- Cos’èl’IA: architetture e logiche di funzionamento/addestramento dell’IA
- Esplorazione e prompting base: introduzione all’uso di Microsoft Copilot come assistente multimodale per supportare la ricerca, la scrittura creativa e la progettazione di lezioni attive
- Esercitazione pratica di analisi di testi o codice generati dall’IA per smontarli e mappare i limiti dei modelli
- Simulazione dinamica del motore di Copilot: attività pratica per sperimentare la natura probabilistica dell’algoritmo e prevenire allucinazioni
Cos’è l’Intelligenza Artificiale
Iniziamo con un paio di domande…
Ed ora un’introduzione generale (la parte più teorica):
Esplorazione e prompting base
Microsoft Copilot (Agent mode): https://m365.cloud.microsoft/agents
Esercizio 1
Pensiamo a possibili utilizzi di un chatbot basato su IA nella didattica.
Esercizio 2
Pensiamo a formulazioni di agenti IA utili nell’attività didattica.
Altri riferimenti utili:
Funzione | Strumento (solo suggerito, esistono altre opzioni) |
Ottimizzazione prompt | pretty-prompt.com (per Gemini, GPT, Copilot, Claude) promptslove.com (per DeepSeek, Kimi, Grok, GLM, Qwen, Mistral, Perplexity) |
Ricerca dettagliata sul web o su articoli accademici | |
Probabilità che un testo sia stato generato con IA | isgen.ai gptzero.me |
Mappare i limiti dei modelli
Da un lato c’è la possibilità di trovare manualmente i limiti dei modelli di IA, dall’altro - sempre più diffusi per necessità - c’è l’utilizzo di altri modelli di IA che individuino i limiti dei modelli generativi.
Esempio
Proviamo a formulare la stessa richiesta a diversi modelli di IA su vari livelli:
- Richiesta diretta usando la ricerca nel web. (in Perplexity)
- Richiesta diretta usando solo la conoscenza di addestramento del modello. (in Claude)
- Risposta già scritta solo da rifrasare. (in Copilot)
- Risposta già scritta da tradurre da un’altra lingua. (in DeepL)
- Risposta non modificata dall’IA, interamente scritta da un umano (in questo caso tratta da un vecchio paper accademico).
E sottoponiamo le 5 risposte a IsGen, uno degli strumenti di IA a disposizione per predire quanta parte di un testo sia stata prodotta da un LLM.
Il tema della richiesta è: Fornisci una semplice definizione di cosa sia un grafico di Anacapa e spiega a cosa deve la sua denominazione.
- Richiesta diretta usando la ricerca nel web. (in Perplexity)
- Richiesta diretta usando solo la conoscenza di addestramento del modello. (in Claude)
- Risposta già scritta solo da rifrasare. (in Copilot)
- Risposta già scritta da tradurre da un’altra lingua. (in DeepL)
- Risposta non modificata dall’IA, interamente scritta da un umano (in questo caso tratta da un vecchio paper accademico).
Altri strumenti
Dall’articolo Detecting AI-generated text di Fraser, Dawkins e Kiritchenko (2025).
Spunto chiave
Interessante è vedere quali sono i pattern ricorrenti nelle risposte generate da modelli del linguaggio, molti dei quali sono noti alla ricerca. Di seguito la risposta data da Consensus alla domanda su quali siano questi pattern, tradotta per comodità in italiano usando DeepL.
🇬🇧
AI text is most often identifiable by uniform style: tighter clustering in readability, syntax, and overall phrasing, while human writing is more variable and “bursty” across tone, structure, and sentence length (Slavova et al., 2026; O'Sullivan, 2025; Muñoz-Ortiz et al., 2023; Sardinha, 2023).
It also tends to show lower lexical diversity and originality, with more repetitive bigrams/trigrams, fewer unusual words, and vocabulary richness metrics that separate it from human text (Opara, 2024; Shah et al., 2023; Fraser et al., 2024; Puspitasari et al., 2026).
Common discourse cues are redundancy, repetition, overly formal/objective tone, stock phrases, list-like organization, and neat paragraphing rather than human-like connective flow (Doru et al., 2024; Fraser et al., 2024; Emara, 2025; Markowitz et al., 2023).
