Validazione: Umano vs Macchina

IA Generativa e Media — Settimana 5

Fabio Giglietto

DISCUI · Università degli Studi di Urbino Carlo Bo

25 marzo 2026

This Week in AI

IA e sicurezza epistemica: nuovi scenari

La ricerca recente evidenzia come l’IA generativa stia trasformando non solo i singoli contenuti, ma l’intero substrato epistemico su cui si basano le istituzioni democratiche (Ferrara, 2026).

Da discutere

Nel vostro progetto, le categorie di immagini che avete classificato mostrano strategie diverse di manipolazione emotiva? Quali categorie sembrano progettate per massimizzare l’engagement?

This Week in AI: collegare le notizie recenti sull’IA al concetto di sicurezza epistemica di Ferrara (2026). Il tema è particolarmente rilevante perché gli studenti stanno classificando immagini AI-generated e analizzando i loro pattern di engagement — un fenomeno che si colloca al livello 1 (contenuto sintetico) della realtà sintetica. Chiedere agli studenti se dalla classificazione emergono categorie con strategie emotive particolarmente efficaci. Questo collegamento tra teoria e pratica rafforza il valore del progetto.

This Week in AI

Verso una regolamentazione degli sciami IA

Gli sciami IA malevoli possono fabbricare un consenso sintetico che appare colmare le divisioni sociali, minacciando l’indipendenza essenziale per l’intelligenza collettiva (Schroeder et al., 2026).

Implicazione per il progetto: Le immagini AI-generated che analizzate — prodotte in serie per massimizzare l’engagement — potrebbero essere il livello base di operazioni di manipolazione molto più ampie.

Secondo segmento TWIAI: collegare la notizia della settimana al quadro teorico di Schroeder et al. (2026) sugli sciami IA. L’AI slop che gli studenti analizzano nel progetto — immagini sintetiche distribuite come engagement bait — potrebbe sembrare innocuo rispetto ai deepfake politici, ma rappresenta lo stesso meccanismo di base: contenuti sintetici prodotti in serie che inquinano l’ecosistema informativo e sfruttano le dinamiche algoritmiche. Gli sciami IA potrebbero amplificare questo tipo di contenuti su scala industriale. Transizione verso la sessione di validazione.

Roadmap della sessione

1. This Week in AI — scenari emergenti
2. Validazione Step 1 — calcolo del kappa sulla codifica binaria di ieri
3. Perché validare — metriche di accordo (Cohen’s kappa, Krippendorff’s alpha)
4. Dal Step 1 al Step 2 — filtrare il sottoinsieme AI slop
5. Step 2: classificazione tematica — codifica umana + consenso + Gemini
6. Validazione Step 2 — kappa sulle categorie tematiche

Struttura della sessione. Oggi è una sessione densa con due obiettivi: validare la classificazione binaria fatta ieri (Step 1) e completare la classificazione tematica (Step 2). Ieri i gruppi hanno completato l’intero ciclo dello Step 1: codifica umana indipendente di 50 post, consenso sui disaccordi, classificazione binaria di tutti i 420 post con Gemini. Oggi partiamo calcolando il kappa su quei dati. Il contenuto genuinamente nuovo è la spiegazione delle metriche di accordo (kappa, alpha). Poi filtriamo il sottoinsieme AI slop e applichiamo lo stesso workflow per lo Step 2 tematico.

Ieri: cosa avete completato

Breve ricapitolazione dello Step 1 completato ieri, per collegare con la validazione di oggi.

Step 1: il punto di partenza

Ieri avete completato l’intero ciclo dello Step 1 — Classificazione binaria:

Fase	Tab nel foglio	Stato
Codifica umana (50 post)	STEP 1 — Codifica Umana (50)	Fatto
Consenso + definizione raffinata	CODEBOOK	Fatto
Prompt con one-shot examples	PROMPT	Fatto
Gemini: 420 post classificati	STEP 1 — Gemini + Decisione	Fatto

Oggi: confrontiamo le codifiche umane con quelle di Gemini e misuriamo l’accordo con metriche statistiche.

Verifica rapida: ogni gruppo conferma di avere completato tutte e 4 le fasi. Se qualche gruppo non ha completato la classificazione Gemini, deve farlo adesso (10 minuti). I dati necessari per la validazione sono nel tab blu “STEP 1 — Codifica Umana (50)” (codifiche individuali dei membri) e nel tab arancione “STEP 1 — Gemini + Decisione” (classificazioni Gemini). I 50 post sono gli stessi per tutti i gruppi (seed 42), quindi il confronto inter-gruppo è possibile.

