevano piani di lezione (Tabella Supplementare 1), fogli di prompt per l'IA (Tabella Supplementare 2), schede di prompt per insegnanti (Tabella Supplementare 3), schede di lavoro per studenti (Supplementary Table 4), moduli di autovalutazione (Supplementary Table 5), checklist di osservazione (Supplementary Table 6), log tecnici degli incidenti (Supplementary Table 7), guide per i colloqui (Supplementary Table 8) e un codebook qualitativo (Tabella supplementare 9). L'insegnante partecipante ha completato la formazione utilizzando una guida scritta che copriva la sequenza delle sessioni, i limiti dell'uso dell'IA, le procedure dei gruppi di confronto, i requisiti di privacy e le checklist di fedeltà. È stata condotta una prova con studenti non praticanti per verificare il tempismo delle attività, l'accesso al dispositivo, la chiarezza dei fogli di lavoro e la difficoltà del compito. Lo strumento di IA era un chatbot basato su ChatGPT approvato istituzionalmente che utilizzava l'architettura GPT-4. Per l'uso in classe, la cronologia delle chat, la memoria del profilo, la navigazione web, i plug-in, la generazione di immagini e la correzione automatica sono stati disabilitati. Il manoscritto utilizza il termine generico "piattaforma chatbot IA" dopo la sua prima menzione per evitare linguaggio promozionale. I principi di prompt-design sono stati fissati prima dell'intervento e l'uso dell'IA è stato limitato per chiarimenti, generazione di esempi, confronto di spiegazioni, supporto mirato alle revisioni e segnali di autovalutazione. Prompt rappresentativi, esempi di output AI e esempi di moderazione per insegnanti sono stati mantenuti come parte dei materiali di riproducibilità.

Ogni sessione assistita dall'IA è stata condotta in cinque fasi strutturate. Per prima cosa, è stato condotto un briefing di 5 minuti per l'insegnante per dichiarare gli obiettivi di apprendimento, spiegare i compiti, identificare la piattaforma chatbot AI configurata e ricordare agli studenti che i risultati dell'IA erano prompt provvisorii piuttosto che risposte autorevole. Agli studenti è stato severamente istruito di non inserire alcuna informazione personale identificabile sulla piattaforma. In secondo luogo, è seguita un'attività individuale di indagine supportata dall'IA di 10 minuti, durante la quale gli studenti hanno utilizzato il foglio di prompt preparato per richiedere chiarimenti, esempi, spiegazioni alternative o suggerimenti di revisione. Ogni studente ha registrato la categoria di prompt utilizzata, un'idea utile supportata dall'IA, un punto da verificare e la decisione finale sull'adozione. In terzo luogo, è stata condotta un'attività di discussione tra pari e di 12–15 minuti, durante la quale gli studenti hanno confrontato le loro idee supportate dall'IA in piccoli gruppi, identificato le inesattezze e revisionato collaborativamente il loro lavoro. Durante questa fase, l'insegnante ha scelto la classe per applicare una regola di moderazione standardizzata, spingendo gli studenti a giustificare verbalmente le loro revisioni rispetto ai criteri della lezione e correggere risultati errati o troppo sicuri dell'IA prima della finalizzazione. In quarto luogo, è stata condotta una sessione di chiarimenti di 5–8 minuti per tutta la classe per affrontare i diffusi malintesi e correggere errori fattuali. Infine, un'attività di autovalutazione di 5 minuti ha concluso la sessione, durante la quale gli studenti hanno valutato la loro comprensione, registrato un miglioramento concreto e annotato una domanda irrisolta. Questa sequenza operativa esatta è stata mantenuta in tutte le classi di intervento. I fogli di prompt stampati servivano come backup tecnici, e le deviazioni tecniche che riguardavano oltre un terzo di una classe venivano esplicitamente registrate. Esempi rappresentativi anonimizzati di prompt-output-moderazione sono stati mantenuti e documentati nelle Tabelle Supplementari 2, 3.

La condizione di confronto è stata consegnata utilizzando la stessa durata della sessione, obiettivi di apprendimento, sequenza degli argomenti, schede di esercizi, intervalli di discussione tra pari, moduli di autovalutazione e finestre di feedback per gli insegnanti. Tuttavia, i prompt supportati dall'IA sono stati sostituiti da prompt guida standardizzati e preparati dagli insegnanti che istruivano gli studenti a spiegare i concetti fondamentali, confrontare esempi, identificare le debolezze e rivedere il loro lavoro. La stessa struttura in cinque fasi, che comprendeva il briefing, l'indagine individuale, la discussione tra pari, la chiarificazione dell'intera classe e l'autovalutazione finale, è stata mantenuta rigorosamente. Non sono stati forniti tutoraggi aggiuntivi, compiti fuori classe, periodi di feedback prolungati o altri compiti di valutazione per nessuno dei due spettacoli. La frequenza in classe, le interruzioni comportamentali, le sostituzioni degli insegnanti e i componenti incompleti sono stati documentati utilizzando lo stesso formato di registrazione per entrambi i gruppi.

Raccolta dati, monitoraggio della fedeltà e analisi quantitativa

I questionari di valutazione sono stati somministrati a intervalli basali, post-intervento e follow-up, utilizzando formulazioni coerenti degli item, scale di risposta e regole di punteggio in tutte e tre le ondate di misura. Gli strumenti comprendevano scale validate che valutavano il concetto accademico di sé, la competenza comunicativa, la qualità dell'interazione, l'autovalutazione e il coinvolgimento dello studente. Le risposte sono state raccolte utilizzando una scala standard di tipo Likert a 5 punti che va da 1 (forte disaccordo) a 5 (forte accordo), con punteggi più alti che indicano livelli più alti del costrutto target. I punteggi individuali della scala sono stati calcolati come media aritmetica degli elementi validi dopo la necessaria codifica inversa. I valori mancanti degli item venivano sostituiti con il punteggio medio dello studente all'interno della stessa scala e onda, a condizione che non mancasse più del 20% degli elementi. Le scale con più del 20% di elementi mancanti sono state considerate mancanti, e i dati di un'onda di valutazione completamente mancante non sono stati inseriti. Prima dell'analisi statistica, il dataset grezzo veniva accuratamente verificato per violazioni di range, voci duplicate, pattern di risposta lineari e tempi di completamento anomali. I record venivano segnalati come invalidi ed esclusi se presentavano valori numerici impossibili, risposte invarianti su tutti gli elementi o tempi di completamento inferiori a 1/3 della durata mediana, a meno che i log espliciti della classe non ne convalidassero l'autenticità. Le principali analisi post-intervento e di follow-up includevano studenti che fornivano punteggi di base validi e i relativi dati sugli esiti post-intervento o follow-up, evitando così la cancellazione unilaterale lista per schede parzialmente complete. Un dizionario dati bloccato è stato istituito prima dell'inserimento dati per definire nomi di variabili, etichette, intervalli di risposta, codici di valore mancanti, regole di valutazione inversa, identificatori di onda e costrutti finali a livello di scala. I dati del questionario sono stati inseriti in formato ampio, con una singola riga per studente e suffissi d'onda (_T1, _T2, _T3) utilizzati per distinguere le onde di misura. Intervalli numerici e registri unici dei partecipanti sono stati verificati computazionalmente, e i modelli di mancanza sono stati ispezionati tra gruppi, classi e ondate rispetto al registro principale delle presenze.

