Accedi all'area privata
Mentre accogliamo una visiting PhD scholar dal Cile (Stephanie Martinic-Caneo), che lavora sul post-plagiarism e aprirà un momento interno di riflessione nel Dottorato SPEF, ho voluto proporre alcune riflessioni come ice-breaker.
Di Juliana E. Raffaghelli
C’è una nuova parola che circola nel mondo delle pubblicazioni accademiche: slop.
Tranter, Creagh e Crawley (2026), definendosi “angry editors”, la utilizzano per descrivere un’esperienza sempre più familiare: imbattersi in testi accademici che sembrano perfettamente rispettabili e che, tuttavia, in qualche modo dicono sorprendentemente poco. Prosa fluida, strutture prevedibili, transizioni impeccabili, argomentazioni familiari. Potremmo quindi dire che il risultato è una scrittura che offre poche sorprese e assume pochi rischi intellettuali (aggiungerei tuttavia una nota di cautela alla loro critica: come studiosa non madrelingua inglese proveniente dal Sud Globale, sono prudente nel liquidare l’editing linguistico assistito dall’IA, quando può anche aiutare i ricercatori a superare disuguaglianze linguistiche di lunga data nella pubblicazione accademica. È una tensione sulla quale varrà la pena tornare altrove).
Ma concentriamoci qui sull’argomento centrale: il lavoro di ricerca (con i dati, con il lavoro sul campo, con la scrittura) che presenta tutte le caratteristiche esteriori del lavoro accademico potrebbe progressivamente perdere alcune delle qualità che, in primo luogo, rendono la ricerca degna di essere letta.
La provocazione di Tranter et al. (2026) è scomoda perché il problema non è iniziato con l’IA generativa. I Large Language Models sono diventati straordinariamente bravi a riprodurre la prosa accademica anche perché la prosa accademica era già diventata straordinariamente riproducibile.
La GenAI potrebbe semplicemente permetterci di produrne molta di più, molto più velocemente, qualcosa che, secondo alcuni (Rhodes et al., 2025), produrrà la junkification della ricerca accademica. Un problema enorme, non soltanto in termini di qualità e responsabilità individuale, ma da un punto di vista collettivo: riguarda la conoscenza che produciamo, gli universi epistemici che creiamo.
La junkification non è semplicemente la produzione di ricerca scadente o fraudolenta. Quella sarebbe quasi più facile da identificare. È la possibilità di un ecosistema accademico sempre più popolato da output plausibili, ben confezionati e rapidamente generati, il cui rapporto con le pratiche più lente dell’indagine diventa progressivamente più sottile: leggere attentamente, seguire una scoperta inattesa, confrontarsi faticosamente con evidenze contraddittorie, riscrivere un’argomentazione perché un collega l’ha messa in discussione, scoprire che la nostra domanda di ricerca iniziale era sbagliata. La lentezza è stata discussa come uno strumento fondamentale di posizionalità agentica e di posizionamento nella pratica accademica (Raffaghelli et al., 2025)
Ma l’IA generativa si inserisce sorprendentemente bene in un sistema accademico già ossessionato dall’accelerazione. Ci si aspetta che i ricercatori pubblichino, comunichino, presentino progetti per ottenere finanziamenti, analizzino quantità crescenti di dati e mantengano la propria visibilità su molteplici piattaforme. I dottorandi incontrano queste pressioni mentre stanno ancora imparando cosa significhi diventare ricercatori.
Non sorprende che stiano già utilizzando l’IA.
Lo studio di Akbar (2025) su 105 dottorandi ha rilevato l’uso dell’IA per la correzione dei testi, la scrittura accademica, la generazione di idee, le revisioni della letteratura, l’analisi dei dati e la pianificazione della ricerca. La maggior parte degli utilizzatori considerava questi strumenti utili. I partecipanti descrivevano benefici reali, tra cui il supporto nella programmazione e nella statistica, l’assistenza alla scrittura e l’aiuto nel rendere più accessibili informazioni complesse. Ma gli stessi dottorandi hanno individuato anche un altro lato di questa emergente infrastruttura della ricerca: informazioni inaccurate e riferimenti bibliografici inventati, rischi per la proprietà intellettuale, plagio, costi ambientali e, soprattutto, la possibilità che un ricorso ripetuto all’IA possa ostacolare la creatività. L’uso dell’IA, quindi, non era né semplicemente vantaggioso né semplicemente problematico. Era già intrecciato con le normali pressioni, difficoltà e pratiche della vita dottorale.