Perché Validare

Sezione 1: motivazione della validazione. Perché non basta la classificazione automatizzata, specialmente per contenuti visivi.

L’IA non è un oracolo

Principio fondamentale: come ci ricorda Cosenza (2025), l’IA ragiona per probabilità, non per verità. Ogni classificazione automatizzata è una bozza che richiede verifica.

Perché la classificazione dell’IA può essere inaffidabile:

• Sensibilità al prompt: piccole variazioni producono risultati diversi
• Bias del modello: tendenza a sovra-rappresentare alcune categorie
• Ambiguità visiva: un’immagine può appartenere a più categorie
• Artefatti sintetici: l’IA potrebbe non riconoscere gli stessi indicatori che nota un umano

Collegamento con la regola 4 di Cosenza (2025): “Valuta”. Nel contesto della classificazione di immagini AI-generated, la sfida è doppia: usiamo un’IA (Gemini) per classificare immagini generate da un’altra IA. Gemini potrebbe avere bias specifici: ad esempio, non cogliere la differenza tra “nostalgia” e “paesaggio vintage”. L’ambiguità visiva è il problema principale: un’immagine di un bambino con un animale potrebbe essere “bambini” o “animali” a seconda dello schema. Le immagini AI-generated hanno artefatti specifici (mani distorte, testi illeggibili) che un umano nota immediatamente ma che Gemini potrebbe ignorare.

Il paradosso della fiducia nell’IA

Il rischio

Ferrara (2026) descrive un paradosso: più l’IA sembra affidabile, più rischiamo di fidarci ciecamente dei suoi output (Ferrara, 2026).

• Accettare categorie senza verificare
• Non controllare le immagini ambigue
• Presentare risultati non validati

La soluzione

La validazione sistematica protegge da questo rischio:

• Codifica umana indipendente
• Confronto quantitativo IA-umano
• Documentazione trasparente degli errori
• Iterazione basata sui disaccordi

Il collegamento con Ferrara (2026) è importante: il Generative AI Paradox si applica anche alla ricerca. Come i cittadini possono cadere nella “credulity”, i ricercatori possono accettare acriticamente classificazioni IA apparentemente plausibili. La soluzione è trattare l’IA come un codificatore le cui classificazioni devono essere verificate, esattamente come nella metodologia LLMs-in-the-loop di Marino & Giglietto (2024).

Misurare l’Accordo

Sezione 2: le metriche statistiche per misurare l’accordo tra codificatori. Concetti tecnici necessari per il paper.

Perché non basta la percentuale di accordo

Il problema

Due codificatori possono concordare per caso.

Se ci sono 2 categorie equiprobabili, il 50% di accordo è atteso anche con classificazioni casuali.

La percentuale di accordo grezzo non tiene conto del caso.

La soluzione

Le metriche corrette sottraggono l’accordo atteso per caso:

\[\kappa = \frac{P_o - P_e}{1 - P_e}\]

Dove:

• \(P_o\) = accordo osservato
• \(P_e\) = accordo atteso per caso

Concetto statistico fondamentale per la validazione. La percentuale di accordo grezzo è una metrica ingannevole perché non considera l’accordo casuale. Se abbiamo 2 categorie (AI slop / non AI slop), l’accordo casuale è circa il 50%. Un accordo dell’80% sembra buono ma dopo la correzione potrebbe essere moderato. Per lo Step 2 con 5 categorie, l’accordo casuale è circa il 20%. Le metriche kappa e alpha correggono questo problema.

Cohen’s kappa e Krippendorff’s alpha

Metrica	Uso	Caratteristiche
Cohen’s kappa (\(\kappa\))	2 codificatori	Semplice, ampiamente usato
Krippendorff’s alpha (\(\alpha\))	2+ codificatori	Flessibile, gestisce dati mancanti

Scale interpretative standard:

Valore	Interpretazione
< 0.20	Accordo scarso
0.21 - 0.40	Accordo discreto
0.41 - 0.60	Accordo moderato
0.61 - 0.80	Accordo buono
0.81 - 1.00	Accordo eccellente

Le due metriche principali. Cohen’s kappa per confronti a coppie (umano-umano o umano-IA). Krippendorff’s alpha per confronti con più di 2 codificatori. Per il progetto: kappa per ogni coppia, alpha per il confronto complessivo. L’obiettivo minimo è un kappa di 0.60 (accordo buono). Nella sezione Metodo del paper, bisogna riportare la metrica usata, il valore e l’interpretazione.