Durante ogni sessione didattica veniva utilizzata una lista di controllo standardizzata per l'osservazione della classe per monitorare la fedeltà dell'implementazione. Ogni componente pedagogica è stata valutata come 0 (non completata), 1 (parzialmente completata) o 2 (completata completata). I componenti valutati sono strettamente allineati alla sequenza didattica in cinque fasi, inclusi il briefing dell'insegnante, l'indagine individuale, la discussione tra pari, la chiarizione dell'intera classe e il completamento dei record di autovalutazione. La percentuale complessiva di fedeltà della sessione è stata calcolata dividendo il punteggio osservato per il punteggio massimo possibile. Qualsiasi sessione che scendeva sotto la soglia di fedeltà del 70% veniva registrata come deviazione del protocollo. Per garantire l'affidabilità tra i valutatori, un secondo osservatore addestrato valutava indipendentemente almeno il 20% del totale delle sessioni. La percentuale di concordanza è stata calcolata su tutti gli elementi e eventuali discrepanze di valutazione sono state risolte tramite discussione consensuale ogni volta che l'accordo iniziale scendeva sotto l'80%. I malfunzionamenti tecnici hardware o software venivano registrati in log separati per distinguerli dai problemi di fedeltà istruzionale.

Le analisi statistiche sono state effettuate utilizzando un flusso di lavoro riproducibile basato su script, in cui il seme casuale veniva fissato prima di qualsiasi campionamento o controllo di sensibilità. Tutti i test statistici erano a doppia coda, con significatività impostata a p < 0,05. Le variabili continue sono state riassunte come medie e deviazioni standard, mentre le variabili categoriche sono state espresse come frequenze e percentuali. L'equivalenza basale tra le coorti è stata valutata descrittivamente utilizzando test t a campioni indipendenti per dati continui e test chi-quadrato per distribuzioni categoriche. La consistenza interna è stata misurata utilizzando l'alfa di Cronbach, applicando soglie di α ≥ 0,70 per scale generali e α ≥ 0,80 per le misure di esito primarie, insieme a correlazioni correlate tra il totale degli item e le mie. L'ANCOVA aggiustata alla base ha rappresentato l'approccio analitico principale. Sono stati adattati modelli separati per ciascun esito primario, con il punteggio post-intervento o di follow-up specificato come variabile dipendente, il gruppo istruttivo come principale predittore e il corrispondente punteggio di base come covariata obbligatoria. Sono state incluse covarie aggiuntive (genere, fascia di rendimento accademico di base ed esposizione precedente all'IA) per controllare gli squilibri di base o la loro rilevanza teorica, e sono state riportate differenze medie corrette, intervalli di confidenza al 95%, errori standard e valori di R² del modello. Confronti dei punteggi di cambiamento (T2–T1 e T3–T1) sono stati effettuati come analisi secondarie utilizzando i test t di Welch a campioni indipendenti, con dimensioni degli effetti quantificate tramite d di Cohen. Analisi esplorative dei processi hanno valutato le correlazioni di Pearson tra variabili di processo e cambiamenti di esito, integrate da regressioni lineari multi-predittive con monitoraggio del fattore di inflazione della varianza (VIF) per verificare la multicollinearità. Infine, sono stati implementati controlli sensibili al cluster per tenere conto della struttura annidata degli studenti all'interno delle sei classi intatte. Sono stati stimati coefficienti di correlazione intraclasse (ICC) incondizionati, le modifiche di esame aggregate e confrontate a livello di classe, e i calcoli primari di ANCOVA sono stati ripetuti utilizzando errori standard robusti al cluster come controllo esplorativo della sensibilità.

Campionamento qualitativo, codifica e integrazione con metodi misti

Immediatamente dopo il questionario post-intervento, è stato selezionato un sottocampione proposito di 36 studenti per interviste semi-strutturate. Questa coorte qualitativa includeva partecipanti di entrambe le condizioni didattiche che hanno mostrato punteggi di cambiamento alti, medi o bassi nell'autoconcetto accademico o nella competenza comunicativa. La guida semi-strutturata per i colloqui ha indagato esperienze di interazione in classe, fiducia nell'spiegare le idee, comportamenti di autovalutazione, coinvolgimento nei compiti e disponibilità a comunicare, utilizzando prompt mirati per esplorare momenti di revisione, risposte a feedback poco chiari e variazioni nell'impegno. Le interviste venivano registrate solo dopo aver ottenuto il consenso dei genitori e l'assenso degli studenti; altrimenti, venivano presi appunti scritti strutturati. Tutti i nomi personali, numeri di classe e dettagli identificativi venivano rimossi durante la trascrizione, e i certificati venivano collegati ai corrispondenti identificatori quantitativi. Il quadro iniziale di codifica qualitativa è stato derivato deduttivamente dalla qualità dell'interazione, dall'autovalutazione e dai costrutti di coinvolgimento dello studente, con codici tematici induttivi aggiunti solo quando i dati non rientravano nel quadro di base. Due codificatori indipendenti hanno analizzato almeno il 20% delle trascrizioni per verificare l'affidabilità. Sono stati valutati i coefficienti kappa di Cohen, con valori compresi tra 0,61 e 0,80 considerati come concordanza sostanziale e valori superiori a 0,80 come concordanza forte. Le definizioni dei codici venivano perfezionate e la doppia codifica veniva ripetuta ogni volta che il kappa iniziale scendeva sotto 0,61, e le definizioni finali insieme alla risultante matrice qualitativa di frequenza del codice venivano archiviate (Tabelle Supplementari 9 e 10).

L'analisi quantitativa dei dati e i quadri di codifica qualitativa sono stati finalizzati indipendentemente prima di avviare l'integrazione con metodi misti. Un display congiunto coeso è stato strutturalmente costruito per collegare le tre variabili quantitative di processo con i rispettivi temi qualitativi. I risultati integrati sono stati sistematicamente classificati come convergenza (dove i modelli del questionario e i temi delle interviste si allineavano), espansione (dove narrazioni qualitative spiegavano i meccanismi alla base delle tendenze quantitative) o divergenza (quando le interviste hanno rivelato barriere uniche o una partecipazione disomogenea che hanno complicato i modelli quantitativi). I risultati qualitativi sono stati utilizzati per contestualizzare i processi in classe, collegando i punteggi di coinvolgimento degli studenti ai temi di domande attive e discussione tra pari, e collegando i punteggi di autovalutazione con i resoconti della consapevolezza delle lacune e degli aggiustamenti strategici.

Risultati

Flusso dei partecipanti e caratteristiche di base

Un primo gruppo di 186 studenti provenienti da sei classi integre fu reclutato per lo studio. Dopo lo screening di idoneità, la verifica della frequenza e i controlli di qualità delle risposte, 174 studenti sono stati trattenuti per l'analisi quantitativa finale. Questi partecipanti erano distribuiti equamente, con 87 assegnati al gruppo di istruzione assistita dall'IA centrata sullo studente e 87 al consueto gruppo di istruzione centrato sullo studente. La Figura 1 dettaglia il flusso di reclutamento, l'assegnazione delle classi, la tempistica di valutazione in tre ondate, i criteri di esclusione e il campionamento qualitativo.