Lo studio di Wu e colleghi (2026) rende questa ambiguità ancora più evidente. Tra 63 dottorandi L2, le percezioni differivano sostanzialmente a seconda di quale parte del lavoro accademico venisse delegata. Quasi il 78% considerava appropriata la parafrasi assistita dall’IA per migliorare la leggibilità, mentre oltre tre quarti consideravano inappropriato inserire direttamente testo generato dall’IA senza revisione. Ancora più significativamente, circa l’87% rifiutava l’uso di letteratura individuata dall’IA senza verificarla, e oltre il 90% rifiutava di affidarsi a sintesi di articoli generate dall’IA senza controllare le fonti originali. Questi ricercatori non erano incapaci di distinguere tra pratiche attente e pratiche superficiali. Al contrario: il dato più problematico riguarda la trasparenza. Oltre il 96% considerava importante per l’integrità accademica essere trasparenti sull’uso dell’IA. Eppure, la maggior parte dei rispondenti non riteneva necessaria la dichiarazione per diversi usi concreti dell’IA nelle fasi di concettualizzazione, stesura, revisione ed editing.
Naturalmente, questo divario è rilevante per la discussione che stiamo portando avanti nel nostro Dottorato. E poiché lavoro sull’etica dell’IA e dei dati nella professione docente ed educativa, le mie domande si sono orientate precisamente verso il dilemma etico che i dottorandi attraversano quando devono decidere sull’uso di uno strumento estremamente potente, confrontandosi con integrità, produttività e reputazione.
Forse il problema non è che i ricercatori non conoscano le regole. La risposta istituzionale più ovvia è stata quella di produrre linee guida sull’integrità accademica. Abbiamo le “Linee guida dinamiche sull’uso responsabile dell’IA generativa nella ricerca” della Commissione europea (2026); abbiamo la nostra policy UNIPD e abbiamo diverse università di primo piano che producono manifesti, framework e raccomandazioni per comportarsi “bene”.
Ad esempio, la Guida del King’s College di Londra distingue tra la responsabilità del dottorando, quella del supervisore e quella dell’istituzione, affrontando la necessità di una discussione, consapevolezza e accordo preventivi sull’uso dell’IA nella scrittura della tesi. L’Università di Oxford ha pubblicato un framework etico che include tre criteri rilevanti: verifica umana, contributo umano sostanziale e riconoscimento/trasparenza, applicati tuttavia più al comportamento umano che alla progettazione degli strumenti di IA.
Non sto dicendo che le linee guida non siano importanti. I ricercatori devono sapere che cosa si aspettano le loro università, gli enti finanziatori, le riviste e gli editori. Devono comprendere le questioni relative alla riservatezza, alla proprietà intellettuale, alla protezione dei dati, all’attribuzione e alla dichiarazione d’uso. Devono verificare gli output dell’IA e mantenere la responsabilità per le affermazioni di conoscenza formulate a loro nome. Ma le regole, da sole, non possono risolvere l’ambiguità che emerge da questi studi.
Wu e colleghi hanno rilevato che i dottorandi temevano che dichiarare l’uso dell’IA potesse mettere in dubbio l’originalità del loro lavoro o danneggiare il modo in cui gli altri li percepivano. Hanno inoltre riscontrato un notevole disaccordo su dove finisca la normale assistenza e inizi un intervento intellettualmente sostanziale. Le loro raccomandazioni includono quindi non soltanto la conoscenza delle policy, ma anche la discussione basata su casi, la responsabilità umana, una conoscenza critica dei diversi sistemi di IA e una formazione specifica per disciplina.
