Quali prove vengono usate nei casi di cattiva condotta legati all'IA? Uno studio su 1.162 fascicoli

In un'università australiana, i punteggi dei rilevatori hanno rappresentato solo una parte marginale e in costante calo. Tra i 1.162 casi di presunta cattiva condotta legata all'IA dal 2023 al 2025, i risultati degli strumenti di rilevamento come GPTZero hanno costituito il 5,8% delle prove registrate nel 2023, l'8,8% nel 2024 e lo 0,5% nel 2025, pari a sole cinque voci in un anno con 618 casi di questo tipo. Nei tre anni complessivi, i report dei rilevatori sono comparsi in 67 dei 1.162 casi. Molto più comuni sono state le ammissioni fatte dallo studente durante il colloquio (nel 34,3% dei casi), i riferimenti bibliografici introvabili (30,6%) e il giudizio del docente secondo cui il testo sembrava scritto da un'IA (20,6%). La tipologia e la solidità delle prove hanno spiegato solo in minima parte l'esito dei procedimenti.

Lo studio si intitola "How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis" ("Quanto sono solide le prove nelle accuse di cattiva condotta accademica legate all'IA generativa? Un'analisi con metodi misti"), condotto da Albert Munoz, Mercedez Hinchcliff, Cameron Langfield e Ann Rogerson dell'Università di Wollongong. È stato pubblicato in modalità open access sull'International Journal for Educational Integrity il 2 settembre 2026. I fascicoli provengono dal loro stesso ateneo e gli autori vi lavorano come docenti e ricercatori. Rogerson fa parte del comitato editoriale della rivista, elemento che l'articolo dichiara come conflitto di interessi.

Tra gennaio 2023 e dicembre 2025, l'università ha registrato 5.127 casi di cattiva condotta accademica. Il team ha isolato i 1.162 procedimenti legati al presunto uso di IA generativa, pari al 22,7% del totale. Una percentuale cresciuta ogni anno:

Essere inclusi in questo campione non significa che lo studente sia stato ritenuto colpevole. L'articolo lo dichiara apertamente: "This study does not adjudicate whether individual students engaged in the misuse of generative artificial intelligence." ("Questo studio non stabilisce se i singoli studenti abbiano fatto un uso improprio dell'intelligenza artificiale generativa.")

Nei fascicoli sono stati individuati 1.855 singoli elementi di prova, suddivisi in 15 tipologie. Ciascun elemento è stato valutato secondo tre criteri mutuati dalla dottrina giuridica: pertinenza, credibilità e forza inferenziale, ossia quanto un singolo elemento sostenga l'accusa da solo. Queste valutazioni rappresentano il giudizio dei ricercatori, applicato all'intero corpus tramite un modello linguistico eseguito in locale e calibrato sulla loro codifica manuale. Non costituiscono una verifica della correttezza di ogni singola prova.

Tutte le 15 tipologie, ordinate in base al numero di casi in cui sono comparse. Poiché un singolo procedimento può contenere più tipi di prove, la somma delle percentuali supera 100.

I riferimenti bibliografici introvabili sono stati la categoria in più rapida crescita, passando dal 10,4% delle prove registrate nel 2023 al 30,0% nel 2025.

Le percentuali si riferiscono alle singole voci di prova, non al numero di casi, e l'articolo riporta il conteggio esatto solo per il 2025. A solo scopo di contesto, e non come denominatore: il numero di casi legati all'IA è stato di 214, 330 e 618 in quei tre anni. Complessivamente, nei tre anni, gli strumenti di rilevamento IA hanno rappresentato 69 voci in 67 dei 1.162 casi.

Prima di concludere che "i rilevatori non contano", occorre chiarire due punti.

Le valutazioni sono state stabilite a priori, non misurate sul campo. Ogni elemento derivato dai rilevatori di IA è stato classificato come a bassa credibilità, ed è stata una regola applicata dai ricercatori fin dall'inizio: il documento afferma che tali risultati "were treated in the present analysis as low-credibility evidence" ("trattati nella presente analisi come prove a bassa credibilità"), e la scala di credibilità è stata costruita per tenere conto di "documented limitations such as AI detector false positive rates" ("limiti documentati come i tassi di falsi positivi dei rilevatori di IA"). Lo studio non ha verificato se un determinato punteggio fosse errato. Se vuoi capire a cosa corrisponda un piccolo margine di errore su scala dell'intero ateneo, l'articolo su cosa significa un tasso di falsi positivi dell'1% quando un'università riceve 75.000 elaborati illustra questo calcolo.