Probabilistic cues are also strong: AI text usually has lower perplexity, lower entropy, and lower within-text variance because it stays in more predictable regions of language space (Slavova et al., 2026; Fraser et al., 2024).
But detectability is context-dependent and drops under paraphrasing, domain shift, and stronger models, which is why both humans and detectors often generalize poorly outside benchmark settings (Georgiou, 2026; Pudasaini et al., 2026; Fiedler & Döpke, 2025; Porter & Machery, 2024).
So, according to research, AI-generated text is most identifiable not by one giveaway, but by a cluster of regularities: smoothness, repetition, predictability, and reduced stylistic variation.
🇮🇹
I testi generati dall’IA sono spesso riconoscibili per il loro **stile uniforme**: una maggiore uniformità in termini di leggibilità, sintassi e formulazione complessiva, mentre la scrittura umana è più variabile e “a sbalzi” per quanto riguarda il tono, la struttura e la lunghezza delle frasi (Slavova et al., 2026; O’Sullivan, 2025; Muñoz-Ortiz et al., 2023; Sardinha, 2023).
Tende inoltre a mostrare una **minore diversità lessicale** e originalità, con un maggior numero di bigrammi/trigrammi ripetitivi, un minor numero di parole insolite e indicatori di ricchezza lessicale che lo distinguono dal testo umano (Opara, 2024; Shah et al., 2023; Fraser et al., 2024; Puspitasari et al., 2026).
Gli indizi discorsivi più comuni sono la **ridondanza**, la ripetizione, un tono eccessivamente formale/oggettivo, frasi di routine, un’organizzazione a elenco e una suddivisione in paragrafi ordinata, anziché un flusso connettivo simile a quello umano (Doru et al., 2024; Fraser et al., 2024; Emara, 2025; Markowitz et al., 2023).
Anche gli indizi probabilistici sono evidenti: i testi generati dall’IA presentano solitamente una **perplessità inferiore**, un’entropia più bassa e una minore varianza all’interno del testo, poiché rimangono in regioni più prevedibili dello spazio linguistico (Slavova et al., 2026; Fraser et al., 2024).
Tuttavia, la rilevabilità è **dipendente dal contesto** e diminuisce in caso di parafrasi, cambio di dominio e modelli più potenti; questo spiega perché sia gli esseri umani che i rilevatori spesso generalizzano male al di fuori delle impostazioni di riferimento (Georgiou, 2026; Pudasaini et al., 2026; Fiedler & Döpke, 2025; Porter & Machery, 2024).
Pertanto, secondo la ricerca, il testo generato dall’IA è identificabile non da un singolo indizio, ma da un **insieme di regolarità**: fluidità, ripetizione, prevedibilità, e ridotta varianza stilistica.
E le immagini?
Prima proviamo con dei “semplici” test di riconoscimento tra quelli offerti gratis da SightEngine (la piattaforma che offre strumenti di riconoscimento IA, tra le altre, a quotidiani come il Guardian e social media come OnlyFans). Per semplicità proviamo con contenuti visuali, più rapidamente “leggibili” per l’occhio umano.
Simulazione dinamica
Per mettere alla prova il vero potenziale di una tecnologia, i suoi limiti e le accortezze necessarie a usarla in totale consapevolezza, non c’è niente di meglio che immaginarne dei casi d’uso concreti nel settore che si conosce meglio. L’ultimo esercizio di oggi è allora il seguente: Usando principalmente Copilot (ed opzionalmente anche altri strumenti), si pensi ad almeno un’applicazione pratica dell’IA nell’attività didattica della propria materia di riferimento. Dopodiché formulare dei prompt da sottoporre al chatbot o all’agente IA per realizzare il progetto.
Ultima domanda
Secondo te, quanta parte di questa pagina, in percentuale, è realizzata da un modello del linguaggio, vale a dire da Intelligenza Artificiale?