Questo suggerisce una domanda piuttosto diversa, che guiderà la nostra attività in SPEF: E se l’uso responsabile dell’IA dipendesse non soltanto dalla competenza individuale, ma anche dalla qualità delle relazioni accademiche che circondano il ricercatore?
La ricerca non è mai stata un atto cognitivo individuale. Impariamo a fare ricerca attraverso conversazioni, supervisione, peer review, comunità metodologiche, discussioni, seminari, amicizie, messaggi informali tra colleghi e quelle conversazioni meravigliosamente inefficienti nelle quali, prima o poi, qualcuno dice: “Non sono sicuro che questo abbia senso”. Queste relazioni costituiscono parte di ciò che intendo (e che mi impegno a esplorare, prendendo spunto da Bosworth, 2023) come infrastruttura affettiva della ricerca: le reti di fiducia, cura, riconoscimento e reciprocità intellettuale che rendono possibile esporre l’incertezza anziché nasconderla. Questo diventa particolarmente importante con l’IA.
Immaginiamo due dottorandi che si trovano ad affrontare esattamente la stessa incertezza rispetto all’uso di un sistema di IA a supporto della codifica qualitativa.
Uno dei due interroga privatamente il sistema, accetta un’analisi plausibile e la incorpora silenziosamente nella ricerca.
L’altro discute questa possibilità con il supervisore e con i pari, esamina i limiti del sistema, considera la sensibilità dei dati, confronta la codifica umana con quella supportata dalla macchina, documenta le decisioni prese e infine spiega in modo trasparente come l’IA abbia contribuito al processo analitico.
La mia tesi, a questo punto, è che, anche se l’atto tecnologico può inizialmente apparire simile, l’ecosistema epistemico è completamente diverso. C’è una violenza invisibile insita nell’approccio “leggi le linee guida e sii responsabile”, che lascia un vasto spazio nel quale il dottorando si trova a confrontarsi con le proprie identità, risorse e dilemmi esistenziali. Questo può portare a nascondere un’azione sbagliata, o semplicemente a non essere consapevoli che un’azione sia sbagliata.
Nel secondo caso, lo studente chiede supporto, riconosce il dilemma e le sue tensioni, sviluppa interpretazioni progressive, acquisisce comprensione, prende la migliore decisione possibile e si sente, in questo modo, sostenuto empaticamente da un supervisore o dai colleghi. Se qualcosa va storto, c’è un’istituzione o una comunità che si assume la responsabilità, o semplicemente il sostegno affettivo di un collega.
A parità di tutte le altre condizioni, abbiamo fatto del nostro meglio per affrontare la situazione in modo etico.
Vorrei ricordare, a questo punto, che gli strumenti di IA incorporano tecniche e interessi sottili che possono catturare l’attenzione, spingere i ricercatori verso l’adozione di tecniche complesse e incoraggiare analisi che non sono né necessarie né pienamente comprese dal ricercatore. Penso qui ad alcuni recenti articoli quantitativi che ho revisionato. E la conoscenza superficiale che la maggior parte di noi ha degli strumenti di IA richiede un coinvolgimento collettivo rispetto alla politica di questi strumenti, oltre a un loro attento esame e discussione.
Quindi, dopo aver introdotto il concetto di infrastrutture affettive nella ricerca, torno all’enorme problema della “trasparenza” (che si riferisce per lo più alla trasparenza del ricercatore, non a quella degli sviluppatori; quest’ultima viene raramente inquadrata nella discussione… ed è proprio questo l’effetto di potere nelle infrastrutture digitali attraverso cui viviamo). Possiamo chiedere ai ricercatori di dichiarare l’uso dell’IA. Possiamo persino creare un sistema per categorizzare le forme di utilizzo dell’IA, in modo da facilitarne la dichiarazione.