La Tabella 2 riassume i punteggi descrittivi degli esiti primari per gruppo didattico e onda di misura. Prima dell'intervento, i livelli di autoconcetto accademico erano simili tra le due coorti (assistito dall'IA: 3,00 ± 0,37; confronto: 3,05 ± 0,43). Tuttavia, il gruppo assistito dall'IA aveva una competenza comunicativa di base inferiore (2,85 ± 0,40) rispetto al gruppo di istruzioni usuali (3,04 ± 0,38). Poiché l'assegnazione avveniva a livello di classe intatta e non tramite randomizzazione individuale, queste differenze di base sono state trattate come potenziali differenze di classe preesistenti piuttosto che come effetti di intervento. I punteggi di esiti di base sono stati mantenuti come covariate in tutti i modelli primari, e i risultati sulla competenza comunicativa sono stati interpretati con attenzione al rischio di regressione alla media. Per affrontare la struttura dati gerarchica, sono stati stimati coefficienti di correlazione intraclasse incondizionati (ICC[1]) da modelli ANOVA a effetti casuali unidirezionali utilizzando identificatori di classe come variabile di raggruppamento. La formula utilizzata era:

(1)

dove MS_tra rappresenta il quadrato medio tra le classi, MS_dentro rappresenta il quadrato medio all'interno delle classi, e m indica la dimensione della classe. Il dataset finale includeva sei classi di uguale dimensione (k = 6; m = 29). Gli ICC per i punteggi primari osservati variavano da 0,007 a 0,105, e gli ICC per i punteggi di cambiamento primario erano ASC T2–T1 = 0,152, ASC T3–T1 = 0,160, CC T2–T1 = 0,105 e CC T3–T1 = 0,165. Questi valori indicavano una dipendenza non trascurabile a livello di classe. Poiché erano disponibili solo sei cluster di livello 2, l'installazione di un modello multilivello completo era considerata instabile; pertanto, ICC, riassunti a livello di classe e controlli di sensibilità robusti al cluster sono stati utilizzati come evidenza diagnostica piuttosto che come stime multilivello confermative.

I record di monitoraggio dell'implementazione sono stati esaminati insieme al dataset analitico. Tutte e sei le classi completarono l'unità di sei sessioni e l'esposizione alla frequenza è stata comparabile in tutte le condizioni (tasso medio di frequenza: assistito dall'IA = 0,934; istruzione usuale = 0,936). Nessun partecipante trattenuto è sceso sotto la soglia di esposizione prestabilita. Per monitorare la fedeltà dell'implementazione, sono stati utilizzati checklist a livello di sessione e log tecnici degli incidenti, con un secondo osservatore indipendente che valutava almeno il 20% delle sessioni. Queste osservazioni fungevano da meccanismo formativo e in loco per fornire un feedback immediato all'istruttore, piuttosto che come misurazione sommativa. Poiché l'obiettivo principale era la correzione pedagogica in tempo reale, le metriche statistiche aggregate (come i punteggi di fedeltà media o i coefficienti di affidabilità inter-valutatori) non sono state archiviate permanentemente per analisi retrospettiva. Tuttavia, questi controlli formativi confermarono che non si verificarono deviazioni importanti del protocollo e la sequenza istruzionale di base fu mantenuta costantemente.

Coerenza interna delle misure dello studio

La Tabella 3 riporta le stime interne di coerenza per tutti i costrutti misurati utilizzando i conteggi degli item definiti nella mappa di punteggio bloccata. Il concetto accademico di sé ha dimostrato un'affidabilità accettabile sia nella fase post-intervento che in quella di follow-up, ottenendo valori alfa di Cronbach rispettivamente di 0,828 e 0,876. La competenza comunicativa ha mantenuto analogamente un'affidabilità accettabile attraverso queste successive onde di valutazione, con valori alfa di 0,877 e 0,897.

Le stime di affidabilità di base per il concetto accademico di sé (α = 0,676) e la competenza comunicativa (α = 0,683) erano al di sotto della soglia preferita di 0,70. Tuttavia, queste stime sono state mantenute per preservare la struttura di punteggio predefinita, ma indicano un errore di misura di base maggiore e possono attenuare o destabilizzare le stime di base aggiustate. Le scale correlate al processo post-intervento hanno mostrato una coerenza interna accettabile, con valori alfa di 0,760 per la qualità dell'interazione, 0,808 per l'autovalutazione e 0,806 per il coinvolgimento del discente.

Risultati accademici sull'autoconcetto

Entrambi i gruppi hanno sperimentato un aumento del concetto accademico di sé nel tempo, anche se il gruppo assistito dall'IA ha mostrato un guadagno decisamente maggiore. Dal punto di partenza alla valutazione immediatamente post-intervento, il punteggio medio del gruppo assistito dall'IA è passato da 3,00 ± 0,37 a 3,51 ± 0,48. Al contrario, il gruppo di confronto ha mostrato un modesto aumento da 3,05 ± 0,43 a 3,19 ± 0,60. Questo ha portato a una variazione media T2–T1 di 0,51 ± 0,44 per la coorte assistita da AI e 0,14 ± 0,46 per la coorte di confronto. La differenza risultante tra i gruppi nel punteggio di cambiamento è stata 0,37 (IC 95% [0,24, 0,50]), rappresentando un effetto statisticamente significativo con una grandezza elevata (Welch t = 5,28, p < 0,001, d di Cohen = 0,80).

Questo vantaggio è stato mantenuto durante la valutazione di follow-up. Il punteggio accademico sul concetto di sé ha raggiunto 3,57 ± 0,60 nel gruppo assistito dall'IA, rispetto a 3,20 ± 0,63 nel gruppo di istruzione abituale. La variazione media T3–T1 è stata di 0,57 ± 0,54 per il gruppo assistito dall'IA e 0,15 ± 0,48 per il gruppo di istruzioni abituale. La corrispondente differenza tra i gruppi nella variazione è aumentata leggermente a 0,42 (IC 95% [0,27, 0,57]), mantenendo una forte significatività statistica (Welch t = 5,46, p < 0,001, d di Cohen = 0,83). Queste traiettorie longitudinali a tre onde sono mostrate nella Figura 2A, mentre i confronti completi dei punteggi di cambiamento sono presentati nella Tabella 4.

La Tabella 5 presenta i risultati ANCOVA aggiustati in base al punto di partenza. Dopo aver controllato i punteggi di base e le covariabili rilevanti, l'assegnazione di gruppo didattica è stata associata a un concetto accademico di sé più elevato dopo l'intervento (B = 0,328, IC 95% [0,193, 0,463], SE = 0,069, t = 4,77, p < 0,001, modello^{R 2} = 0,395). Questa associazione è stata osservata anche al follow-up (B = 0,401, IC 95% [0,246, 0,556], SE = 0,079, t = 5,07, p < 0,001, modello R² = 0,384). Il concetto accademico di base di sé era una covaria significativa in entrambi i modelli analitici.