Riferimenti
Crothers, E., Japkowicz, N., & Viktor, H. (2022). Machine-Generated Text: A Comprehensive Survey of Threat Models and Detection Methods. IEEE Access, 11, 70977-71002. https://doi.org/10.1109/access.2023.3294090
Doru, B., Maier, C., Busse, J. S., Lücke, T., Schönhoff, J., Enax-Krumova, E., Hessler, S., Berger, M., & Tokic, M. (2024). Detecting Artificial Intelligence–Generated Versus Human-Written Medical Student Essays: Semirandomized Controlled Study. JMIR Medical Education, 11. https://doi.org/10.2196/62779
Emara, I. (2025). A linguistic comparison between ChatGPT-generated and nonnative student-generated short story adaptations: a stylometric approach. Smart Learning Environments, 12. https://doi.org/10.1186/s40561-025-00388-z
Fiedler, A., & Döpke, J. (2025). Do humans identify AI-generated text better than machines? Evidence based on excerpts from German theses. International Review of Economics Education. https://doi.org/10.1016/j.iree.2025.100321
Fraser, K. C., Dawkins, H., & Kiritchenko, S. (2024). Detecting AI-Generated Text: Factors Influencing Detectability with Current Methods. J. Artif. Intell. Res., 82, 2233-2278. https://doi.org/10.1613/jair.1.16665
Georgiou, G. (2026). What Distinguishes AI-Generated from Human Writing? A Rapid Review of the Literature. Big Data Cogn. Comput., 10. https://doi.org/10.3390/bdcc10020055
Markowitz, D. M., Hancock, J. T., & Bailenson, J. (2023). Linguistic Markers of Inherently False AI Communication and Intentionally False Human Communication: Evidence From Hotel Reviews. Journal of Language and Social Psychology, 43, 63 - 82. https://doi.org/10.1177/0261927x231200201
Muñoz-Ortiz, A., Gómez-Rodríguez, C., & Vilares, D. (2023). Contrasting Linguistic Patterns in Human and LLM-Generated News Text. Artificial Intelligence Review, 57. https://doi.org/10.1007/s10462-024-10903-2
O'Sullivan, J. (2025). Stylometric comparisons of human versus AI-generated creative writing. Humanities and Social Sciences Communications, 12. https://doi.org/10.1057/s41599-025-05986-3
Opara, C. (2024). StyloAI: Distinguishing AI-Generated Content with Stylometric Analysis. ArXiv, abs/2405.10129. https://doi.org/10.48550/arxiv.2405.10129
Porter, B., & Machery, E. (2024). AI-generated poetry is indistinguishable from human-written poetry and is rated more favorably. Scientific Reports, 14. https://doi.org/10.1038/s41598-024-76900-1
Pudasaini, S., Miralles-Pechu'an, L., Lillis, D., & Llorens-Salvador, M. (2026). Why AI-Generated Text Detection Fails: Evidence from Explainable AI Beyond Benchmark Accuracy. ArXiv, abs/2603.23146. https://doi.org/10.48550/arxiv.2603.23146
Puspitasari, D., Lestariningsih, D., Sukma, B., Karlina, Y., Sanubarianto, S. T., Handoko, M., & Pradita, I. (2026). Linguistic Fingerprints for Authorship Attribution in Human–AI Collaborative Texts. OKARA: Jurnal Bahasa dan Sastra. https://doi.org/10.19105/ojbs.v20i1.22271
Sardinha, T. B. (2023). AI-generated vs human-authored texts: A Multidimensional comparison. Applied Corpus Linguistics. https://doi.org/10.1016/j.acorp.2023.100083
Shah, A., Ranka, P., Dedhia, U., Prasad, S., Muni, S., & Bhowmick, K. (2023). Detecting and Unmasking AI-Generated Texts through Explainable Artificial Intelligence using Stylistic Features. International Journal of Advanced Computer Science and Applications. https://doi.org/10.14569/ijacsa.2023.01410110
Slavova, E., Parfenova, A., & Pfeffer, J. (2026). Detecting Persona-Generated AI Text with Interpretable Linguistic Features. Companion Publication of the 2026 18th ACM Web Science Conference. https://doi.org/10.1145/3795513.3810453
Made with Bullet