Introduzione all’IA Generativa

IA Generativa e Media — Settimana 1

Fabio Giglietto

DISCUI · Università degli Studi di Urbino Carlo Bo

23 febbraio 2026

Roadmap della lezione

1. Presentazione del corso — struttura, regole, valutazione
2. Che cos’è l’IA generativa — definizioni e concetti fondamentali
3. Evoluzione storica — dagli algoritmi ai modelli di linguaggio
4. Panoramica tecnologica — GPT, DALL-E, Gemini, Stable Diffusion
5. Il Paradosso dell’IA Generativa — fiducia e verifica
6. Prossimi passi — letture e preparazione

Presentare la struttura della lezione. Oggi è una panoramica ampia: iniziamo con l’organizzazione del corso (regole, valutazione, strumenti), poi definiamo il campo dell’IA generativa, tracciamo la sua evoluzione e introduciamo le questioni centrali che affronteremo nelle prossime settimane. La lezione dura 2 ore con una pausa intermedia.

Presentazione del Corso

Sezione 1: panoramica organizzativa del corso. Questa sezione copre logistica, regole di valutazione, presenze, policy sull’uso dell’IA e spazio blended. È necessariamente più “burocratica” ma è fondamentale per orientare gli studenti sulle aspettative.

Il corso in sintesi

Insegnamento	IA Generativa e Media (6 CFU)
Docente	Prof. Fabio Giglietto
Durata	23 Febbraio – 1 Aprile 2026 (6 settimane)
Orari	Lun/Mar 11:00–13:00, Mer 14:00–16:00
Piattaforma AI	Google Gemini + NotebookLM
Accesso	Account @uniurb.it richiesto

Dettagli logistici. Sottolineare che il corso è intensivo (6 settimane) e richiede partecipazione attiva. Verificare che tutti abbiano accesso all’account uniurb.it di Google Workspace per Gemini e NotebookLM.

Panoramica del corso

• Tre incontri a settimana (LUN e MAR dalle 11 alle 13, MER dalle 14 alle 16)
• Durata totale: 18 incontri × 2 ore = 36 ore
• Struttura del corso:
  • Parte I — Lezioni frontali e seminari: settimane 1–3 (9 incontri)
  • Parte II — Progetto di gruppo: settimane 4–6 (9 incontri)

Panoramica della struttura. Le prime tre settimane includono lezioni frontali, un workshop pratico (Gemini e NotebookLM) e seminari ospiti (Cosenza, Paroni, Terenzi). Le settimane 4-6 sono dedicate al progetto di gruppo: raccolta dati, analisi assistita dall’IA e scrittura della relazione. Il passaggio da teoria a pratica è graduale.

Obiettivi di apprendimento

Al termine del corso sarete in grado di:

• Comprendere i principi dell’IA generativa e le sue applicazioni nei media
• Riconoscere contenuti generati dall’IA analizzando indicatori tecnici e stilistici
• Analizzare la circolazione di contenuti sintetici sulle piattaforme social
• Applicare metodologie di ricerca digitale (LLMs-in-the-loop)
• Valutare criticamente l’impatto etico e sociale dell’IA nella comunicazione

Gli obiettivi di apprendimento seguono i Descrittori di Dublino: conoscenza e comprensione (comprendere i principi), applicazione (riconoscere, analizzare, applicare metodologie), autonomia di giudizio (valutare criticamente). Questi obiettivi guidano l’intero corso: le settimane 1-2 costruiscono la base teorica, la settimana 3 il seminario metodologico, le settimane 4-6 l’applicazione pratica nel progetto di gruppo. Ogni sessione contribuisce a uno o più di questi obiettivi.

Struttura delle 6 settimane

Settimana	Focus
1	Fondamenti dell’IA generativa
2	Produzione, disinformazione e regolamentazione
3	Seminario ospite: IA e comunicazione politica (Bruna Paroni)
4	Lancio progetto e raccolta dati
5	Analisi assistita dall’IA e validazione
6	Scrittura e sintesi del corso

Panoramica delle 6 settimane. Le prime 2 settimane sono teoriche con un workshop pratico. La settimana 3 è un seminario ospite con Bruna Paroni. Le settimane 4-6 sono dedicate al progetto di gruppo. Menzionare anche i guest speaker: Vincenzo Cosenza (settimana 2) e Massimo Terenzi (settimana 4). La slide successiva presenta nel dettaglio i tre interventi ospiti.

