GCRI · Campaigns
Alfabetizzazione sull'IA responsabile
L'intelligenza artificiale oggi influenza ciò che le persone leggono, quali servizi ricevono e come vengono creati i contenuti. L'alfabetizzazione responsabile all'IA è una comprensione pratica di ciò che questi sistemi fanno, di dove falliscono e di quali diritti hanno le persone quando vengono usati. Comprende il riconoscimento dei media sintetici, la valutazione delle risposte generate e il sapere quando le decisioni automatizzate possono essere contestate. Questa pagina illustra come nascono e si diffondono i fraintendimenti sull'IA, come si misura l'alfabetizzazione e quali decisioni spettano a educatori, regolatori e piattaforme.
Responsible AI literacy on the record.
Responsible AI literacy: how the risk develops.
Practical understanding of AI risks. The dossier below sets out how the risk develops, what is measured, where the data come from, how it is modelled and who decides.
Le capacità sono valutate in modo errato
Le persone ripongono troppa fiducia nell'output fluente delle macchine, uno schema noto come distorsione da automazione, e talvolta scartano strumenti utili dopo un solo errore. I sistemi conversazionali inducono ad attribuire una comprensione e un'intenzione che non possiedono, il che influisce sull'attenzione con cui se ne verificano le risposte.
Provenance blurs
Synthetic images, audio and text can be produced cheaply and are hard to tell apart from authentic material. The doubt they create also lets genuine evidence be dismissed as fabricated, a pattern described as the liar’s dividend.
Harms fall unevenly
Errori e distorsioni nei sistemi automatizzati ricadono soprattutto su chi è meno in grado di accorgersene o di contestarli, come i beneficiari di prestazioni, chi cerca lavoro e i parlanti di lingue con meno risorse. Un lavoro di alfabetizzazione che raggiunge solo gli utenti sicuri di sé amplia questo divario.
L'uso supera la comprensione
Gli strumenti vengono adottati sul lavoro, nelle scuole e nei servizi pubblici prima che utenti, insegnanti o dipendenti pubblici condividano un vocabolario per descriverne i limiti. Le idee errate si diffondono attraverso i consigli tra pari e le affermazioni di marketing e si radicano nella pratica prima che esistano linee guida.
Un modello a soglia del comportamento collettivo.
Ogni agente agisce quando lo hanno fatto abbastanza dei suoi contatti; piccole variazioni della soglia media o dei primi a muoversi decidono se il comportamento resta locale o si propaga a cascata nella popolazione. Modello didattico con valori illustrativi dichiarati, non una previsione.
Comandi
- Soglia media (quota di vicini)
- 18%
- Dispersione delle soglie
- 8 punti
- Primi a muoversi
- 2,0% delle persone
- Contatti per persona
- 8
Letture
- Quota di chi ha agito alla fine
- 100%
- Cascata globale
- Sì
- Passaggi fino al regolamento
- 8
Numeri, metodi e fonti
| Passaggio | Quota di chi ha agito (%) |
|---|---|
| 0 | 3.3 |
| 1 | 10.0 |
| 2 | 26.3 |
| 3 | 49.3 |
| 4 | 71.0 |
| 5 | 88.5 |
| 6 | 98.8 |
| 7 | 100.0 |
| 8 | 100.0 |
Metodi
- Threshold models of collective behaviour Granovetter (1978), American Journal of Sociology 83
- Global cascades on random networks Watts (2002), PNAS 99
- Complex contagions Centola and Macy (2007), American Journal of Sociology 113
- One-at-a-time sensitivity (tornado) Saltelli and others (2008), Global Sensitivity Analysis: The Primer, Wiley
Dati
No observed data enters this model: it runs on the teaching values set by the controls, to be replaced with a programme’s own evidence.
Nei sei pilastri, sotto la guida di Nexus Consortium
- Esperimenti Laboratori
- Built in Campaigns in Foundry
- Tested at Campaigns in Universe
- Codificato in Governance, sicurezza e società in Standards
- Pubblicato in Le Campagne nei Rapporti
- Insegnato in Facoltà di Governance, politiche e affari internazionali in Academy
AI literacy matters wherever AI enters a domain’s services.
- SaluteIn praticaCapire che cosa l'IA clinica può e non può fare.Che cosa può verificare un lettoreMisure di alfabetizzazione
- FoodIn practiceJudging advisory tools for farmers.What a reader can checkUse and trust
- WaterIn practiceUnderstanding automated alerts from utilities.What a reader can checkResponse to alerts
Findings are designed for the Exponential Technology series. UNESCO’s Recommendation on the Ethics of AI (2021) includes AI literacy among its policy areas.
- Programmi di studio e valutazioni.
- Accounts of AI tools in daily life.
How Responsible AI literacy is modelled, measured and tested.