Risultati della competenza comunicativa

Gli studenti in condizioni assistite dall'IA hanno inoltre mostrato un miglioramento più marcato nella competenza comunicativa. Tra le misurazioni di base e post-intervento, il gruppo assistito dall'IA è migliorato da 2,85 ± 0,40 a 3,22 ± 0,63, mentre il gruppo di confronto ha mostrato un modesto aumento da 3,04 ± 0,38 a 3,12 ± 0,62. La variazione media T2–T1 è stata di 0,37 ± 0,45 per i partecipanti assistiti dall'IA e 0,08 ± 0,46 per i partecipanti al confronto. Questo ha prodotto una differenza statisticamente significativa tra i gruppi di variazione di 0,29 (IC 95% [0,15, 0,43]), corrispondente a una dimensione dell'effetto media-grande (Welch t = 4,14, p < 0,001, Cohen's d = 0,63).

Durante la fase di follow-up, i punteggi di competenza comunicativa sono aumentati a 3,41 ± 0,71 nel gruppo assistito dall'IA e 3,12 ± 0,69 nel gruppo di confronto. La variazione media T3–T1 è stata registrata come 0,57 ± 0,56 nella condizione di intervento contro 0,09 ± 0,57 nella condizione di confronto. La differenza in questi punteggi di cambiamento è stata di 0,48 (IC 95% [0,31, 0,65]), rappresentando un esito statisticamente significativo con grande dimensione dell'effetto (Welch t = 5,61, p < 0,001, d di Cohen = 0,85). La Figura 2B illustra queste traiettorie e la Tabella 4 fornisce i dati completi sui punteggi di variazione.

In linea con i punteggi grezzi di variazione, l'ANCOVA aggiustato per la base ha mostrato che l'assegnazione di gruppo era associata alla competenza comunicativa post-intervento (B = 0,301, IC 95% [0,158, 0,444], SE = 0,073, t = 4,14, p < 0,001, modello^{R 2} = 0,488). Questa associazione persisteva al follow-up (B = 0,516, IC 95% [0,340, 0,692], SE = 0,090, t = 5,72, p < 0,001, modello R² = 0,388). La competenza comunicativa di base è rimasta un predittore significativo in entrambi i modelli correttivi, come dettagliato nella Tabella 5.

Associazioni esplorative con la qualità dell'interazione, l'autovalutazione e il coinvolgimento dello studente

Le misure post-intervento hanno rivelato che la qualità dell'interazione, l'autovalutazione e il coinvolgimento degli studenti erano più elevati nel gruppo assistito dall'IA. La modellizzazione lineare ha indicato che l'assegnazione di gruppo era positivamente associata alla qualità dell'interazione (B = 0,344, SE = 0,075, t = 4,62, p < 0,001, modello^{R 2} = 0,133), autovalutazione (B = 0,291, SE = 0,082, t = 3,57, p < 0,001, modello^{R 2} = 0,118) e coinvolgimento dello studente (B = 0,361, SE = 0,081, t = 4,43, p < 0,001, modello R² = 0,129).

La Tabella 6 riassume i modelli di regressione esplorativa che hanno esaminato le associazioni legate ai processi con i cambiamenti di esame. Quando la qualità dell'interazione, l'autovalutazione e l'impegno dello studente venivano inseriti simultaneamente insieme all'assegnazione di gruppo, il gruppo didattico rimaneva associato a cambiamenti nel concetto accademico di sé (B = 0,299, SE = 0,078, t = 3,85, p < 0,001, modello R² = 0,191). Tuttavia, la qualità dell'interazione non ha mostrato alcuna associazione indipendente con il cambiamento accademico del concetto di sé in questo modello (B = 0,014, SE = 0,073, t = -0,20, p = 0,844). Sia l'autovalutazione (B = 0,108, SE = 0,065, t = 1,66, p = 0,099) sia l'impegno dello studente (B = 0,061, SE = 0,066, t = 0,93, p = 0,355) hanno mostrato tendenze positive ma statisticamente non significative. Questi modelli non sono stati interpretati come test formali di mediazione.

Un modello parallelo emerse per i cambiamenti nella competenza comunicativa. L'assegnazione di gruppi è rimasta significativa nel modello multipredictore (B = 0,252, SE = 0,082, t = 3,09, p = 0,002, modello R² = 0,141). La qualità dell'interazione (B = 0,131, SE = 0,075, t = 1,75, p = 0,082) e l'autovalutazione (B = 0,111, SE = 0,066, t = 1,68, p = 0,094) hanno mostrato associazioni positive ma non significative. L'impegno degli studenti è stato altrettanto non significativo (B = -0,083, SE = 0,066, t = -1,25, p = 0,214).

Codifica qualitativa e integrazione con metodi misti

Per integrare i risultati quantitativi, un sottocampione proposito di 36 studenti ha subito un'analisi qualitativa. I temi codificati erano strutturati attorno a quattro domini principali: qualità dell'interazione, autovalutazione, coinvolgimento degli studenti e barriere all'implementazione. La Figura 3A mostra la distribuzione di questi temi per condizione didattica.

All'interno della coorte assistita dall'IA, i temi codificati più frequenti erano spiegazione supportata dai pari supportata dall'IA (15 casi codificati), domande attive (14), controllo delle informazioni supportate dall'IA (14), consapevolezza del gap (13), ragionamento delle revisioni (12) e persistenza dei compiti (11). Le barriere di implementazione erano meno frequenti ma comunque osservate, inclusi un uso superficiale (5) e barriere tecniche (4). Nel gruppo di confronto, la spiegazione tra pari supportata dall'IA era assente per design, mentre la spiegazione tra pari relativa alla routine di prompt abbinato è apparsa in 10 casi codificati; Domande attive si sono presentate in 9 casi, consapevolezza del gap e persistenza del compito in 8 casi ciascuno, ragionamento di revisione in 7 casi e uso superficiale in 2 casi. Le barriere tecniche e il controllo delle informazioni supportate dall'IA sono state codificate come 0 nella condizione di confronto. Questi conteggi descrivono il numero di casi codificati nel sottocampione intervistato piuttosto che la popolazione.

L'integrazione dei dati quantitativi e qualitativi (Figura 3B) ha rivelato convergenza in due aree. Innanzitutto, i punteggi di qualità dell'interazione più alti registrati nel gruppo assistito dall'IA corrispondevano ai frequenti codici qualitativi per la spiegazione tra pari supportata dall'IA e il controllo delle informazioni supportate dall'IA. In secondo luogo, punteggi più alti di autovalutazione nel gruppo di intervento erano allineati con narrazioni qualitative che enfatizzano la consapevolezza delle lacune e il ragionamento delle revisioni. I temi qualitativi hanno inoltre ampliato i risultati dell'engagement mostrando che la partecipazione attiva dipendeva dall'autenticità percepita del compito, dalla moderazione degli insegnanti e dall'evitare l'uso superficiale dell'IA.

Riepilogo dei risultati

In sintesi, i risultati integrati suggeriscono che l'inserimento di prompt supportati dall'IA in un ciclo di apprendimento strutturato e centrato sullo studente era associato a un maggiore auto-concetto accademico auto-riportato e competenza comunicativa. I dati esplorativi del processo e le narrazioni qualitative erano coerenti con una routine in classe in cui la spiegazione tra pari, la verifica degli output dell'IA e l'autovalutazione strutturata supportavano le esperienze di apprendimento degli studenti. Questi risultati dovrebbero essere interpretati come prove convergenti a metodi misti per una routine di IA strutturata pedagogicamente piuttosto che come prova che l'esposizione all'IA da sola abbia prodotto i guadagni osservati.