Ospiti e seminari

Data	Ospite	Tema
3 Marzo	Vincenzo Cosenza	Intelligenza Aumentata — Esercizi pratici per collaborare con l’IA
9–11 Marzo	Bruna Paroni	IA Generativa e Comunicazione Politica — Seminario (6 ore)
16 Marzo	Massimo Terenzi	Dall’AI Slop alla Viralità Strategica — Ricerca su Facebook Italia

Tre interventi ospiti arricchiscono il corso. Vincenzo Cosenza (martedì della settimana 2) presenterà il suo libro “Esercizi di Intelligenza Aumentata” con un approccio pratico alla collaborazione con l’IA. Bruna Paroni (intera settimana 3, 6 ore totali) terrà un seminario sulla comunicazione politica nell’era dell’IA generativa, con un caso studio brasiliano e un approfondimento sulla metodologia LLMs-in-the-loop che gli studenti useranno nel progetto di gruppo. Massimo Terenzi (lunedì della settimana 4) presenterà la sua ricerca sull’AI Slop nelle comunità Facebook italiane — tema direttamente collegato al progetto di gruppo che parte nella stessa settimana.

Modalità di valutazione per frequentanti

1. È considerato frequentante chi risulta iscritto allo spazio blended entro giovedì 26 Febbraio, partecipa ad almeno ¾ delle lezioni (14 su 18) e al lavoro di gruppo
2. Il voto dell’attività di gruppo vale il 75% della valutazione finale (max 23,25)
3. Il 10% (max 3,1) dalla partecipazione dello studente (n. lezioni frequentate)
4. Il restante 15% (max 4,65) dipende dalla valutazione del colloquio orale
5. Il colloquio consiste nella discussione del progetto di lavoro
6. Gli studenti non frequentanti sosterranno l’esame studiando i libri di testo in programma

Spiegare il sistema di valutazione nel dettaglio. Il progetto di gruppo è il cuore del corso: gli studenti analizzeranno contenuti generati dall’IA e le reazioni degli utenti su Facebook/Instagram. La metodologia sarà LLMs-in-the-loop (Marino & Giglietto, 2024). Valutazione collettiva per il gruppo. Per i non frequentanti: studio dei testi in programma e esame orale standard.

Rilevazione delle presenze

1. Aprire l’app UniUrb Stud (o uniurb-pwa.app.cineca.it)
2. Cliccare su Rilevazione Frequenze → Marcatura
3. Autorizzare la geolocalizzazione (la prima volta)
4. Inserire il codice visualizzato nel footer di queste slide
5. Verificare nello Storico presenze

Attenzione

Il codice appare automaticamente in basso su queste slide durante la lezione. Si ricorda che una falsa attestazione di presenza potrà essere soggetta a provvedimenti.

Sistema di rilevazione presenze tramite l’app Cineca (Modulo Rileva Frequenze). L’assistente avvia la sessione di rilevamento, che genera un codice alfanumerico di 5 caratteri. Il codice viene inserito in un foglio Google condiviso e appare automaticamente nel footer di tutte le slide proiettate. La geolocalizzazione è obbligatoria: non è possibile registrare la presenza da remoto. La rilevazione termina automaticamente alla fine del periodo della lezione, oppure può essere chiusa manualmente dall’assistente.

Policy per giustificare le assenze

1. La partecipazione (n. lezioni frequentate) è parte integrante del sistema di valutazione
2. Ogni lezione frequentata vale circa 0,17 punti
3. Le assenze per validi motivi opportunamente giustificate sono considerate come lezioni frequentate
4. Per giustificarsi: postare, entro 2 giorni dall’assenza, nel “Forum per le giustificazioni” dello spazio blended giustificando l’assenza e specificando i motivi

Dettagli sulla policy delle assenze. Il calcolo: 3,1 punti totali per partecipazione / 18 lezioni ≈ 0,17 punti per lezione. Le giustificazioni vanno postate tempestivamente (entro 2 giorni) nel forum dedicato su Moodle. Motivi validi: malattia, esami, impegni istituzionali documentabili. Non verranno accettate giustificazioni retroattive oltre il termine dei 2 giorni.