Il calo coincide inoltre con una norma interna. Dal 2025 il regolamento di valutazione dell'ateneo vieta al personale docente di caricare i lavori degli studenti su rilevatori esterni. Nella formulazione attuale, i docenti "are not permitted to upload student work to third party tools, including generative artificial intelligence (GenAI) or misconduct detection software" ("non sono autorizzati a caricare i lavori degli studenti su strumenti di terze parti, compresi software di intelligenza artificiale generativa (GenAI) o di rilevamento di illeciti"). La stessa clausola consente comunque l'uso di "approved detection software" ("software di rilevamento approvati") supportati dall'ateneo, e i report di similarità hanno costituito ancora il 3,1% delle prove nel 2025. La procedura vigente per la cattiva condotta elenca anche i software consentiti, tra cui strumenti di confronto testuale (Turnitin) e "language analysis software (e.g. Turnitin Authorship)" ("software di analisi linguistica (ad es. Turnitin Authorship)"). Gli autori interpretano la diminuzione con la presa di coscienza, da parte dei docenti, che i risultati dei rilevatori non soddisfano lo standard probatorio del bilanciamento delle probabilità. La tua università avrà le proprie regole, e alcune sono raccolte nell'articolo su 19 università che limitano l'uso o le prove dei rilevatori di IA.

Un aspetto che lo studio non specifica è dove sia stato archiviato il punteggio di scrittura AI di Turnitin. La categoria dei report di similarità viene definita come prova di corrispondenza del testo, e l'esempio fornito è un report che mostra "a similarity score of 1%, which is unusually low" ("un punteggio di similarità dell'1%, insolitamente basso") per quel tipo di compito. La categoria dei rilevatori di IA menziona esplicitamente GPTZero e ZeroGPT.

Tra le prove ricavate dal testo stesso, la tipologia più frequente è stata l'impressione del docente che il testo sembrasse scritto da un'IA, riscontrata in 239 casi. L'esempio riportato nell'articolo illustra come si esprimeva il personale: "generic transitional phrases, unnaturally uniform paragraph structure, and unsolicited definitions of basic terms not required by the task." ("frasi di transizione generiche, struttura dei paragrafi innaturalmente uniforme e definizioni non richieste di termini di base non necessarie per il compito.")

I ricercatori hanno valutato la maggior parte di questi elementi come deboli, poiché tali caratteristiche sono "not exclusive to GenAI misuse." ("non esclusive dell'uso improprio dell'IA generativa.") La loro quota sul totale delle prove è passata dal 19,5% delle voci nel 2023 al 14,5% nel 2025.

Una categoria più circoscritta mette a confronto il testo con ciò che lo studente consegna abitualmente (65 casi), con valutazioni suddivise quasi equamente tra moderate e deboli. La sezione introduttiva dell'articolo evidenzia il problema insito in questo approccio: la scrittura degli studenti si evolve nel tempo, "which can make legitimate improvement difficult to distinguish from anomalies attributable to misuse." ("il che può rendere difficile distinguere un legittimo miglioramento da anomalie attribuibili a un uso improprio.") Se ti trovi ad affrontare questa contestazione, la guida su come usare i vecchi elaborati come baseline di stile analizza dove questo confronto regge e dove invece viene contestato.

L'elemento comparso nel maggior numero di casi è stata l'ammissione resa durante il colloquio (399 casi), valutata come prova forte quasi ogni volta. Una seconda fattispecie legata al colloquio, ossia l'incapacità dello studente di spiegare il proprio lavoro, è comparsa in 63 casi. È stata valutata uniformemente come moderata, poiché risulta "consistent with GenAI use but equally consistent with alternative explanations such as poor comprehension or test anxiety" ("compatibile con l'uso di IA generativa, ma altrettanto coerente con spiegazioni alternative come una scarsa comprensione o l'ansia da esame").

Gli autori stessi traggono la conclusione: "in a substantial proportion of cases, the strongest evidence available emerged only after the institution had already determined the allegation was sufficient to proceed." ("in una percentuale consistente di casi, le prove più solide disponibili sono emerse solo dopo che l'istituto aveva già stabilito che l'accusa fosse sufficiente per procedere.")

Inoltre, la procedura è rapida. Il tempo mediano dalla contestazione all'esito finale è stato di 12 giorni (la metà centrale dei casi ha richiesto da 6 a 20 giorni). In base all'attuale procedura dell'ateneo per le infrazioni sui corsi, ti viene offerto un colloquio; prima dell'incontro, il coordinatore del corso deve assicurarsi che ti venga inviata via email "the summary of the allegation and evidence that has been collected" ("la sintesi dell'accusa e le prove raccolte"), e puoi farti accompagnare da una persona di supporto, che tuttavia non può parlare al tuo posto. Le linee guida per gli studenti dell'università avvertono inoltre che "you may be asked to explain how you developed an assessment item" ("potrebbe esserti richiesto di spiegare come hai sviluppato una prova di valutazione").

