Skip to content

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.

02La domanda

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.

Meccanismo

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.

Meccanismo

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.

Meccanismo

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.

Meccanismo

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.

03Simulatore

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
PassaggioQuota di chi ha agito (%)
03.3
110.0
226.3
349.3
471.0
588.5
698.8
7100.0
8100.0

Metodi

  1. Threshold models of collective behaviour Granovetter (1978), American Journal of Sociology 83
  2. Global cascades on random networks Watts (2002), PNAS 99
  3. Complex contagions Centola and Macy (2007), American Journal of Sociology 113
  4. 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.

Un modello a soglia del comportamento collettivo. Modello didattico illustrativo: funziona con i valori impostati dai controlli, non con dati misurati. Metodi: modelli a soglia del comportamento collettivo (Granovetter (1978), American Journal of Sociology 83); cascate globali su reti casuali (Watts (2002), PNAS 99); contagi complessi (Centola e Macy (2007), American Journal of Sociology 113).
04Nei cinque domini

AI literacy matters wherever AI enters a domain’s services.

05Metodi ed evidenze

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.

++−+InformazioneSocietàComunitàEconomiaR di rinforzoB bilanciamento
Causal loop diagram from the page’s systems; signs show the direction of influence. Illustrative structure for a system dynamics or network model, not estimated couplings.
FAIR guiding principles · GO FAIR and FORCE11W3C PROV · World Wide Web ConsortiumGuidance on consistent treatment of uncertainties · IPCCCEOS Analysis Ready Data · Committee on Earth Observation Satellites
06Indicatori

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.

IndicatoreUnitàCadenzaTipo di fonteEtichetta
Self-assessed understanding of AIpercentuale di intervistatiper ondata di indagineEurobarometro e indagini nazionaliRIPORTATO
Accuratezza nell'identificazione dei media sinteticipercentuale di risposte corrette in un compito controllatoper studioExperimental audience researchOSSERVATO
Awareness of rights over automated decisionspercentuale di intervistatiper ondata di indagineNational and EU surveysRIPORTATO
Preoccupazione per la difficoltà di distinguere i contenuti reali da quelli falsi onlinepercentuale di intervistatiannualeReuters Institute Digital News ReportRIPORTATO
Insegnanti formati all'uso dell'IApercentuale di insegnantiper ciclo di rilevazioneOECD TALIS and education ministriesStatistiche pubblicate
Reported AI incidents involving deception or impersonationincidents per monthmensileAI Incident DatabaseRIPORTATO
Misure di alfabetizzazione sull'IA nelle politiche nazionalinumero di misure per tipoannualeBanca dati delle politiche di OECD.AIDICHIARATO
07Fonti

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.

FonteCosa fornisceClasse di licenza
Eurobarometer surveys on artificial intelligence and the digital decadeConsapevolezza, atteggiamenti e aspettative sull'IA negli Stati membri dell'UERiutilizzo libero con attribuzione
Stanford AI IndexRaccolta annuale di dati su ricerca, diffusione, politiche e opinione pubblica in materia di IACC BY-ND 4.0
Osservatorio OECD.AI sulle politicheStrategie nazionali sull'IA e misure di policy, inclusi istruzione e competenzeCondizioni OECD, gratuito con attribuzione
AI Incident DatabaseReported incidents of harm or near harm involving AI systemsCC BY-SA 4.0
Reuters Institute Digital News ReportGrado di accettazione pubblica dell'IA nelle notizie e preoccupazione per i contenuti falsiLettura gratuita; dati d'indagine su richiesta
OECD TALISFormazione degli insegnanti, pratica e uso di strumenti digitaliCondizioni OECD, gratuito con attribuzione
Indagini del Pew Research Center sull'IAConsapevolezza e atteggiamenti del pubblico verso l'IA in diversi paesiUso libero con attribuzione; dataset su richiesta
08Decisioni

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 decideLa domandaEvidenze fornite da questa pagina
Ministries of education and curriculum authoritiesDi quali competenze in materia di IA hanno bisogno studenti e docenti, e in quali fasiTeacher training data; competency frameworks; tested teaching material
AI and data protection regulatorsCome vigilare sugli obblighi di alfabetizzazione e trasparenza in materia di IA, come l'articolo 4 del Regolamento UE sull'IAIndagini di sensibilizzazione; registri degli incidenti; misure di alfabetizzazione nelle politiche
Piattaforme online e fornitori di IACome etichettare i contenuti sintetici e spiegare agli utenti i limiti del sistemaResearch on label comprehension; incident patterns; provenance standards
Organismi di gestione elettoraleHow to prepare voters for synthetic media during electionsRicerca 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
09Questioni centrali

Cosa si chiedono gli esperti.

  1. 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.

  2. 02

    Which risks are practical today?

    Fabricated content, impersonation, automated errors in services, privacy loss and over-reliance on generated answers.

  3. 03

    Come possono le persone verificare ciò che vedono?

    Habits of verification: source tracing, provenance signals and asking who benefits from a claim.

  4. 04

    What recourse exists?

    Come le persone possono contestare una decisione automatizzata, correggere i dati che le riguardano o segnalare abusi.

10Meccanismi

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.

11Metodi e limiti

Come si raccolgono le evidenze e dove si fermano.

MetodoCosa mostraIl suo limite
Misconception surveysCommon beliefs about how AI worksLe convinzioni cambiano rapidamente con i nuovi strumenti
Esercitazioni praticheWhether people can spot errors or synthetic contentLe competenze di rilevamento potrebbero non essere trasferibili a nuovi formati
Revisione da parte di espertiAccuracy of claims about capabilitiesCapabilities change between review and reading
Misure di follow-upSe le abitudini di verifica persistonoAbbandono e distorsione da autovalutazione
12Metodi

Come viene studiato, e cosa i metodi non possono dire.

  1. Scienze sociali e comportamentaliRicerca sul pubblico prima di una campagna · Pre-test della comprensibilità dei materialiApplicato qui
  2. Analisi delle decisioni in condizioni di incertezzaComunicare prima che le evidenze si consolidino · Scegliere canali e destinatariApplicato qui
13Where this page’s references

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.

14Domande

Domande e risposte.

Si può imparare a riconoscere i deepfake?
La formazione migliora le prestazioni in alcuni compiti, ma i contenuti sintetici di alta qualità sono spesso impossibili da riconoscere a occhio o a orecchio. Verificare la fonte, il contesto e ogni registro di provenienza è più affidabile che esaminare il contenuto stesso.
What is content provenance?
A record attached to an image, video or audio file stating how it was made and edited, such as Content Credentials under the C2PA standard. A missing record does not prove a file is fake.
What rights do people have over automated decisions?
It depends on jurisdiction. In the European Union, data protection law gives rights to information and, in many cases, to human review of decisions based solely on automated processing. Other jurisdictions differ.
Does Campaigns rate AI products?
No. It explains how AI systems work and fail in general terms and points to the regulators and standards bodies whose assessments apply.
La piattaforma valuta o classifica i prodotti di intelligenza artificiale?
No. It explains how AI systems work and fail in general terms. It does not test, rate or approve any product.
Is AI used to produce campaign material?
Where a tool assists, its use is disclosed, and every claim is checked against sources by a named reviewer before publication.
Come si mantiene aggiornato il materiale?
Each explainer carries a review date. When capabilities or rules change, it is revised and the change is recorded as a new version.
RapportiContribuisci

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.

GCRICampagneNota sulle evidenze
Campagne

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.