Policy per Generative AI

1. L’uso degli strumenti di Generative AI (ChatGPT, Gemini, Le Chat, Claude, etc) è consentito come supporto al brainstorming (“Dammi qualche idea su…”) e alla critica di un testo originale prodotto dallo studente (“Correggi la sintassi…”, “Critica le argomentazioni…”)

2. Ogni uso meramente sostitutivo (“Scrivi un paragrafo su…”) è vietato

3. L’uso va dichiarato nella relazione specificando quale strumento è stato utilizzato

Policy fondamentale per il corso. Dato che il corso tratta esattamente di IA generativa, è essenziale che gli studenti imparino a usarla in modo critico e consapevole. Usi consentiti: brainstorming, revisione linguistica, critica argomentativa. Uso vietato: generazione sostitutiva di intere sezioni di testo. Trasparenza obbligatoria: dichiarare sempre quali strumenti sono stati usati e come. Questa policy sarà discussa anche nel workshop di mercoledì con esempi pratici.

Spazio blended

I materiali del corso (incluse queste slides), il forum per le giustificazioni e le esercitazioni verranno resi disponibili sullo spazio blended del corso.

Suggerimento

Iscrivetevi allo spazio blended entro giovedì 26 Febbraio per risultare frequentanti.

Lo spazio blended (Moodle) è il punto di riferimento per tutti i materiali del corso. Gli studenti troveranno: slides delle lezioni, letture obbligatorie e consigliate, forum per le giustificazioni, esercitazioni e consegne del progetto di gruppo. L’iscrizione entro la prima settimana è requisito per lo status di frequentante.

Attività interattiva

Compilare il breve questionario conoscitivo che abbiamo preparato nel blended.

Attività rompighiaccio. Il questionario conoscitivo raccoglie informazioni sulle aspettative degli studenti, la familiarità con strumenti di IA generativa e le preferenze per il lavoro di gruppo. Dare 5 minuti per la compilazione. I risultati verranno utilizzati per calibrare il ritmo delle lezioni e per la formazione dei gruppi nella settimana 4.

Che cos’è l’IA Generativa?

Sezione 2: definizioni fondamentali. Obiettivo: costruire un vocabolario condiviso. Questa sezione corrisponde al descrittore di Dublino “Conoscenza e comprensione”.

Definizione

IA Generativa: sistemi di intelligenza artificiale in grado di creare contenuti originali — testo, immagini, audio, video — a partire da modelli addestrati su grandi quantità di dati.

A differenza dell’IA analitica (che classifica o prevede), l’IA generativa produce artefatti nuovi.

Definizione chiave del corso. L’IA generativa si distingue dall’IA tradizionale (classificazione, previsione) perché produce contenuti nuovi. Esempi: ChatGPT genera testo, DALL-E genera immagini, Sora genera video. Chiedere agli studenti: “Quanti di voi hanno già usato uno strumento di IA generativa?”

Concetti chiave

Termine	Definizione
LLM (Large Language Model)	Modello addestrato su miliardi di testi per generare linguaggio
Diffusion model	Genera immagini partendo da rumore casuale
Prompt	Istruzione testuale fornita al modello
Context window	Quantità massima di testo che il modello può considerare in una conversazione
Hallucination	Contenuto generato plausibile ma falso
Token	Unità minima di testo elaborata dal modello

Terminologia essenziale. I LLM (GPT, Gemini, Claude) predicono la parola successiva in una sequenza. I modelli di diffusione (Stable Diffusion, DALL-E) e i modelli nativi (Nano Banana di Google) generano immagini. Il concetto di contesto (context window) è fondamentale: definisce quanta informazione il modello può “tenere a mente” durante una conversazione. Gemini 3 arriva a 1 milione di token (~750.000 parole), il che consente di analizzare interi dataset in una singola sessione — una capacità che useremo nei laboratori. Il concetto di hallucination è cruciale: i modelli possono generare informazioni convincenti ma completamente inventate. Questo tema tornerà in tutto il corso.

Come funziona un LLM (semplificato)

1. Addestramento — il modello legge miliardi di testi dal web
2. Apprendimento di pattern — identifica relazioni statistiche tra parole
3. Generazione — dato un prompt, predice la sequenza più probabile
4. Fine-tuning — viene raffinato per seguire istruzioni e dialogare

Concetto chiave: Un LLM non “capisce” il linguaggio. Calcola la probabilità della parola successiva basandosi sui pattern appresi.

