Intelligenza Artificiale e Disturbi Specifici dell'Apprendimento

Una proposta per l’inclusione didattica e la transizione digitale nella scuola

In attuazione del D.M. 219/2025 e dell’Avviso Pubblico prot. n. 73226 del 27 marzo 2026

Abstract

Chi lavora da anni all’intersezione tra tecnologia e psicologia impara presto una cosa: uno strumento non vale per quello che è, ma per quello che fa quando è nelle mani giuste. Questo contributo nasce da quella convinzione, applicata a un contesto in cui le posta in gioco sono alte: gli studenti con Disturbi Specifici dell’Apprendimento e il loro diritto a una scuola che li includa davvero.

L’intelligenza artificiale, in questo scenario, non è la novità del momento. È una tecnologia matura che, se usata con criterio pedagogico, può fare cose concrete: adattare i contenuti, supportare la lettura, generare rappresentazioni visive, ridurre il carico cognitivo. Il lavoro analizza queste possibilità alla luce di tre teorie che restano solide: la doppia codifica di Paivio, il multimedia learning di Mayer e la teoria del carico cognitivo di Sweller. Il quadro normativo di riferimento è quello del D.M.219/2025 e dell’Avviso 73226/2026 sugli snodi formativi territoriali per la transizione digitale.

La tesi è semplice: l’IA non sostituisce il docente, né deve farlo. Serve a potenziare strategie inclusive già validate dalla ricerca, rendendole più scalabili, più accessibili, più personalizzabili.

1. Introduzione

Ho passato anni a studiare come le persone elaborano le informazioni — prima da dottore in ingegneria informatica, cercando pattern nei dati, poi da psicologo, cercando pattern nelle menti. Una delle lezioni più importanti che ho imparato è che la tecnologia, da sola, non risolve nulla. Serve sempre un contesto, un obiettivo, una teoria di fondo. Altrimenti è solo rumore.

L’intelligenza artificiale applicata alla didattica per DSA è uno di quei rari casi in cui tecnologia e teoria si incontrano in modo coerente. Non stiamo parlando di AI come gadget da mostrare in una presentazione ministeriale. Stiamo parlando di strumenti che, quando progettati con competenza e usati da docenti preparati, possono davvero cambiare l’esperienza scolastica di uno studente con dislessia o discalculia.

In Italia, la Legge 170/2010 ha posto le basi normative per il riconoscimento dei DSA e la garanzia di misure compensative. Nel frattempo, il PNRR ha spinto sulla transizione digitale della scuola. Il D.M. 219/2025 e l’Avviso 73226/2026 sono la sintesi di questi due filoni: vogliono costruire snodi formativi territoriali capaci di diffondere competenze digitali e metodologie innovative. È un’occasione. Ma le occasioni, come sa chiunque lavori con sistemi complessi, possono essere sprecate se manca una visione chiara.

Questo contributo vuole offrire quella visione, o almeno un pezzo di essa.

2. I Disturbi Specifici dell’Apprendimento

I DSA non sono deficit di intelligenza. Questa è la prima cosa che chiunque lavori in questo campo deve avere chiara. Sono difficoltà specifiche, circoscritte a determinati domini dell’apprendimento, in soggetti con intelligenza nella norma e senza deficit neurologici o sensoriali significativi di carattere primario.

Le quattro tipologie principali — dislessia (decodifica del testo), disortografia (correttezza della scrittura), disgrafia (controllo grafo-motorio) e discalculia (elaborazione numerica) — hanno in comune un elemento che interessa molto chi, come me, ragiona in termini di sistemi: impongono un sovraccarico su canali specifici dell’elaborazione cognitiva, lasciando integri, e spesso potenziati, altri canali.

Un ragazzo con dislessia che fatica a decodificare il testo scritto può avere capacità visuo-spaziali eccellenti. Una studentessa con disortografia può costruire ragionamenti complessi e articolati, se solo non deve passare attraverso il collo di bottiglia della scrittura fonologicamente accurata. Questo non è un dettaglio: è il punto di partenza di qualsiasi intervento sensato.

Le metodologie basate sull’apprendimento visivo e multimodale funzionano proprio perché aggirano i canali compromessi e valorizzano quelli efficienti. L’IA, se ben progettata, può amplificare questo principio su scala.

3. Fondamenti teorici dell’apprendimento visivo

Prima di parlare di strumenti, è utile capire perché certi approcci funzionano. Non per accademismo, ma perché un ingegnere che non capisce la teoria di ciò che implementa rischia di costruire qualcosa di inutile o, peggio, dannoso.

3.1 La teoria della doppia codifica

Paivio, negli anni Settanta, ha descritto qualcosa che oggi diamo quasi per scontato: il cervello usa due sistemi paralleli per elaborare le informazioni, uno verbale e uno visivo-immaginativo. Quando entrambi vengono attivati insieme, la comprensione è più profonda e la memorizzazione più stabile.