Validazione Step 1

Sezione 3: esercizio pratico di validazione sullo Step 1 binario. I dati esistono già — si tratta di calcolare le metriche.

Step 1: calcolare il kappa

I dati per la validazione esistono già nel vostro foglio:

Confronti da fare

• Umano-umano: ogni coppia di membri del gruppo sui 50 post
• Umano-IA: ogni membro vs. Gemini sui 50 post

Dove trovare i dati

• Codifiche umane → STEP 1 — Codifica Umana (50)
• Codifiche Gemini → STEP 1 — Gemini + Decisione (filtrare i 50 post)

Per lo Step 1 binario, la matrice di confusione è 2×2: AI slop vs. Non AI slop. Calcolate \(P_o\) e \(P_e\) manualmente o con Gemini (Cosenza, 2025).

Punto chiave: non serve rifare la codifica umana — i dati sono già nel tab blu dallo Step 1 di ieri. Ogni membro ha già classificato 50 post come AI slop o non AI slop. Ora si confrontano: (1) le codifiche tra i membri del gruppo (umano-umano), (2) le codifiche di ogni membro con quelle di Gemini (umano-IA). Per il binario, la matrice è semplice: 2×2. Se il gruppo ha 4 membri, ci sono 6 coppie umano-umano e 4 coppie umano-IA. Suggerire di usare Gemini stesso per il calcolo del kappa caricando il foglio.

Esempio: matrice 2×2 per Step 1

	Umano: AI slop	Umano: Non AI slop	Tot. IA
IA: AI slop	32	3	35
IA: Non AI slop	2	13	15
Tot. umano	34	16	50

\(P_o = (32+13)/50 = 0.90\) — \(P_e = (35 \times 34 + 15 \times 16) / 50^2 = 0.572\)

\(\kappa = (0.90 - 0.572) / (1 - 0.572) = 0.77\) → Accordo buono

Esempio concreto con matrice 2×2 per la classificazione binaria. I numeri sono fittizi ma realistici. La diagonale (32 + 13 = 45 accordi su 50) dà un accordo grezzo del 90%, che dopo la correzione per il caso diventa kappa 0.77 — accordo buono. I 5 disaccordi sono informativi: 3 casi in cui Gemini dice AI slop ma l’umano dice non slop (falsi positivi dell’IA), 2 casi in cui Gemini dice non slop ma l’umano dice AI slop (falsi negativi). Questi pattern guidano il raffinamento: Gemini è troppo aggressivo nel classificare come slop? O troppo conservativo?

Esercizio: validare Step 1 (20 min)

1. Raccogliere le codifiche umane dal tab STEP 1 — Codifica Umana (50) e le codifiche Gemini corrispondenti dal tab STEP 1 — Gemini + Decisione
2. Costruire la matrice di confusione 2×2 per ogni coppia (umano-umano e umano-IA)
3. Calcolare il kappa (manualmente o con Gemini)
4. Interpretare: kappa ≥ 0.60 → procedere; kappa < 0.60 → discutere i disaccordi

Esercizio pratico: 20 minuti. Non serve rifare la codifica — i dati esistono già. I gruppi devono solo confrontare e calcolare. Passare tra i gruppi per aiutare con il calcolo. Problemi comuni: confondere righe e colonne nella matrice, errori nel calcolo di Pe. Suggerire di verificare con Gemini: caricare le due colonne di classificazione e chiedere di calcolare il kappa. Per i gruppi con kappa alto (≥ 0.60), procedere direttamente al filtraggio. Per i gruppi con kappa basso, dedicare 10 minuti alla discussione dei disaccordi prima di procedere.