DISPONIBILITÀ DEI DATI:

Un pacchetto completo di riproducibilità è stato preparato prima della presentazione della rivista, contenente il dataset grezzo completamente anonimizzato, un dizionario delle variabili (Tabella Supplementare 11), specifiche di punteggio (Tabella Supplementare 12), specifiche di pulizia dei dati (Supplementary Table 13), script e specifiche di analisi statistica (Supplementary Tables 14 e 15) e dati di sorgente per tabelle e figure (Supplementary Table 16). Per garantire il rispetto della privacy, sono stati esclusi tutti i registri degli studenti direttamente o indirettamente identificabili, i moduli di consenso grezzi e le cronologie delle chat private. Le tabelle strutturate venivano preparate come file di calcolo separati e modificabili, e le figure venivano fornite come file distinti, con le rispettive legende mantenute all'interno del manoscritto principale. Il dataset de-identificato e i materiali di riproducibilità sottostanti, inclusa la matrice degli item punteggi e la matrice di frequenza del codice qualitativo, sono disponibili pubblicamente nel repository Zenodo (https://zenodo.org/records/20609465). Il dataset di analisi contiene identificatori di classe, codifica di gruppi, tassi di presenza, punteggi della scala e punteggi di cambiamento degli esiti utilizzati per le analisi riportate.

Figura 1: Flusso di studio in classe e fidelizzazione dei partecipanti. Questa figura illustra il processo di selezione, l'assegnazione delle classi, il calendario delle valutazioni in tre ondate, i criteri di esclusione e il campionamento qualitativo dei colloqui. Il campione finale di analisi quantitativa comprendeva 174 studenti provenienti da sei classi intatte. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 2: Traiettorie a tre onde del concetto accademico di sé e della competenza comunicativa. (A) Cambiamenti longitudinali nel concetto accademico di sé attraverso valutazioni basali, post-intervento e di follow-up. (B) Cambiamenti longitudinali nella competenza comunicativa attraverso le corrispondenti onde di valutazione. Le barre di errore rappresentano l'errore standard della media; le etichette tracciate mostrano valori medi e SEM calcolati come SD/sqrt(n), con n = 87 per gruppo a ogni onda. Abbreviazioni: SEM = errore standard della media; SD = deviazione standard. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 3: Distribuzione qualitativa dei temi e integrazione con metodi misti. (A) Frequenze qualitative dei temi per gruppo didattico. (B) Allineamento strutturale dei temi qualitativi con i domini del processo quantitativo. I conteggi dei temi corretti si basano sulla matrice di frequenza del codice qualitativo nella Tabella Supplementare 10, inclusa la "verifica delle informazioni supportate dall'IA" (AI-assistita = 14; confronto = 0). Clicca qui per visualizzare una versione più grande di questa figura.

Costruzione / record	Intervallo di codici di articolo	Oggetti / record	Onda di misura	Intervallo di risposta	Direzione della colonna sonora	Elementi a punteggio inverso	Regola dei dati mancanti		Variabile finale	Uso analitico
Concezione accademica di sé	ASC1–ASC6	6 Elementi	T1, T2, T3	1–5	Più alto = un concetto accademico di sé più forte	ASC3, ASC5	Calcolare il punteggio della scala quando ≥5 elementi sono validi; altrimenti è mancante per quell'onda		ASC_T1, ASC_T2, ASC_T3	Risultato delle primarie; ANCOVA aggiustato al livello di base; Analisi del cambiamento del punteggio T2–T1 e T3–T1
Communi- Competenza cationica	CC1–CC6	6 Elementi	T1, T2, T3	1–5	Più alto = competenza comunicativa più forte	CC4	Calcolare il punteggio della scala quando ≥5 elementi sono validi; altrimenti è mancante per quell'onda		CC_T1, CC_T2, CC_T3	Risultato delle primarie; ANCOVA aggiustato al livello di base; Analisi del cambiamento del punteggio T2–T1 e T3–T1
Qualità dell'interazione	IQ1–IQ5	5 elementi	T2	1–5	Più alto = una qualità percepita dell'interazione in classe più forte	Nessuna	Calcolare il punteggio della scala quando ≥4 elementi sono validi; altrimenti impostato mancanza		IQ_T2	Variabile di processo; regressione esplorativa; Integrazione con metodi misti
Autovalutazione	SE1–SE5	5 elementi	T2	1–5	Più alto = una valutazione più forte durante l'apprendimento	SE2	Calcolare il punteggio della scala quando ≥4 elementi sono validi; altrimenti impostato mancanza		SE_T2	Variabile di processo; regressione esplorativa; Integrazione con metodi misti
Coinvolgimento degli studenti	LE1–LE6	6 Elementi	T2	1–5	Più alto = maggiore coinvolgimento degli studenti	LE5	Calcolare il punteggio della scala quando ≥5 elementi sono validi; altrimenti impostato mancanza		LE_T2	Variabile di processo; regressione esplorativa; Integrazione con metodi misti
Record di presenze	ATT1–ATT6	6 record di sessione	Ogni sessione	Presente / assente	Maggiore affluenza = maggiore esposizione	Non applicabile	Escludere dal campione analitico finale se più del 25% delle sessioni vengono saltate		Affluenza _rate	Controllo dell'esposizione; Screening di esclusione
Checklist Fidelity	FID1–FID6	6 valutazioni a livello di sessione	Ogni sessione	0–2 per componente	Più alto = fedeltà di protocollo più forte	Non applicabile	Punteggio ogni sessione osservata; Segna la deviazione a livello di sessione se la fedeltà <70%		fidelity_ Percentuale	Record di deviazione del protocollo; Interpretazione della sensibilità
Registro tecnico degli incidenti	TECH1–TECH6	Record a livello di sessione	Ogni sessione	Registro categorico	Non applicabile	Non applicabile	Registra se l'incidente colpisce più di un terzo degli studenti di una classe		technical_ Deviazione	record di deviazioni tecniche; Interpretazione della sensibilità
Intervista qualitativa	INT1–INT5	Domini semi-strutturati	Dopo l'intervento	Note di testo / audio	Frequenza del tema per dominio codificato	Non applicabile	Usa solo trascrizioni o appunti strutturati con valido consenso e documento anonimo		qualitative_ code_matrix	Spiegazione a metodi misti della qualità dell'interazione, dell'autovalutazione e del coinvolgimento dello studente

Tabella 1: Struttura del questionario, regole di punteggio e utilizzo analitico. Questa tabella definisce la mappa di punteggio bloccata stabilita prima della pulizia e dell'analisi dei dati. T1 si riferisce alla valutazione di base, T2 indica la valutazione immediatamente post-intervento, e T3 indica la valutazione di follow-up. I punteggi della scala vengono calcolati come la media aritmetica degli elementi validi seguendo procedure di codifica inversa. Non vengono imputate onde di valutazione completamente assenti.