Nulla di tutto questo è un invito a parlare di meno. Se hai effettivamente usato l'IA in un modo non consentito dalla consegna, l'articolo su come comportarsi se si viene segnalati ingiustamente per uso di IA: come fare ricorso e quali prove accetta l'università contiene una sezione dedicata a questo scenario e suggerisce di essere trasparenti. Se invece non l'hai usata, il colloquio è proprio la sede in cui dimostrare come hai svolto il lavoro.

Dai dati analizzati non emerge in modo netto. I ricercatori hanno verificato se la tipologia, il numero e la valutazione delle prove fossero correlati al livello di escalation del procedimento e al suo esito. Hanno riscontrato alcune correlazioni, ma "the explanatory power of evidence characteristics across all model specifications is modest" ("il potere esplicativo delle caratteristiche delle prove in tutte le specificazioni del modello è modesto").

La loro spiegazione risiede nella procedura stessa. L'escalation dipende dalla constatazione del singolo docente, non dalla valutazione formale delle prove. Il fatto che un caso si concluda con l'accertamento di una violazione o venga classificato come "poor academic practice" ("pratica accademica carente", che comporta un richiamo formativo anziché una sanzione disciplinare) dipende spesso da fattori come l'eventuale prima infrazione. L'archiviazione in sede di commissione può scaturire dalle spiegazioni dello studente, da un vizio di procedura o da valutazioni sul suo benessere, e i fascicoli non registrano ciò che viene discusso durante l'audizione. Per usare le parole degli autori, non esiste "no minimum evidentiary threshold at any stage of the pipeline" ("nessuna soglia probatoria minima in alcuna fase del procedimento").

Quest'ultimo aspetto è evidente anche nei dati numerici. In 58 casi (il 5,0%) non vi era alcuna prova descritta oltre alla contestazione iniziale. Queste accuse prive di elementi di riscontro si sono comunque diradate, passando dal 7,6% delle voci di prova nel 2023 a circa il 2,5% nel 2025.

• Un solo ateneo, tre anni. L'Università di Wollongong, dal 2023 al 2025. Gli autori precisano che questi schemi potrebbero non essere validi altrove.
• Fascicoli, non audizioni. "The evidence records capture what was documented in the case file, not what was argued, tested, or weighed during the hearing." ("I registri delle prove riportano ciò che è stato documentato nel fascicolo, non ciò che è stato discusso, verificato o soppesato durante l'audizione.")
• Nessuna suddivisione per categoria di studenti. I dati non distinguono tra corsi triennali o magistrali/dottorati, studenti nazionali o internazionali, né per disciplina accademica; lo studio non può quindi chiarire chi venga accusato più spesso.
• Le valutazioni seguono un modello teorico. Derivano dallo schema concettuale elaborato dagli autori, applicato tramite un modello linguistico calibrato su 12 casi e poi verificato su 54 casi mai esaminati prima, nei quali la concordanza con due codificatori umani è risultata statisticamente indistinguibile da quella tra i due esseri umani tra loro.
• Ricercatori interni all'ateneo. Gli autori sono dipendenti dell'università di cui hanno analizzato i fascicoli, aspetto che, come indicano loro stessi, "introduces potential bias, especially during the calibration exercise." ("introduce un potenziale bias, soprattutto durante la fase di calibrazione.")
• Una regola è cambiata in corso d'opera. Il divieto introdotto nel 2025 di caricare i lavori su rilevatori di terze parti ricade all'interno del periodo analizzato.