Spiegazione semplificata del funzionamento. Non è necessario entrare nei dettagli tecnici (transformer, attention), ma è importante che gli studenti capiscano che i LLM sono modelli statistici, non entità pensanti. La metafora dell’“autocomplete molto sofisticato” può essere utile. Questo spiega anche perché le hallucination sono strutturali, non bug occasionali.

I tipi di contenuto generativo

Testo

• Articoli, riassunti, traduzioni
• Codice, email, post social
• Strumenti: ChatGPT, Gemini, Claude

Audio

• Voci sintetiche, cloni vocali
• Podcast generati automaticamente
• Strumenti: ElevenLabs, NotebookLM Audio

Immagini

• Foto realistiche, illustrazioni, arte
• Editing e manipolazione
• Strumenti: DALL-E, Midjourney, Nano Banana

Video

• Scene generate da testo
• Deepfake e face swap
• Strumenti: Sora, Runway, Kling

Panoramica delle quattro modalità generative. Sottolineare che la multimodalità è la tendenza attuale: Gemini, ad esempio, gestisce testo, immagini e codice in un unico modello. Ogni modalità presenta sfide specifiche per la verifica e la fiducia nell’informazione. Il corso si concentrerà principalmente su testo e immagini, con riferimenti a video e audio.

Evoluzione Storica

Sezione 3: breve storia dell’IA generativa per contestualizzare la rivoluzione attuale. Gli studenti devono capire che l’IA generativa non è apparsa dal nulla.

Dalla regola alla generazione

Periodo	Sviluppo	Impatto
1950-1960	Test di Turing, ELIZA	Prime interazioni uomo-macchina
1980-2000	Reti neurali, sistemi esperti	Applicazioni limitate a domini specifici
2014	Generative Adversarial Networks (GAN)	Prime immagini sintetiche realistiche
2017	Architettura Transformer	Rivoluzione nei modelli linguistici
2022	ChatGPT (OpenAI)	IA generativa diventa mainstream
2025-2026	Agenti IA, modelli di ragionamento	Open source competitivo, contesti da 1M+ token

Timeline sintetica. I momenti chiave sono: (1) i GAN di Goodfellow (2014) che per primi hanno mostrato la capacità di generare immagini realistiche; (2) il paper “Attention Is All You Need” (2017) che introduce l’architettura transformer alla base di tutti i LLM moderni; (3) il lancio di ChatGPT (novembre 2022) che ha reso l’IA generativa accessibile al pubblico con 100 milioni di utenti in 2 mesi.

Il momento ChatGPT

Novembre 2022: OpenAI rilascia ChatGPT. In due mesi raggiunge 100 milioni di utenti attivi, diventando l’applicazione con la crescita più rapida nella storia.

Questo lancio ha trasformato l’IA generativa da tecnologia di nicchia a fenomeno culturale e sociale, con implicazioni profonde per:

• Il giornalismo e la produzione di notizie
• La circolazione dell’informazione online
• La fiducia pubblica nei contenuti digitali

ChatGPT è il punto di svolta che rende rilevante un corso come questo. Prima di novembre 2022, l’IA generativa era conosciuta principalmente dagli addetti ai lavori. Dopo, è diventata una questione di policy pubblica, regolamentazione e trasformazione professionale. Collegamento con Mattis & de Vreese (2025): l’impatto sul giornalismo è sia una promessa (efficienza) che una minaccia (disinformazione).

Il panorama attuale (febbraio 2026)

Modello	Azienda	Tipo	Caratteristica
GPT-5	OpenAI	Multimodale	Ragionamento avanzato, 200K contesto
Gemini 3	Google DeepMind	Multimodale	1M contesto, integrato in Workspace
Claude 4	Anthropic	Multimodale	Eccelle in coding e scrittura, 1M contesto
Llama 4	Meta	Testo (open)	Contesto fino a 10M token, open source
Midjourney v7	Midjourney	Immagini	Alta qualità artistica
Sora 2	OpenAI	Video	Generazione video da testo

Panoramica dei principali strumenti a febbraio 2026. Sottolineare che Google Gemini sarà la nostra piattaforma di lavoro nel corso, accessibile via account uniurb.it. Novità rispetto al 2024: le finestre di contesto sono enormi (Gemini 3 e Claude 4 arrivano a 1 milione di token; Llama 4 fino a 10 milioni). I modelli open source (Llama 4, DeepSeek V3) competono ormai con quelli proprietari. La distinzione open source vs. proprietario resta importante per la regolamentazione (settimana 2): Llama 4 è scaricabile e modificabile, GPT-5 e Gemini 3 sono accessibili solo via API o interfaccia web. Anche i generatori di video sono maturati: Sora 2 è disponibile al pubblico.