Misura	Onda	Gruppo	N	Mediocre	SD
Concezione accademica di sé	Base T1	Solito incentrato sullo studente	87	3.05	0.43
Concezione accademica di sé	Base T1	Istruzione assistita dall'IA e centrata sullo studente	87	3	0.37
Concezione accademica di sé	T2 post-intervento	Solito incentrato sullo studente	87	3.19	0.6
Concezione accademica di sé	T2 post-intervento	Istruzione assistita dall'IA e centrata sullo studente	87	3.51	0.48
Concezione accademica di sé	Follow-up T3	Solito incentrato sullo studente	87	3.2	0.63
Concezione accademica di sé	Follow-up T3	Istruzione assistita dall'IA e centrata sullo studente	87	3.57	0.6
Competenza comunicativa	Base T1	Solito incentrato sullo studente	87	3.04	0.38
Competenza comunicativa	Base T1	Istruzione assistita dall'IA e centrata sullo studente	87	2.85	0.4
Competenza comunicativa	T2 post-intervento	Solito incentrato sullo studente	87	3.12	0.62
Competenza comunicativa	T2 post-intervento	Istruzione assistita dall'IA e centrata sullo studente	87	3.22	0.63
Competenza comunicativa	Follow-up T3	Solito incentrato sullo studente	87	3.12	0.69
Competenza comunicativa	Follow-up T3	Istruzione assistita dall'IA e centrata sullo studente	87	3.41	0.71

Tabella 2: Punteggi descrittivi degli esiti primari per gruppo e ondata. Questa tabella presenta metriche descrittive per l'autoconcetto accademico e la competenza comunicativa sia nel gruppo di istruzione assistita dall'IA sullo studente sia nel consueto gruppo di istruzione centrata sullo studente nelle tre ondate di valutazione. Abbreviazioni: SD = deviazione standard.

Costrutto	Oggetti	L'alfa di Cronbach	Decisione
Autoconcetto accademico, T1	6	0.676	Borderline; Mantenuto secondo la mappa di punteggio predefinita
Autoconcetto accademico, T2	6	0.828	Accettabile
Autoconcetto accademico, T3	6	0.876	Accettabile
Competenza comunicativa, T1	6	0.683	Borderline; Mantenuto secondo la mappa di punteggio predefinita
Competenza nella comunicazione, T2	6	0.877	Accettabile
Competenza comunicativa, T3	6	0.897	Accettabile
Qualità dell'interazione, T2	5	0.76	Accettabile
Autovalutazione, T2	5	0.808	Accettabile
Coinvolgimento degli allievi, T2	6	0.806	Accettabile

Tabella 3: Stime di coerenza interna per le misure dello studio. Questa tabella riporta i valori alfa di Cronbach per le scale di esito primario e quelle relative ai processi. Sono state mantenute stime di affidabilità di base borderline per aderire rigorosamente alla mappa di punteggio predefinita.

Cambiamento assistito dall'IA significa	SD di cambiamento assistito dall'IA	Media di variazione del confronto	Modifica di confronto SD	Differenza media	IC del 95% per differenza	Welch t	Valore p	La d di Cohen
0.51	0.44	0.14	0.46	0.37	[0.24, 0.50]	5.28	<0.001	0.8
0.57	0.54	0.15	0.48	0.42	[0.27, 0.57]	5.46	<0.001	0.83
0.37	0.45	0.08	0.46	0.29	[0.15, 0.43]	4.14	<0.001	0.63
0.57	0.56	0.09	0.57	0.48	[0.31, 0.65]	5.61	<0.001	0.85

Tabella 4: Differenze tra gruppi nei punteggi di cambiamento degli esiti. Questa tabella riporta i punteggi di cambiamento T2–T1 e T3–T1 per il concetto accademico di sé e la competenza comunicativa. Le differenze tra gruppi sono state valutate utilizzando i test t di Welch, con intervalli di confidenza del 95% e la d di Cohen riportata per la trasparenza. Abbreviazioni: CI = intervallo di confidenza; SD = deviazione standard.

Esito	N	Gruppo B	IC del 95% per il Gruppo B	SE	t	Valore p	Esito di base B	Valore di base p	Model R²
Autoconcetto accademico, T2	174	0.328	[0.193, 0.463]	0.1	5	<0.001	0.748	<0.001	0.395
Autoconcetto accademico, T3	174	0.401	[0.246, 0.556]	0.1	5	<0.001	0.827	<0.001	0.384
Competenza nella comunicazione, T2	174	0.301	[0.158, 0.444]	0.1	4	<0.001	1.116	<0.001	0.488
Competenza comunicativa, T3	174	0.516	[0.340, 0.692]	0.1	6	<0.001	1.095	<0.001	0.388

Tabella 5: Risultati ANCOVA aggiustati in base per gli esiti primari. Questa tabella presenta i modelli ANCOVA adeguati alla base per il concetto accademico di sé post-intervento e il follow-up e la competenza comunicativa, inclusi coefficienti di gruppo, intervalli di confidenza al 95%, errori standard, valori p e valori R² del modello. La variabile di gruppo didattico era codificata come 0 per l'istruzione usuale centrata sullo studente e 1 per l'istruzione assistita dall'IA e centrata sullo studente. Abbreviazioni: CI= intervallo di confidenza; SE= errore standard.

Cambiamento degli esiti	Predittore	B	SE	t	Valore p	Modello R2	Interpretazione
Cambiamento del concetto accademico di sé	Gruppo didattico	0.299	0.078	3.85	<0.001	0.191	Associazione di gruppo mantenuta
Cambiamento del concetto accademico di sé	Qualità dell'interazione	-0.014	0.073	-0.20	0.844		Non è indipendente
Cambiamento del concetto accademico di sé	Autovalutazione	0.108	0.065	1.66	0.099		Tendenza positiva, non significativa
Cambiamento del concetto accademico di sé	Coinvolgimento degli studenti	0.061	0.066	0.93	0.355		Non è indipendente
Cambiamento delle competenze comunicative	Gruppo didattico	0.252	0.082	3.09	0.002	0.141	Associazione di gruppo mantenuta
Cambiamento delle competenze comunicative	Qualità dell'interazione	0.131	0.075	1.75	0.082		Tendenza positiva, non significativa
Cambiamento delle competenze comunicative	Autovalutazione	0.111	0.066	1.68	0.094		Tendenza positiva, non significativa
Cambiamento delle competenze comunicative	Coinvolgimento degli studenti	-0.083	0.066	-1.25	0.214		Non è indipendente

Tabella 6: Regressione esplorativa e risultati diagnostici a livello di classe per i cambiamenti degli esiti. Questa tabella riporta associazioni lineari esplorative tra gruppi di insegnamento, qualità dell'interazione, autovalutazione, coinvolgimento degli studenti e punteggi di cambiamento degli esiti, insieme a diagnostiche ICC a livello di classe. Questi modelli non sono stati interpretati come test di mediazione confermatoria. Abbreviazioni: SE = errore standard.

Tabella supplementare 1: Guida alle lezioni in classe per sei sessioni. Riassume gli obiettivi di apprendimento, le allocazioni delle fasi pedagogiche e le evidenze conservate per l'analisi. Clicca qui per scaricare questo file.

Tabella supplementare 2: Foglio di prompt per l'IA per il gruppo di intervento. Descrive le funzioni consentite, gli usi proibiti e i documenti degli studenti obbligatori. Clicca qui per scaricare questo file.

Tabella supplementare 3: Scheda di prompt per insegnanti nel gruppo di confronto. Descrive i prompt standardizzati guidati dall'insegnante utilizzati per corrispondere alla struttura didattica del gruppo assistito dall'IA. Clicca qui per scaricare questo file.