Per un ingegnere, è come avere ridondanza nei sistemi critici: se un canale è congestionato o malfunzionante, l’altro porta il carico. Per uno psicologo, è la base di qualsiasi approccio multimodale all’apprendimento. Per uno studente con DSA, è semplicemente la differenza tra capire e non capire.

3.2 Multimedia learning e carico cognitivo

Mayer ha poi dimostrato sperimentalmente quello che Paivio aveva teorizzato: integrare testo, immagini e contenuti multimediali produce apprendimento più efficace rispetto al solo testo. Sweller ha aggiunto la dimensione cruciale del carico cognitivo: la memoria di lavoro ha capacità limitate, e quando un testo denso e lineare le esaurisce, non rimane spazio per elaborare, connettere, capire.

Nella mia esperienza, questa è una delle principali cause di frustrazione per gli studenti con DSA. Non è che non capiscono il contenuto — è che l’energia cognitiva viene consumata quasi interamente dalla decodifica del testo, prima ancora di poter ragionare su cosa quel testo dice.

Distribuire l’informazione su più canali percettivi non è una concessione: è una scelta didattica razionale, supportata da decenni di ricerca.

3.3 Le mappe concettuali

Le mappe concettuali sono, in questo contesto, uno degli strumenti più potenti e sottovalutati. Non perché siano “belle” o facili da fare. Ma perché trasformano la struttura lineare del testo — che per uno studente con dislessia è un percorso a ostacoli — in una rete semantica che si può navigare visivamente.

Organizzano i contenuti, evidenziano le relazioni tra concetti, riducono la dipendenza dalla lettura sequenziale e supportano la metacognizione. Quell’ultimo aspetto è particolarmente importante: aiutano lo studente a capire non solo cosa sta studiando, ma come quel contenuto si connette a ciò che già sa. È la differenza tra memorizzare e apprendere davvero.

4. Intelligenza artificiale, apprendimento visivo
e inclusione scolastica

Arrivo al punto che mi sta più a cuore, e sul quale vorrei essere preciso, perché l’IA è un campo in cui il marketing tende a prendere il sopravvento sulla sostanza.

L’IA applicata alla didattica per DSA non è interessante perché è nuova. È interessante perché consente di automatizzare e scalare strategie che già sappiamo funzionare, ma che fino a oggi richiedevano tempo, competenze e risorse che molte scuole non hanno.

Tradurre un testo in una mappa concettuale richiede ore a un docente. Un sistema IA lo fa in secondi. Semplificare
linguisticamente un brano mantenendo il contenuto disciplinare intatto è un lavoro complesso. Un sistema ben addestrato può farlo in modo sufficientemente buono da essere utile come punto di partenza. Generare una sintesi multimodale, con immagini, schemi e testo ridotto, era possibile prima solo con risorse dedicate. Ora è accessibile a costo marginale quasi nullo.

In termini pratici, gli strumenti IA più rilevanti per gli studenti con DSA includono:

Sistemi text-to-speech e speech-to-text: aggirati i colli di bottiglia della lettura e della scrittura, lo studente può concentrare le risorse cognitive sul contenuto.

Correttori ortografici intelligenti: non sostituiscono l’apprendimento della scrittura, ma riducono l’ansia da prestazione e liberano attenzione per aspetti più sostanziali.

Piattaforme di adaptive learning: adattano il livello di difficoltà, il formato e il ritmo dei contenuti in tempo reale, sulla base delle risposte dello studente. È personalizzazione su scala, che fino a ieri era possibile solo con un insegnante di sostegno dedicato.

Generatori automatici di mappe concettuali: qui vedo il potenziale più immediato e sottosfruttato. Un testo → una mappa → uno studente che naviga visivamente il contenuto invece di doverlo decodificare parola per parola.

Chatbot educativi: possono fare da tutor conversazionale, rispondere a domande, riformulare spiegazioni con parole diverse, senza giudicare e senza stancarsi. Per uno studente che ha paura di “fare la domanda stupida” in classe, è uno spazio sicuro dove esercitarsi.

Sistemi di semplificazione linguistica: riducono la complessità sintattica e lessicale mantenendo il contenuto, abbassando la soglia di accesso ai testi disciplinari.

Generatori di schemi sequenziali per la matematica: con uno schema logico da seguire passo-passo la matematica può far meno paura. (* vedi esempio a fondo pagina)

Tutto questo si aggancia direttamente alle teorie che ho discusso prima. La doppia codifica di Paivio? I sistemi IA permettono di generare automaticamente la rappresentazione visiva accanto a quella verbale. La teoria del carico cognitivo di Sweller? I sistemi intelligenti segmentano i contenuti, evidenziano i concetti chiave, organizzano le informazioni in modo che la memoria di lavoro non venga saturata prima che inizi la comprensione.

Una precisazione che tengo a fare, però: l’efficacia di questi strumenti dipende quasi interamente dalla qualità della progettazione didattica. Un sistema IA male integrato nel percorso formativo è rumore. Un sistema IA ben integrato è un moltiplicatore di forza. La differenza non sta nella tecnologia — sta nel docente che la usa.