L’IA Generativa e il Sistema Mediale

Sezione 4: introduzione al tema centrale del corso — come l’IA generativa trasforma il sistema dei media. Questa sezione prepara il terreno per la lezione di domani sul sistema mediale ibrido.

Percezioni pubbliche dell’IA

Dati dal rapporto Pew Research Center (settembre 2025, N = 5.023 adulti statunitensi). Il 50% degli americani è più preoccupato che entusiasta dell’IA nella vita quotidiana. Il 38% è ugualmente preoccupato ed entusiasta. Solo il 10% è più entusiasta che preoccupato. La preoccupazione è cresciuta significativamente: era il 37% nel 2021, ora è al 50%. Il rapporto è uno dei required readings del corso. Nota: i dati sono americani — come discussione, chiedere agli studenti come pensano si posizionino gli italiani.

I rischi percepiti

“As a school teacher, I understand how important it is for children to develop and grow their own curiosity, problem-solving skills, critical thinking skills and creativity […]”

— Rispondente, Pew Research Center (2025)

Rischi indicati dal 57% degli americani che li considera “alti” (Pew Research Center, 2025):

• Erosione delle capacità umane (pensiero critico, creatività)
• Perdita di posti di lavoro e trasformazione economica
• Disinformazione e perdita di privacy

Dalla survey Pew Research 2025. Il 57% degli americani ritiene che i rischi societali dell’IA siano alti, mentre solo il 25% ritiene alti i benefici. Il 53% ritiene che l’IA peggiorerà la capacità delle persone di pensare creativamente, e il 50% teme un impatto negativo sulle relazioni significative. La preoccupazione principale non è tecnica ma umana: la paura di perdere competenze cognitive. Il tema della disinformazione è citato tra chi percepisce alti rischi. Collegamento con Ferrara (2026): l’erosione della fiducia è già percepita a livello di opinione pubblica.

Il riconoscimento dei contenuti IA

L’importanza percepita

Il 76% degli americani ritiene importante essere in grado di riconoscere contenuti generati dall’IA.

La capacità effettiva

Solo il 47% si dichiara in grado di distinguere contenuti generati dall’IA da quelli creati da esseri umani.

Il gap della detection: La maggioranza ritiene cruciale riconoscere l’IA, ma oltre la metà ammette di non saperlo fare (Pew Research Center, 2025).

Questo gap tra importanza percepita e capacità effettiva è uno dei dati più significativi del rapporto Pew. Collegamento con Hackenburg et al. (2025): se le persone non riescono a riconoscere contenuti IA, sono più vulnerabili alla persuasione dell’IA conversazionale. Collegamento con Vaccari & Chadwick (2020): i deepfake sfruttano esattamente questo gap. Questo dato motiva anche il nostro progetto di ricerca: come reagiscono gli utenti ai contenuti generati dall’IA sui social media?

Il Paradosso dell’IA Generativa

Il Paradosso dell’IA Generativa: man mano che i contenuti sintetici diventano onnipresenti e indistinguibili, le società potrebbero razionalmente scontare tutte le prove digitali. La verifica diventa un privilegio, i processi istituzionali rallentano, e la responsabilità si erode (Ferrara, 2026).

Questo è il concetto teorico centrale del paper di Ferrara (2026), uno dei testi del corso. Il “paradosso” è che l’IA generativa è utile (produce contenuti di qualità) ma simultaneamente erode la fiducia (perché tutto potrebbe essere falso). La “tassa epistemica” è il costo crescente di verificare cosa è vero. Ferrara propone il concetto di “realtà sintetica” — non singoli contenuti falsi, ma interi “contesti di credenza” fabbricati.

La Realtà Sintetica: un modello a strati

Livello	Nome	Descrizione
1	Contenuto sintetico	Testo, immagini, audio, video generati
2	Identità sintetica	Persone fittizie con documenti, voce, volto
3	Interazione sintetica	Dialoghi e persuasione adattiva automatizzata
4	Istituzioni sintetiche	Corruzione dei processi di verifica istituzionale

Adattato da Ferrara (2026)

Il modello a strati di Ferrara (2026, Figura 2). Ogni livello amplifica il precedente: contenuti realistici + identità credibili + interazioni persuasive = corruzione dei processi istituzionali (elezioni, tribunali, giornalismo). Questo framework sarà utile per tutto il corso: il progetto di gruppo lavora al livello 1 (contenuto sintetico), ma le implicazioni toccano tutti e 4 i livelli. Collegamento con Schroeder et al. (2026) sugli “sciami IA malevoli” che operano a livello 2 e 3.