Tabella supplementare 4: Modello di scheda di lavoro per studenti. Fornisce i campi, i formati e lo stato di raccolta dati richiesti. Clicca qui per scaricare questo file.

Tabella supplementare 5: Modulo di autovalutazione. Riassume gli elementi di riflessione, i formati di risposta e le rispettive regole di codifica. Clicca qui per scaricare questo file.

Tabella supplementare 6: Checklist per l'osservazione e la fedeltà in classe. Fornisce le rubriche di valutazione specifiche per componente da 0 a 2. Clicca qui per scaricare questo file.

Tabella supplementare 7: Registro tecnico degli incidenti. Documenta i tipi di incidenti, il numero di studenti interessati e i codici di deviazione del protocollo. Clicca qui per scaricare questo file.

Tabella supplementare 8: Guida semi-strutturata per i colloqui. Dettaglia i domini qualitativi, le domande fondamentali, le sonde opzionali e i costrutti collegati. Clicca qui per scaricare questo file.

Tabella supplementare 9: Codice qualitativo. Definisce i domini, le regole di inclusione ed esclusione e le fonti specifiche di evidenza. Clicca qui per scaricare questo file.

Tabella supplementare 10: Matrice di frequenza dei codici qualitativi. Riporta il conteggio codificato dei casi in entrambi i gruppi di istruzione. Clicca qui per scaricare questo file.

Tabella supplementare 11: Dizionario dati. Definisce nomi variabili, etichette, valori consentiti, regole di valore mancanti e usi per l'analisi. Clicca qui per scaricare questo file.

Tabella supplementare 12: Specifiche di punteggio. Dettaglia elementi codificati inversamente, requisiti minimi validi per gli elementi, formule di scala e variabili di output per ogni costrutto. Clicca qui per scaricare questo file.

Tabella supplementare 13: Specifiche per la pulizia dei dati. Descrive i passaggi di pulizia, le regole e i log di output generati per la verifica del dataset. Clicca qui per scaricare questo file.

Tabella supplementare 14: Specifiche per l'analisi statistica. Riassume le procedure analitiche, i modelli e le soglie decisionali per analisi primarie e secondarie. Clicca qui per scaricare questo file.

Tabella supplementare 15: Specifiche di analisi sensibili al cluster. Descrive le procedure e le regole di interpretazione per l'aggregazione a livello di classe e le revisioni di deviazione del protocollo. Clicca qui per scaricare questo file.

Tabella supplementare 16: Indice dei dati di origine. Collega le tabelle di output finali e i dati alle statistiche richieste, ai file sorgente e alle posizioni dei manoscritti. Clicca qui per scaricare questo file.

Discussione

Questo studio ha esaminato se l'integrazione di strumenti assistiti dall'IA nell'istruzione incentrata sullo studente fosse associata a cambiamenti nell'autoconcetto accademico degli adolescenti e nella competenza comunicativa auto-riferita. Durante il periodo di osservazione di tre ondate, gli studenti della coorte assistita dall'IA hanno mostrato guadagni maggiori in entrambi gli esiti rispetto a quelli che ricevevano l'istruzione abitualmente centrata sullo studente. Questa traiettoria è stata coerente attraverso i modelli grezzi dei punteggi, le metriche dei punteggi di cambiamento e i modelli ANCOVA aggiustati in base alla base. Tuttavia, poiché il disegno utilizzava classi intatte, risultati auto-riportati e un piccolo numero di cluster di classe, questi risultati dovrebbero essere interpretati come associazioni promettenti basate sulla classe piuttosto che come prove causali definitive di un miglioramento delle prestazioni accademiche.

Il miglioramento osservato nell'autoconcetto accademico è coerente con il presupposto che le convinzioni degli studenti sulle proprie capacità accademiche siano plasmate da esperienze cumulative di compiti e feedback continui. Il concetto accademico di sé non funziona come un senso generalizzato di autostima, ma come un costrutto specifico di dominio che risponde alla competenza percepita durante attività di apprendimento specifiche. L'intervento richiedeva agli studenti di generare spiegazioni iniziali, esaminare criticamente i suggerimenti generati dall'IA, dibattere queste idee con i coetanei e perfezionare le risposte finali. Questi cicli iterativi potrebbero aver fornito agli studenti prove visibili di progresso, offrendo una spiegazione plausibile per il modello osservato di autoconcetto^{accademico 8}.

I risultati riguardanti la competenza comunicativa indicano un processo in classe simile. Il gruppo assistito dall'IA non fu esposto solo a informazioni supplementari; Il design didattico richiedeva agli studenti di articolare, confrontare e giustificare i concetti durante le interazioni tra coetanei. Il feedback funzionava quindi come una sequenza continua di prompt per l'IA, repliche dei pari e chiarimenti mirati per gli insegnanti. Questa struttura dialogica può aiutare a spiegare il continuo aumento della competenza comunicativa auto-riportata osservato al follow-up. Nel contesto attuale, i maggiori schemi di sviluppo sono emersi quando agli studenti è stato chiesto di tradurre il feedback in spiegazioni verbali riviste invece di assorbirlo^{passivamente 9}.

L'analisi tematica qualitativa fornisce un contesto essenziale per queste traiettorie quantitative. Le narrazioni delle interviste del gruppo assistito dall'IA presentavano prevalentemente resoconti di spiegazioni tra pari supportate dall'IA, rigorosa verifica dei fatti di risultati incerti e pratiche di autovalutazione trasparenti. Questi temi rispecchiano la struttura intesa dell'intervento, in cui il testo generato dall'IA è stato posizionato rigorosamente come materia prima per la valutazione critica piuttosto che come verità definitiva. Questa impostazione epistemologica è importante perché l'utilità educativa reale dell'IA dipende interamente da come gli studenti interagiscono con l'output. Quando gli studenti copiano semplicemente le risposte dell'IA, il processo cognitivo rimane limitato. Al contrario, quando i risultati vengono criticamente messi in discussione, contrastati e revisionati iterativamente, possono supportare un processo esplicativo più attivo. Le dinamiche osservate così somigliano a un paradigma di auto-spiegazione guidata piuttosto che a un semplice effetto di esposizione alla tecnologia¹⁰.

L'autovalutazione è emersa come un altro processo critico in classe, anche se i modelli di regressione esplorativa non l'hanno identificata in modo definitivo come un mediatore indipendente. Gli studenti nella condizione assistita dall'IA hanno riportato punteggi elevati di autovalutazione, e la codifica qualitativa ha evidenziato una frequenza più elevata di comportamenti legati al riconoscimento delle lacune di conoscenza e alla razionalizzazione delle revisioni. Tuttavia, inserito in un modello multipredictore insieme a varie variabili di assegnazione di gruppo e altri meccanismi, l'autovalutazione non ha raggiunto significatività statistica come predittore autonomo del cambiamento dell'esito. Un'interpretazione misurata è che, sebbene l'autovalutazione fosse una componente integrante della routine di apprendimento, la sua influenza era probabilmente intrecciata con la qualità dell'interazione, la chiarizione degli insegnanti e il coinvolgimento complessivo dei compiti. Questa visione sinergica si allinea bene con i quadri di valutazione formativi, che affermano che l'apprendimento autoregolato matura attraverso una combinazione olistica di feedback, definizione di standard, monitoraggio continuo e opportunità strutturate per colmare i divari di performance¹¹.