Decisione Step 1

Kappa ≥ 0.60

• Procedere con il filtraggio
• Documentare kappa e matrice
• Isolare il sottoinsieme AI slop

Kappa < 0.60

• Analizzare i disaccordi: dove e perché?
• Raffinare la definizione nel CODEBOOK
• Reclassificare con Gemini (prompt aggiornato)
• Ricalcolare il kappa

La decisione è binaria: se il kappa dello Step 1 è accettabile, si procede. Se no, serve un ciclo rapido di iterazione. Per lo Step 1 binario ci aspettiamo kappa abbastanza alti: la distinzione AI slop / non AI slop è relativamente chiara rispetto alla classificazione tematica. Se il kappa è comunque basso, i disaccordi sono probabilmente su casi limite: immagini AI usate in modo ambiguo, post con testo ironico o dichiarativo. Raffinare la definizione nel CODEBOOK e aggiornare il prompt. Non dedicare più di 15 minuti all’iterazione dello Step 1.

Dal Step 1 al Step 2

Sezione 4: il filtro. Isolare il sottoinsieme di AI slop per la classificazione tematica.

Filtrare il sottoinsieme AI slop

Con lo Step 1 validato, filtrate il dataset:

• Nel tab STEP 1 — Gemini + Decisione, identificate tutti i post classificati come AI slop
• Copiate i riferimenti (ID post) nel tab STEP 2 — Codifica Umana (50)
• Il campione di 50 post per lo Step 2 sarà selezionato solo tra gli AI slop

Quanti post AI slop avete? Questa proporzione è già un primo risultato: indica quanto del dataset è effettivamente AI slop secondo i vostri criteri.

Il filtraggio è il passaggio che collega i due step. Solo i post classificati come AI slop nello Step 1 passano allo Step 2. Il numero di post AI slop varia per gruppo perché le definizioni raffinate sono diverse. Se un gruppo ha pochissimi AI slop (sotto il 30%), potrebbe indicare una definizione troppo restrittiva — da discutere. Se quasi tutti sono AI slop (sopra il 90%), la classificazione binaria aggiunge poco. La proporzione va riportata nella sezione Risultati del paper.

Step 2: Classificazione Tematica

Sezione 5: lo Step 2. Stesso workflow dello Step 1 (umani prima, poi Gemini), ma con le categorie tematiche del pilot di mercoledì scorso.

Step 2: lo stesso workflow, categorie diverse

Lo Step 2 segue lo stesso pattern dello Step 1 — applicato solo ai post AI slop:

Fase	Azione	Tab
1. Codifica umana	Ogni membro classifica 50 post AI slop con le vostre categorie	STEP 2 — Codifica Umana (50)
2. Consenso	Discutete i disaccordi → raffinate le categorie	CODEBOOK
3. Prompt Gemini	Definizioni + one-shot → classificate tutti gli AI slop	STEP 2 — Gemini + Decisione

Ricordate

Le categorie tematiche vengono dal pilot di mercoledì scorso. Usate il codebook che avete già — raffinerete dopo il consenso.

Stesso workflow umani-prima dello Step 1, ma con le categorie tematiche sviluppate durante il pilot di mercoledì (week4-wed). Ogni gruppo ha il proprio schema di classificazione: per soggetto visivo, strategia emotiva, tecnica di generazione, intento apparente, ecc. La codifica umana dei 50 post AI slop serve per: (1) verificare che le categorie funzionino su un campione più ampio, (2) identificare categorie mancanti o troppo ampie, (3) produrre dati per il calcolo del kappa. Dopo il consenso, il prompt Gemini usa le definizioni raffinate + one-shot examples dai casi concordati.

Codifica tematica: istruzioni

Ogni membro classifica 50 post AI slop in modo indipendente nel tab STEP 2 — Codifica Umana (50), usando le categorie del vostro codebook.

• Per ogni post: guardate testo + immagine insieme
• Assegnate una sola categoria per post
• Se nessuna categoria è adatta, annotate il caso
• Nessuna discussione — la codifica è cieca

Le stesse regole dello Step 1, ma con più categorie. La codifica tematica è più complessa della binaria: i membri devono scegliere tra 4-6 categorie (o più). I casi ambigui saranno più frequenti — un’immagine di un bambino che prega potrebbe essere “bambini” o “religioso”. Questi casi sono preziosi per il consenso. Ricordare che il tab “STEP 2 — Codifica Umana (50)” è separato dal tab “STEP 2 — Gemini + Decisione” per evitare anchoring bias.