Il modello, le sue ipotesi, i suoi dati e la sua incertezza, nella forma in cui uno scienziato o un ingegnere li verificherebbe. Le strutture seguono metodi pubblicati. I valori rappresentati sono illustrativi, non risultati.
Modello di sistema
The couplings between the systems in Responsible AI literacy: signs of influence, a reinforcing and a balancing loop, and cross-links where stress jumps.
Cosa viene misurato e con quale accuratezza.
Ogni indicatore riporta la sua unità, la sua cadenza, il tipo di fonte su cui si basa e l'etichetta di evidenza che un valore riporterebbe. Non sono mostrati valori: un programma li fornisce sotto la propria autorità.
| Indicatore | Unità | Cadenza | Tipo di fonte | Etichetta |
|---|---|---|---|---|
| Self-assessed understanding of AI | percentuale di intervistati | per ondata di indagine | Eurobarometro e indagini nazionali | RIPORTATO |
| Accuratezza nell'identificazione dei media sintetici | percentuale di risposte corrette in un compito controllato | per studio | Experimental audience research | OSSERVATO |
| Awareness of rights over automated decisions | percentuale di intervistati | per ondata di indagine | National and EU surveys | RIPORTATO |
| Preoccupazione per la difficoltà di distinguere i contenuti reali da quelli falsi online | percentuale di intervistati | annuale | Reuters Institute Digital News Report | RIPORTATO |
| Insegnanti formati all'uso dell'IA | percentuale di insegnanti | per ciclo di rilevazione | OECD TALIS and education ministries | Statistiche pubblicate |
| Reported AI incidents involving deception or impersonation | incidents per month | mensile | AI Incident Database | RIPORTATO |
| Misure di alfabetizzazione sull'IA nelle politiche nazionali | numero di misure per tipo | annuale | Banca dati delle politiche di OECD.AI | DICHIARATO |
Da dove provengono le evidenze.
Set di dati pubblici e registri istituzionali specifici, ciascuno con la sua classe di licenza. Le fonti soggette ad accordo sono utilizzate solo alle relative condizioni e mai ripubblicate.
| Fonte | Cosa fornisce | Classe di licenza |
|---|---|---|
| Eurobarometer surveys on artificial intelligence and the digital decade | Consapevolezza, atteggiamenti e aspettative sull'IA negli Stati membri dell'UE | Riutilizzo libero con attribuzione |
| Stanford AI Index | Raccolta annuale di dati su ricerca, diffusione, politiche e opinione pubblica in materia di IA | CC BY-ND 4.0 |
| Osservatorio OECD.AI sulle politiche | Strategie nazionali sull'IA e misure di policy, inclusi istruzione e competenze | Condizioni OECD, gratuito con attribuzione |
| AI Incident Database | Reported incidents of harm or near harm involving AI systems | CC BY-SA 4.0 |
| Reuters Institute Digital News Report | Grado di accettazione pubblica dell'IA nelle notizie e preoccupazione per i contenuti falsi | Lettura gratuita; dati d'indagine su richiesta |
| OECD TALIS | Formazione degli insegnanti, pratica e uso di strumenti digitali | Condizioni OECD, gratuito con attribuzione |
| Indagini del Pew Research Center sull'IA | Consapevolezza e atteggiamenti del pubblico verso l'IA in diversi paesi | Uso libero con attribuzione; dataset su richiesta |
Chi decide, e a cosa servono le evidenze.
Campaigns prepara le evidenze. Le decisioni qui sotto sono prese dalle autorità indicate, secondo le proprie norme, e mai dalla piattaforma.
| Chi decide | La domanda | Evidenze fornite da questa pagina |
|---|---|---|
| Ministries of education and curriculum authorities | Di quali competenze in materia di IA hanno bisogno studenti e docenti, e in quali fasi | Teacher training data; competency frameworks; tested teaching material |
| AI and data protection regulators | Come vigilare sugli obblighi di alfabetizzazione e trasparenza in materia di IA, come l'articolo 4 del Regolamento UE sull'IA | Indagini di sensibilizzazione; registri degli incidenti; misure di alfabetizzazione nelle politiche |
| Piattaforme online e fornitori di IA | Come etichettare i contenuti sintetici e spiegare agli utenti i limiti del sistema | Research on label comprehension; incident patterns; provenance standards |
| Organismi di gestione elettorale | How to prepare voters for synthetic media during elections | Ricerca sui compiti di rilevamento; registri delle voci; fiducia nelle informazioni elettorali |
Output prodotti da questo argomento
- Spiegazioni pratiche su come i sistemi generativi e predittivi funzionano e falliscono
- Esercizi di verifica della fonte e della provenienza dei contenuti multimediali, con i relativi limiti dichiarati
- Guide in linguaggio semplice ai diritti sulle decisioni automatizzate secondo la normativa applicabile
- Teaching material for educators aligned with UNESCO AI competency frameworks
Cosa si chiedono gli esperti.