Un grado simile di cautela interpretativa deve essere applicato al coinvolgimento dello studente. Sebbene il gruppo assistito dall'IA abbia mostrato un coinvolgimento complessivo più elevato, come confermato da resoconti qualitativi di domande attive e persistenza del compito, la partecipazione non è stata uniformemente robusta in tutta la coorte. I dati delle interviste hanno rivelato che il coinvolgimento effettivo rimaneva fortemente dipendente dall'autenticità percepita del compito e dall'efficacia della moderazione degli insegnanti. Questa variabilità è teoricamente coerente; Il coinvolgimento non è un comportamento monolitico, ma una costruzione multidimensionale che comprende aspetti comportamentali, emotivi e cognitivi, tutti profondamente sensibili ai cambiamenti contestuali immediati della classe¹². Pertanto, questi risultati non implicano che l'integrazione dell'IA migliori automaticamente il coinvolgimento degli studenti. Piuttosto, indicano che il coinvolgimento è ottimizzato quando l'indagine guidata dall'IA è strettamente accompagnata da compiti autentici, dialogo strutturato tra pari e supervisione attiva degli insegnanti.

Oltre a queste variabili specifiche, questo studio offre un contributo mirato a livello di classe al più ampio dibattito sull'IA nell'istruzione. Gran parte del dibattito contemporaneo ruota fortemente attorno a questioni macroscopiche come l'accessibilità degli strumenti, la personalizzazione algoritmica, l'automazione dei compiti o il rischio esistenziale di una dipendenza cognitiva eccessiva. L'attuale studio ha implementato deliberatamente l'IA in modo molto più limitato: fungendo esclusivamente da generatore iterativo di prompt integrato in un ciclo di apprendimento strutturato. Questa moderazione pedagogica è cruciale. L'IA non è mai stata posizionata come un sostituto per l'esperienza degli insegnanti o la socializzazione tra pari. Veniva sfruttata esclusivamente per generare attrito cognitivo—producendo materiale che gli studenti dovevano interrogare, dibattere e perfezionare. Un tale tipo di organizzazione didattica affronta direttamente una limitazione diffusa nella ricerca esistente sull'IA nell'istruzione, che spesso enfatizza eccessivamente la capacità tecnologica pura a scapito delle specifiche condizioni pedagogiche necessarie per^sfruttarla.

Questi risultati devono essere interpretati alla luce di diverse limitazioni metodologiche. Innanzitutto, la dipendenza da classi intatte piuttosto che da assegnazioni casuali individuali limita l'inferenza causale. Sebbene una minore competenza comunicativa di base nel gruppo assistito dall'IA sia stata affrontata tramite modelli di base adeguati, non si può escludere una regressione alle differenze medie e non misurate a livello di classe. In secondo luogo, erano disponibili solo sei gruppi di aule. Gli ICC per i punteggi di cambiamento nelle primarie variavano da 0,105 a 0,165, indicando la dipendenza a livello di classe, ma il piccolo numero di cluster limitava la stabilità della modellizzazione multilivello e dell'inferenza aggiustata per cluster. In terzo luogo, l'intervallo di follow-up è stato relativamente breve (quattro settimane), escludendo conclusioni sulla durata per un intero periodo accademico. In quarto luogo, le analisi del processo sono state esplorative e non hanno stabilito una catena di mediazione causale verificata.

Anche i vincoli di misurazione e implementazione meritano di essere considerati. Due stime di affidabilità di base erano al di sotto della soglia preferita, il che potrebbe aver introdotto rumore di misurazione di base. I risultati sono stati principalmente auto-riferiti e quindi non stabiliscono se il rendimento accademico reale, il comportamento comunicativo oggettivo o il rendimento valutato indipendentemente siano migliorati. Spiegazioni alternative, tra cui gli effetti di novità associati all'uso dell'IA, l'entusiasmo degli insegnanti, la variazione culturale in classe, la disceabilità nella familiarità digitale e le differenze nel clima dei gruppi di pari, potrebbero aver contribuito ai modelli osservati. I registri di presenza, i registri tecnici degli incidenti e le checklist di fedeltà hanno mitigato alcuni rischi di implementazione, ma non possono catturare completamente la variazione individuale nel modo in cui gli studenti hanno interpretato o utilizzato i prompt AI¹⁴.

Le ricerche future dovrebbero testare rigorosamente questa logica didattica su una gamma più ampia di gruppi di aula ed estendere i tempi di follow-up per valutare la retenzione longitudinale. Uno studio a cluster completamente randomizzato permetterebbe una stima più precisa degli effetti distinti a livello di insegnante e classe. Le indagini successive dovrebbero anche esplorare se questi modelli di sviluppo rimangano coerenti in diverse discipline accademiche, livelli scolastici e gruppi di abilità degli studenti. Inoltre, districare specifiche modalità di supporto all'IA (ad esempio, generazione di spiegazioni, feedback di revisione e stimoli di autovalutazione) fornirebbe intuizioni più precise rispetto a concettualizzare l'assistenza AI come un intervento indifferenziato. I progetti a metodi misti rimarranno indispensabili per far avanzare questa linea di ricerca, poiché l'interazione tra fedeltà dell'implementazione, interpretazione degli studenti e interazione in classe determina spesso perché un intervento standardizzato abbia successo o fallisca in diversi contesti^{educativi 15}.

Nel complesso, questo studio suggerisce che l'istruzione assistita dall'IA e incentrata sullo studente possa supportare l'autoconcetto accademico e la competenza comunicativa auto-riportata degli adolescenti quando la tecnologia è integrata in una routine di classe strutturata e interattiva. L'implicazione principale non è che l'IA da sola migliori l'apprendimento. Piuttosto, le evidenze supportano una conclusione più misurata: i prompt per l'IA sono più utili dal punto di vista educativo quando agli studenti è richiesto di mettere in discussione, discutere, rivedere e valutare criticamente i risultati generati dall'IA sotto una guida sostenuta dell'insegnante. Questo approccio equilibrato è rilevante per gli educatori che desiderano utilizzare tecnologie emergenti preservando l'interazione tra pari, la moderazione degli insegnanti e l'apprendimento riflessivo umano.

Materiali

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
ChatGPT	OpenAI	https://chatgpt.com	Piattaforma istituzionalmente approvata utilizzata come componente didattico per le indagini e le richieste degli studenti.
Grammarly	Grammarly, Inc.	https://www.grammarly.com	Utilizzato durante la preparazione del manoscritto per il supporto di lucidatura linguistica e formattazione
SPSS	IBM Corp.	SCR_002865	Utilizzato per l'analisi dei dati quantitativi, inclusi ANCOVA aggiustati alla baseline, test t, correlazioni di Pearson e ICC.
NVivo	Lumivero	https://lumivero.com/products/nvivo	Utilizzato per codificare trascrizioni di interviste semi-strutturate e calcolare la kappa di Cohen per codificatori indipendenti.
Qualtrics	Qualtrics, LLC	https://www.qualtrics.com	Utilizzato per somministrare questionari di valutazione di base, post-intervento e di follow-up.