5. Il quadro normativo

Il D.M. 219/2025 e l’Avviso 73226/2026 sono documenti importanti, e non lo dico per deferenza istituzionale. Li trovo interessanti perché per la prima volta il legislatore italiano non si limita a dire “usate il digitale”, ma cerca di costruire un’infrastruttura — gli snodi formativi territoriali — per formare chi deve usarlo.

L’obiettivo è promuovere la transizione digitale, sviluppare competenze sull’IA, sostenere l’innovazione metodologica e favorire pratiche didattiche inclusive. Tutte cose giuste. Il rischio, che conosco bene da chi lavora in contesti istituzionali, è che l’infrastruttura venga costruita senza sufficiente attenzione al contenuto della formazione. Avere un “nodo formativo” non garantisce che la formazione sia buona.

Il quadro si collega all’AI Act europeo, alle Linee guida ministeriali per l’introduzione dell’IA nella scuola e agli investimenti PNRR. Positivo, perché almeno c’è coerenza normativa. Cruciale rimane il tema della supervisione umana e dell’uso etico dell’IA nei contesti educativi, soprattutto quando gli utenti finali sono studenti con bisogni educativi speciali — una popolazione particolarmente vulnerabile a interventi mal progettati.

6. Implicazioni pedagogiche

Da informatico, so che il modo migliore per capire se un sistema funziona è testarlo in condizioni reali e misurare l’output. Da psicologo, so che i sistemi più complessi — come gli esseri umani — reagiscono all’ambiente in modi che i modelli teorici non sempre anticipano.

L’integrazione dell’IA nella didattica per DSA funziona solo se è:

Personalizzata: ogni studente con DSA ha un profilo specifico. Uno strumento pensato per “i DSA in generale” è uno strumento pensato male. I sistemi adattivi devono adattarsi davvero, non solo in linea di principio.

Graduale: introdurre troppi strumenti in troppo poco tempo produce confusione, non apprendimento. Vale per gli studenti, ma vale anche per i docenti.

Valutata: bisogna misurare se funziona. Non basta che lo strumento sia “innovativo”. Bisogna osservare se l’autonomia dello studente aumenta, se la frustrazione diminuisce, se la comprensione migliora.

Sostenuta da formazione reale: non un corso di quattro ore su “come usare l’IA in classe”, ma una formazione profonda che includa teoria dell’apprendimento, conoscenza degli strumenti e capacità di progettazione didattica.

Il ruolo del docente in tutto questo rimane centrale — e lo dico senza retorica. Non perché la tecnologia non possa fare molto, ma perché la relazione educativa ha una dimensione che nessun algoritmo replica. Il docente è il progettista dell’esperienza, il mediatore tra lo strumento e lo studente, e l’unica figura in grado di cogliere quel momento in cui qualcosa non sta funzionando e cambiare rotta.

7. Conclusioni

Ho iniziato questo lavoro con una convinzione, e lo concludo con la stessa: l’intelligenza artificiale, da sola, non include nessuno. Può farlo quando è parte di una strategia educativa coerente, progettata da persone competenti e orientata a obiettivi chiari.

Per gli studenti con DSA, le opportunità sono concrete. Ridurre il carico cognitivo, valorizzare i canali visuo-spaziali, rendere accessibili contenuti altrimenti inaccessibili, personalizzare il ritmo e il formato dell’apprendimento — tutto questo è possibile, già oggi, con strumenti disponibili. Non è fantascienza, è ingegneria applicata alla pedagogia.

La sfida non è tecnologica. L’IA che serve a questo scopo esiste e funziona. La sfida è culturale e formativa: costruire una scuola in cui chi insegna sa usare questi strumenti non perché è “al passo con i tempi”, ma perché capisce perché funzionano e come integrarli in una didattica scientificamente fondata.

Questa, alla fine, è l’unica transizione digitale che vale la pena fare.

Riferimenti bibliografici

Ayeni, A. O., Ovbiye, R. E., Onayemi, A. S., & Ojedele, K. E. (2024). AI-driven adaptive learning platforms: Enhancing educational outcomes for students with special needs through user-centric, tailored digital tools.
Chandler, P., & Sweller, J. (1991). Cognitive load theory and the format of instruction.
Mayer, R. E. (2009). Multimedia learning.
Novak, J. D. (1998). Learning, creating, and using knowledge: Concept maps as facilitative tools in
schools and corporations.
Paivio, A. (1971). Imagery and verbal processes.
Paivio, A. (1991). Dual coding theory: Retrospect and current status.
Paglialunga, A., & Melogno, S. (2025). The effectiveness of artificial intelligence-based interventions for students with learning disabilities: A systematic review.
Sweller, J. (2011). Cognitive load theory.
Wang, M., Muthu, B. A., & Sivaparthipan, C. B. (2022). Smart assistance to dyslexia students using artificial intelligence based augmentative alternative communication.
Zdravkova, K., Krasniqi, V., Dalipi, F., & Ferati, M. (2022). Cutting-edge communication and learning assistive
technologies for disabled children: An AI perspective.

*Esempio di mappa per la semplificazione di polinomi generata dall’IA e validata da un esperto umano.