- 01
Che cosa dovrebbe capire un non specialista?
That AI systems learn patterns from data, can be confidently wrong and reflect the limits of what they were trained on.
- 02
Which risks are practical today?
Fabricated content, impersonation, automated errors in services, privacy loss and over-reliance on generated answers.
- 03
Come possono le persone verificare ciò che vedono?
Habits of verification: source tracing, provenance signals and asking who benefits from a claim.
- 04
What recourse exists?
Come le persone possono contestare una decisione automatizzata, correggere i dati che le riguardano o segnalare abusi.
Cosa determina l'esito.
I modelli generativi producono testo, immagini e audio fluidi prevedendo output plausibili, non verificando i fatti. La fluidità induce fiducia, ed è per questo che errori e falsificazioni possono diffondersi. I media sintetici abbassano il costo della usurpazione d'identità e della produzione su larga scala di materiale fuorviante.
I sistemi decisionali automatizzati usati per concedere prestiti, assumere, erogare prestazioni o nelle attività di polizia possono incorporare nei propri dati schemi storici, e il loro ragionamento può essere difficile da spiegare. Gli errori ricadono in modo disomogeneo, e le persone interessate possono non sapere che sia stato coinvolto un sistema automatizzato.
Il dibattito pubblico oscilla tra allarmismo ed entusiasmo eccessivo. Entrambi falsano il giudizio. L'attività di alfabetizzazione mira a una comprensione calibrata: che cosa i sistemi attuali fanno in modo affidabile, dove falliscono e quali salvaguardie esistono.
Come si raccolgono le evidenze e dove si fermano.
| Metodo | Cosa mostra | Il suo limite |
|---|---|---|
| Misconception surveys | Common beliefs about how AI works | Le convinzioni cambiano rapidamente con i nuovi strumenti |
| Esercitazioni pratiche | Whether people can spot errors or synthetic content | Le competenze di rilevamento potrebbero non essere trasferibili a nuovi formati |
| Revisione da parte di esperti | Accuracy of claims about capabilities | Capabilities change between review and reading |
| Misure di follow-up | Se le abitudini di verifica persistono | Abbandono e distorsione da autovalutazione |
Come viene studiato, e cosa i metodi non possono dire.
Where this page’s references lead.
Gli organismi e i documenti alla luce dei quali si legge questa pagina. Stato ed edizioni cambiano; ogni link porta all'organismo emittente.
Domande e risposte.
Si può imparare a riconoscere i deepfake?
What is content provenance?
What rights do people have over automated decisions?
Does Campaigns rate AI products?
La piattaforma valuta o classifica i prodotti di intelligenza artificiale?
Is AI used to produce campaign material?
Come si mantiene aggiornato il materiale?
Contribuisci con evidenze da questa pagina.
Reports è la pubblicazione trimestrale del consorzio. Ciò che sai su questo tema può diventare un'evidenza, un caso o una correzione nella prossima edizione, attribuita a te e pubblicata con licenza CC BY 4.0 se si tratta di un tuo lavoro.
- E-mailPortale GW-GCRIInvialo da questa paginaUn'evidenza, una correzione, un caso, un metodo, una revisione, una traduzione o un contributo a un profilo. Arriva etichettata con questa pagina, così la riceve la persona redattrice che ne è responsabile.
- ZenodoOpen depositDeposit it and submit to the communityPublish your own record on Zenodo with your ORCID iD, then submit it to the Reports community there. Curators review it; the DOI stays yours.
- RapportiGCRIVedi tutti i modi per contribuireI tipi di contributo, come viene revisionato ciascuno, il riconoscimento che ricevi, la licenza e ciò che non è mai accettato.
Non inviare mai dati personali, dettagli su infrastrutture sensibili o qualsiasi cosa che tu non abbia il diritto di condividere. Un contributo viene sottoposto a revisione prima dell'uso; inviarlo non conferisce diritti di paternità né editoriali, e la sponsorizzazione non compra mai un risultato.
Porta un metodo, un set di dati o una domanda.
Informazioni e richieste sono aperte oggi. Una richiesta riceve un riferimento e indica il passo successivo; candidature, pagamenti, assegnazioni di calcolo e registrazioni si aprono solo quando esistono il team, le condizioni e la capacità di revisione.
Documenti legali.
Le mappe, i dati e le cifre di questo sito sono mostrati a titolo di contesto e di informazione generale. Non costituiscono consigli, previsioni né allerte; i limiti dell'informazione sono esposti nelle Dichiarazioni di esclusione di responsabilità e nelle Note sui dati.