Consenso e Gemini per Step 2

Dopo la codifica individuale:

1. Confrontate le classificazioni nel tab STEP 2 — Codifica Umana (50)
2. Discutete i disaccordi → raffinate le definizioni delle categorie
3. Aggiornate il CODEBOOK con le nuove regole
4. Costruite il prompt con definizioni + one-shot examples → salvate nel tab PROMPT
5. Gemini classifica tutti gli AI slop → tab STEP 2 — Gemini + Decisione

Fasi identiche allo Step 1. La differenza principale è che la classificazione tematica produce più disaccordi perché le categorie sono più numerose e i confini meno netti. Il consenso è ancora più importante qui: le decisioni su casi ambigui (bambino + animale → quale categoria?) definiscono le regole operative che andranno nel prompt e nel codebook. Gli one-shot examples per lo Step 2 vengono dai casi concordati durante questa fase. Dopo il consenso, Gemini classifica tutti i post AI slop (non solo i 50) usando il prompt con le definizioni raffinate.

Validazione Step 2

Sezione 6: calcolo del kappa sullo Step 2 tematico.

Step 2: calcolare il kappa tematico

La matrice di confusione per lo Step 2 è più grande (tante righe/colonne quante le vostre categorie):

	Umano: Cat. A	Umano: Cat. B	Umano: Cat. C	…
IA: Cat. A	n	…	…
IA: Cat. B	…	n	…
IA: Cat. C	…	…	n

Con più categorie, il kappa tende ad essere più basso. Un kappa di 0.60 per 5-6 categorie è un risultato solido.

La matrice di confusione per lo Step 2 è N×N dove N è il numero di categorie del gruppo. Con più categorie l’accordo casuale è più basso (es. 1/5 = 20% per 5 categorie), quindi il kappa tende a essere più basso rispetto allo Step 1 binario. Un kappa di 0.60 per la classificazione tematica è un buon risultato. Se il kappa è basso, analizzare la matrice: quali coppie di categorie generano più confusione? Queste coppie sono candidate per l’accorpamento. Se dopo 2 iterazioni il kappa resta sotto 0.60, accorpare le categorie problematiche.

Se il kappa Step 2 è basso

Analizzare

• Quali coppie di categorie confonde l’IA?
• Le definizioni sono sufficientemente precise?
• Servono sotto-criteri o anti-esempi?

Soluzioni

• Raffinare definizioni nel CODEBOOK
• Aggiungere anti-esempi nel prompt
• Accorpare categorie troppo simili
• Reclassificare e ricalcolare

Attenzione

Se dopo 2 iterazioni il kappa resta sotto 0.60, accorpate le categorie problematiche. Meglio meno categorie affidabili che molte inaffidabili.

L’iterazione per lo Step 2 segue la stessa logica dello Step 1 ma con più possibilità di intervento: si possono raffinare le definizioni, aggiungere anti-esempi, o accorpare categorie. L’accorpamento è la soluzione più efficace quando due categorie sono sistematicamente confuse (es. “nostalgia” e “paesaggio vintage”). Nel paper, documentare le iterazioni effettuate: il percorso di raffinamento è metodologicamente interessante.

Confronto Inter-Gruppo

La dimensione unica del progetto — tutti i gruppi hanno classificato le stesse immagini.

Tutti sulle stesse immagini: un’opportunità unica

Tutti i gruppi hanno classificato le stesse immagini. Il progetto consente un confronto inter-gruppo impossibile in un design tradizionale.

Cosa confrontare:

• Gruppi con categorie condivise (es. più gruppi hanno “bambini”) → kappa inter-gruppo
• Gruppi con schemi diversi → cosa rivela una lente che l’altra non coglie?
• Proporzione AI slop nello Step 1: le definizioni diverse producono proporzioni diverse?

Il confronto inter-gruppo non è una competizione ma un’esplorazione di come le scelte analitiche modellano i risultati. Un gruppo che classifica per “soggetto visivo” e uno per “strategia emotiva” vedranno pattern diversi. Per lo Step 1: le diverse definizioni di AI slop producono proporzioni diverse? Questo sarà il tema centrale della sintesi finale del 13 aprile (Marino & Giglietto, 2024).

Cosa riportare nel paper

Sezione Metodo

• Codebook con definizioni (Step 1 + Step 2)
• Prompt completi (in appendice)
• Protocollo: codifica cieca, 50 post, seed 42
• Metriche: kappa per entrambi gli step

Sezione Risultati

• Matrice di confusione (Step 1 + Step 2)
• Iterazioni: quanti cicli, cosa è cambiato
• Proporzione AI slop (risultato Step 1)
• Distribuzione categorie (risultato Step 2)

La trasparenza metodologica è un valore fondamentale: documentate non solo i successi ma anche gli errori e le iterazioni (Marino & Giglietto, 2024).