1. Chiedi in cosa consista ciascun elemento di prova. Un punteggio, un passaggio ritenuto simile all'IA, un confronto con i tuoi lavori precedenti, un problema con una fonte: falli elencare uno per uno. Nel 5,0% dei casi esaminati in questo studio non c'era nulla oltre alla semplice contestazione. Il regolamento del tuo ateneo dovrebbe specificare cosa hai diritto di visionare prima dell'incontro. Tutte le ulteriori indicazioni per prepararsi si trovano nella guida sul colloquio sull'integrità accademica dopo un'accusa di uso di IA.
2. Se nel fascicolo compare il punteggio di un rilevatore, scopri di quale strumento si tratti e se la tua università ne consenta l'uso al personale docente.
3. Se la contestazione riguarda lo stile del testo, porta con te le tracce del processo di stesura. Bozze, appunti e la cronologia delle versioni del file. La guida su come conservare la cronologia delle versioni in Word, Google Docs e Overleaf spiega dove reperire ciascuno di questi elementi.
4. Preparati a spiegare il tuo lavoro. Perché l'argomentazione è strutturata in quel modo, cosa dicono realmente le tue fonti principali e cosa è cambiato tra una bozza e l'altra. In 63 casi analizzati, l'incapacità di fornire spiegazioni è stata verbalizzata direttamente come prova a carico.
5. Presenta le tue prove fin dalla prima fase. In questo ateneo, il ricorso contro una decisione è ammesso solo per vizi di procedura o in presenza di "new and substantial evidence that has not previously been considered." ("prove nuove e sostanziali non prese in considerazione in precedenza.") Controlla nel regolamento della tua università quale sia la clausola corrispondente.

Nulla di quanto riportato qui può essere d'aiuto per un procedimento già aperto. Quel caso riguarda la versione che hai consegnato, e riscriverla a posteriori non cambia ciò che è già agli atti. Questa sezione si riferisce a una fase precedente: stai ancora revisionando una bozza, disponi di un report Turnitin o iThenticate per essa e hai verificato che la guida del tuo corso consenta l'uso di uno strumento esterno di IA per riformulare il testo (non solo di un unico software specifico) e in che modo richieda di dichiarare tale supporto. Le linee guida per gli studenti di Wollongong, ad esempio, raccomandano di "use only the permitted gen AI technology" ("utilizzare solo la tecnologia di IA generativa consentita") e considerano uso improprio qualsiasi impiego che vada oltre le istruzioni del compito. Se tutte queste condizioni sono soddisfatte, questo è esattamente il caso d'uso per cui è stato creato HumanPen. Importa il report Turnitin o iThenticate e riscrivi solo i passaggi segnalati. Riceverai un file modificabile nello stesso formato. Confronta il risultato con la tua bozza prima di consegnare, perché devi essere in grado di spiegare ogni singola frase che presenti.

Le università usano ancora i punteggi dei rilevatori di IA come prove? In questo ateneo, entro il 2025 il loro uso era diventato raro: cinque elementi, pari allo 0,5% delle prove registrate in quell'anno, a seguito di una norma che ha vietato al personale di caricare i lavori su rilevatori di terze parti. Gli altri atenei stabiliscono le proprie regole, quindi questo dato non riflette necessariamente la prassi della tua università.

La semplice impressione che il testo "sembri scritto da un'IA" è sufficiente da sola? I ricercatori hanno valutato la maggior parte di questi elementi come deboli, poiché i tratti stilistici in questione non sono esclusivi dell'uso di IA. Si tratta però del loro modello di analisi, non della norma dell'ateneo. In questa università la decisione viene presa in base al bilanciamento delle probabilità (balance of probabilities), valutando complessivamente tutte le prove del procedimento. L'articolo chiarisce cosa significhi: deve essere più probabile che l'infrazione sia avvenuta piuttosto che il contrario, "with the burden of proof resting with the institution and the academic raising the allegation rather than the student" ("con l'onere della prova a carico dell'istituto e del docente che solleva l'accusa, anziché dello studente").

In questo studio, quali sono state considerate le prove più solide? Le ammissioni, sia scritte sia rese durante il colloquio, i registri dei software di proctoring degli esami e i comportamenti non consentiti rilevati da tali registrazioni. Per ciascuna di queste categorie, la maggior parte delle voci è stata valutata come forte.

Lo studio dimostra se gli studenti accusati avessero effettivamente utilizzato l'IA? No. Si limita a censire e valutare quanto contenuto nei fascicoli. L'inclusione tra i 1.162 casi indica che vi era un sospetto di uso improprio dell'IA, non che l'illecito sia stato accertato.

• Albert Munoz, Mercedez Hinchcliff, Cameron Langfield e Ann Rogerson, How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis, International Journal for Educational Integrity 22, articolo 26, pubblicato il 2 settembre 2026 (versione definitiva 10 settembre 2026); consultato il 2 ottobre 2026 (Tabella 2, Figure 1 e 2).
• Università di Wollongong, Academic Misconduct (Coursework) Procedure, versione in vigore dal 3 novembre 2025, clausole 35, 80, 119; consultato il 2 ottobre 2026.
• Università di Wollongong, Assessment and Feedback Policy, versione in vigore dal 14 marzo 2025, clausola 14; consultato il 2 ottobre 2026.
• Università di Wollongong, Using Generative Artificial Intelligence (Gen AI) in Assessments; consultato il 2 ottobre 2026.