Tuttavia, la dichiarazione non può prosperare in un ambiente nel quale ammettere l’uso dell’IA suscita immediatamente il sospetto di incompetenza o misconduct attribuita al comportamento individuale. Sostengo qui che la trasparenza richieda condizioni di fiducia, che sono precisamente il risultato delle infrastrutture affettive che creiamo per affrontare il nostro lavoro accademico. I ricercatori hanno bisogno di luoghi nei quali possano dire: Ho usato questo sistema per questo scopo. Non sono sicuro che fosse appropriato. Possiamo esaminarlo insieme? Hanno bisogno di supervisori capaci di sostenere questa conversazione. Hanno bisogno di pari con cui confrontare le pratiche emergenti. Hanno bisogno di contatti istituzionali per i casi difficili. Hanno bisogno di esempi di pratiche responsabili, non semplicemente di elenchi di comportamenti proibiti. E hanno bisogno di uno spazio professionale (e di un gruppo umano) nel quale l’incertezza sia trattata come parte della ricerca, anziché come prova di un fallimento.
Unendo i punti, la governance responsabile dell’IA consiste anche nel costruire infrastrutture di consultazione, dialogo e cura.
Arrivo ora alla mia proposta piuttosto fuori moda, quella che discuteremo nel nostro Lab il prossimo 22 settembre.
Perdiamo un po’ di tempo insieme (In Italia diremmo: la scoperta dell’acqua calda… ma prego il lettore, arrivato fin qui, di seguire ancora un po’ la mia argomentazione).
Dedichiamo tempo a discutere perché una pratica assistita dall’IA ci sembri accettabile e un’altra no. Chiediamo a un collega se una scorciatoia metodologica sia davvero metodologicamente difendibile. Andiamo a pranzo con un ricercatore senior e diciamo semplicemente: “Sono preoccupato per…”. Confrontiamo le interpretazioni. Portiamo alla luce casi strani e ambigui prima che diventino problemi di integrità.
Scegliamo, ogni tanto, la conversazione inefficiente invece della generazione efficiente di un’altra pagina di testo. Lasciamo che il numero di spritz conti come prova del fatto che stiamo prendendo sul serio la preoccupazione.
E lasciamo metriche, reputazione e rapporti sulla qualità fuori da queste conversazioni, a meno che non sia per contestarli. Ci torneremo dopo. Più forti.
Questo ci permetterà di generare traiettorie alternative per costruire le nostre identità come accademici e gli ecosistemi epistemici che contribuiamo a creare. L’IA può entrare negli ecosistemi della ricerca, anzi, lo sta già facendo aggressivamente, ma può farlo in modo meno distruttivo. Nei nostri ecosistemi gli output dell’IA saranno sempre messi in discussione e le fonti verificate. I dati sensibili saranno protetti, mentre le differenze disciplinari e quelle tra paradigmi qualitativi e quantitativi saranno rispettate. I supervisori saranno consapevoli e continueranno a rispondere delle scelte metodologiche ed epistemiche dei dottorandi.
È per questo che lanciamo questo Lab e che raccoglieremo casi e troveremo il tempo per discutere dell’uso dell’IA (non soltanto quale uso dell’IA, ma anche quale IA!). Perché il pericolo dell’IA nella ricerca potrebbe, in ultima analisi, non essere che le macchine diventino capaci di produrre scrittura accademica. Lo sono già.
Ma non dimentichiamo (abbiamo introdotto Tranter et al., 2026, e Rhode et al., 2025, proprio a questo scopo) che il pericolo più profondo è che le istituzioni accademiche diventino così impegnate nella velocità, nella produttività e nella produzione senza attriti da smantellare gradualmente le lente infrastrutture umane attraverso cui il giudizio accademico viene appreso ed esercitato. Questo farà di noi dei “Centauri invertiti” (2025), per dirla con le parole critiche di Doctorow. Guardiamo invece al versante dei Centauri creativi che Doctorow intravede come possibilità: un uso dell’IA che possa sostenere l’esplorazione, l’accessibilità, la sperimentazione e persino la creatività. Sotto controllo e discussione collettivi: stiamo maneggiando un oggetto pericoloso.
Dipenderà dal fatto che continuiamo o meno a investire in una delle tecnologie più antiche e meno efficienti (ma più efficaci) dell’accademia: persone che pensano insieme.