IA e persuasione politica

Risultato chiave: In conversazioni di circa 9 minuti, i sistemi IA più avanzati sono risultati fino al 52% più persuasivi di un messaggio statico, con effetti misurabili ancora dopo un mese (Hackenburg et al., 2025).

Ma c’è un trade-off preoccupante:

• I modelli ottimizzati per la persuasione producono più affermazioni inaccurate
• Il modello più persuasivo conteneva il 30% di claim inaccurati
• Le strategie basate su densità informativa sono le più efficaci

Dati da Hackenburg et al. (2025), pubblicato su Science. Studio con 76.977 risposte, 42.357 persone, 19 LLM testati su 707 questioni politiche. La scoperta centrale è il trade-off persuasione-accuratezza: i modelli IA più persuasivi sono anche quelli che producono più disinformazione. Questo è un risultato empirico che supporta il paradosso teorico di Ferrara. Nota: anche modelli piccoli, con il giusto fine-tuning, possono diventare altamente persuasivi — il rischio non è limitato ai frontier models.

Verso il Sistema Mediale Ibrido

Sezione 5: breve anteprima del tema di domani. Collegare le definizioni e i dati di oggi al framework teorico che verrà approfondito nella prossima lezione.

Dal broadcasting all’IA

Media tradizionali

• Flusso uno-a-molti
• Gatekeeping professionale
• Ciclo di notizie definito

Sistema mediale ibrido + IA

• Flusso molti-a-molti + IA
• Gatekeeping algoritmico
• Ciclo informativo continuo

“This system is built upon interactions among old and new media and their associated technologies, genres, norms, behaviors, and organizations.”

— Chadwick (2011)

Anteprima del tema di domani: il sistema mediale ibrido di Chadwick (2011). L’IA generativa aggiunge un nuovo attore a questo sistema — un attore che può produrre contenuti, simulare identità e interagire con gli utenti. Domani approfondiremo il framework teorico; oggi basta capire che l’IA non opera in un vuoto ma all’interno di un ecosistema mediale complesso dove vecchi e nuovi media interagiscono. Il concetto di “ibridità” è cruciale: non è una sostituzione ma una coesistenza complessa.

Il giornalismo nell’era dell’IA

L’IA generativa sta trasformando ogni fase della catena del valore giornalistica (Mattis & Vreese, 2025):

• Raccolta: automazione delle fonti, monitoraggio in tempo reale
• Produzione: articoli generati, editing automatizzato
• Verifica: strumenti IA per il fact-checking, ma anche nuove sfide
• Distribuzione: personalizzazione algoritmica, chatbot informativi

Sintesi da Mattis & de Vreese (2025). Ogni fase presenta sia opportunità (efficienza, scala) che rischi (perdita del controllo editoriale, diminuzione della qualità, erosione della fiducia). Un dato significativo: la BBC ha riscontrato che il 50% delle risposte dei LLM presentava problemi di accuratezza. Express.de, un quotidiano tedesco, ha dovuto assumere un redattore umano per controllare gli articoli generati dall’IA dopo un’impennata di errori. Il giornalismo sarà un tema ricorrente nel corso.

Qualità percepita vs. disponibilità a leggere

Risultato sorprendente: I lettori valutano la qualità degli articoli generati dall’IA come equivalente a quella degli articoli umani, ma restano riluttanti a leggere notizie prodotte dall’IA (Gilardi et al., 2025).

• Nessuna differenza significativa su credibilità, competenza e leggibilità
• Solo il 29% degli svizzeri leggerebbe notizie completamente generate dall’IA
• La resistenza non dipende dalla qualità ma da fiducia e autenticità

Dati da Gilardi et al. (2025), N = 599 partecipanti svizzeri. Questo studio dimostra il “disaccoppiamento qualità-attitudine”: la resistenza ai contenuti IA non nasce dalla loro scarsa qualità (che è equiparabile) ma da preoccupazioni più profonde legate alla fiducia, alla trasparenza e all’autenticità giornalistica. Dato interessante: dopo la disclosure, la disponibilità a continuare a leggere lo specifico articolo AUMENTA — possibile “effetto novità”. Ma la disponibilità futura resta bassa.