La documentazione deve coprire entrambi gli step. Per il Metodo: il codebook va descritto per entrambi gli step (definizione di AI slop per Step 1, categorie tematiche per Step 2), i prompt completi vanno in appendice, il protocollo di validazione (50 post pre-selezionati, codifica cieca, seed 42) va dettagliato. Per i Risultati: le matrici di confusione rivelano i pattern di errore per ogni step, le iterazioni mostrano il processo di miglioramento, la proporzione di AI slop è un risultato dello Step 1, la distribuzione delle categorie è un risultato dello Step 2.

Lavoro Pratico

Timeline complessiva della sessione.

Timeline della sessione

Fase	Tempo	Attività
Step 1: kappa	20 min	Calcolare kappa su codifiche esistenti, matrice 2×2
Filtraggio	5 min	Identificare sottoinsieme AI slop
Step 2: codifica umana	20 min	Ogni membro classifica 50 post AI slop (tematico)
Step 2: consenso	15 min	Discussione disaccordi, raffinare categorie
Step 2: Gemini	20 min	Prompt + classificazione di tutti gli AI slop
Step 2: kappa	10 min	Matrice N×N, calcolo kappa tematico

Tempistica serrata ma fattibile. Lo Step 1 kappa è veloce perché i dati esistono già. Il filtraggio è rapido (filtro nel foglio). Lo Step 2 segue lo stesso ciclo dello Step 1 ma con classificazione tematica. Se i gruppi non riescono a completare il kappa Step 2 in aula, possono farlo prima di lunedì. La priorità è: (1) validare Step 1, (2) completare Step 2 codifica umana + consenso in aula, (3) Gemini e kappa Step 2 possono essere finiti a casa se necessario.

Prossimi passi

Data	Attività
Lun 30 Marzo	Consultazione gruppi + analisi engagement
Mar 31 Marzo	Workshop di scrittura — struttura del paper
Mer 1 Aprile	Lavoro di gruppo — stesura collaborativa
Lun 13 Aprile	Sintesi del corso — confronto inter-gruppo

Per lunedì: preparate una presentazione (5 min) con: kappa Step 1 e Step 2, proporzione AI slop, distribuzione categorie, e una prima esplorazione dell’engagement per categoria.

Timeline aggiornata. Lunedì è la consultazione di gruppo dove ogni gruppo presenterà i risultati della validazione (entrambi gli step) e i primi pattern di engagement. Le sessioni successive sono dedicate alla scrittura. Enfatizzare: chi ha problemi con la validazione deve risolverli entro lunedì. La consultazione servirà per discutere sia la validazione sia l’analisi di engagement.

Grazie!

Prossima lezione: Consultazione Gruppi e Analisi Engagement (30 Marzo 2026)

📧 fabio.giglietto@uniurb.it

🌐 blended.uniurb.it

Chiusura. Ricordare: (1) completare la classificazione Gemini Step 2 se non terminata in aula, (2) calcolare il kappa Step 2 prima di lunedì, (3) iniziare a esplorare i dati di engagement per categoria, (4) preparare la presentazione di 5 minuti. Lunedì è una sessione operativa: ogni gruppo presenterà i risultati di entrambi gli step.

Riferimenti

Cosenza, V. (2025). Esercizi di Intelligenza Aumentata: Imparare a Collaborare con le I.A.

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

Marino, G., & Giglietto, F. (2024). Integrating Large Language Models in Political Discourse Studies on Social Media: Challenges of Validating an LLMs-in-the-loop Pipeline. Sociologica, 18(2), 87–107. https://doi.org/10.6092/issn.1971-8853/19524

Schroeder, D. T., Cha, M., Baronchelli, A., Bostrom, N., Christakis, N. A., Garcia, D., Goldenberg, A., Kyrychenko, Y., Leyton-Brown, K., Lutz, N., Marcus, G., Menczer, F., Pennycook, G., Rand, D. G., Ressa, M., Schweitzer, F., Song, D., Summerfield, C., Tang, A., … Kunst, J. R. (2026). How Malicious AI Swarms Can Threaten Democracy. Science, 387(6732), 354–357.