Sintesi e Prossimi Passi

Sezione finale: riepilogo e orientamento per le prossime lezioni.

Concetti chiave di oggi

• L’IA generativa crea contenuti originali (testo, immagini, audio, video)
• I LLM predicono sequenze probabili; non “comprendono” il linguaggio
• Il Paradosso dell’IA Generativa: utilità crescente, fiducia decrescente
• La realtà sintetica opera su 4 livelli: contenuto, identità, interazione, istituzioni
• Il gap tra importanza percepita (76%) e capacità effettiva (47%) di riconoscere l’IA
• La qualità dei contenuti IA è equiparabile a quella umana, ma la fiducia resta bassa

Riepilogo dei concetti fondamentali. Questi temi torneranno in tutto il corso. Assicurarsi che gli studenti abbiano compreso le definizioni di base (LLM, prompt, hallucination, modello di diffusione) e il paradosso centrale: l’IA genera contenuti di qualità ma erode la fiducia nell’ecosistema informativo.

Letture per questa settimana

Obbligatorie

• Pew Research Center (2025) — Come gli americani vedono l’IA
• Ferrara (2026) — Il Paradosso dell’IA Generativa
• Chadwick (2011) — Il Sistema Mediale Ibrido

Consigliate

• Hackenburg et al. (2025) — Persuasione politica con IA
• Mattis & Vreese (2025) — IA generativa e giornalismo

Suggerimento

Portate le letture al workshop di mercoledì: le caricheremo su NotebookLM per un esercizio pratico.

Assegnazione delle letture. Le letture obbligatorie preparano la lezione di domani (Chadwick) e approfondiscono i temi di oggi (Pew, Ferrara). Le letture consigliate (Hackenburg, Mattis) saranno fondamentali nella settimana 2. Ricordare che mercoledì c’è il workshop su Gemini e NotebookLM: verificare l’accesso al proprio account uniurb.it.

Per la prossima lezione

Domani (Martedì 24 Febbraio): Il Sistema Mediale Ibrido nell’Era dell’IA

• Il framework di Chadwick: vecchi e nuovi media in interazione
• Come l’IA si inserisce nel sistema mediale ibrido
• Trasformazioni delle professioni della comunicazione

Mercoledì 25 Febbraio: Workshop pratico su Google Gemini e NotebookLM

Attenzione

Verificate oggi stesso il vostro accesso a Google Gemini e NotebookLM con l’account @uniurb.it. In caso di problemi, contattate il supporto IT.

Promemoria operativo. È fondamentale che tutti gli studenti abbiano accesso funzionante a Gemini e NotebookLM prima del workshop di mercoledì. Suggerire di provare ad accedere oggi stesso e di segnalare eventuali problemi. Transizione verso la slide finale.

Grazie!

Prossima lezione: Il Sistema Mediale Ibrido (24 Febbraio 2026)

📧 fabio.giglietto@uniurb.it

🌐 blended.uniurb.it

Chiusura. Ricordare: (1) iscrizione a Moodle, (2) verifica account uniurb.it per Gemini/NotebookLM, (3) letture assegnate. A domani!

Riferimenti

Chadwick, A. (2011). The Hybrid Media System [Manoscritto].

Ferrara, E. (2026). The Generative AI Paradox: GenAI and the Erosion of Trust, the Corrosion of Information Verification, and the Demise of Truth [Manoscritto].

Gilardi, F., Di Lorenzo, S., Streiff, B., Ezzaini, J., Zurfluh, E., Santa, B., & Hoes, E. (2025). Willingness to Read AI-Generated News Is Not Driven by Their Perceived Quality [Manoscritto].

Hackenburg, K., Tappin, B. M., Hewitt, L., Saunders, E., Black, S., Lin, H., Fist, C., Margetts, H., Rand, D. G., & Summerfield, C. (2025). The Levers of Political Persuasion with Conversational Artificial Intelligence. Science, 390, eaea3884. https://doi.org/10.1126/science.aea3884

Mattis, N., & Vreese, C. H. de. (2025). Breaking the News? Generative AI’s Impact on Journalism and Its Implications for Disinformation. International Journal of Communication, 19, 3602–3625.

Pew Research Center. (2025). How Americans View AI and Its Impact on People and Society. Pew Research Center.