- dove: Università di Genova, Aula Benvenuto, Stradone di Sant'Agostino 37 e online (link dopo l'iscrizione)
- quando: martedì 03 novembre 2026, 09.00-13.00
- iscrizione
- contatti
- materiali
L’integrazione dell’Intelligenza Artificiale (IA) sta ridefinendo i processi della ricerca scientifica.
Questa sessione esamina le opportunità e le criticità di questa transizione, focalizzandosi sulla governance dei dati e sul futuro della valutazione accademica.l dibattito si svilupperà attraverso due aree tematiche:
Governance, bias e infrastrutture: verranno analizzati i rischi di asimmetrie e distorsioni (bias) nei dataset per l'addestramento algoritmico, l'importanza della cura umana della conoscenza e i criteri per verificare l'idoneità dei dati scientifici all'uso computazionale; saranno inoltre presentati casi pratici di applicazione dell'IA per il monitoraggio delle politiche di Open Science e la ricerca documentale
Ruolo dell'autore nell'era dell'IA generativa: se i computer possono scrivere testi e fare grafici, come si valuta il merito del ricercatore e come si garantisce l'onestà scientifica?
Parole chiave: #OpenScience #IntelligenzaArtificiale #DatiScientifici #PeerReview #ValutazioneRicerca #EditoriaScientifica
Programma
Il programma è provvisorio e può subire variazioni.
09.00-09.15: apertura lavori
Introduce e modera: tbd, tbd
Prima Parte
09:15-09:45
- Víctor M. Moya-Orozco, Biblioteca Universidad de Sevilla
Open by nature: rethink Ai for sustainable Open Science [tbc]
09:45-10:00
- Maximiliano Ernesto Romero, Politecnico di Milano
- Claudia Porfirione, Università di Genova
Dal dato all'errore: bias, potere e allucinazioni algoritmiche nel riuso di dataset aperti per il design
Il riuso di dataset aperti per l'addestramento di modelli di intelligenza artificiale viene generalmente rappresentato come un vettore neutro di efficienza epistemica e di accelerazione della ricerca. Assumendo, invece, il framework del Design Justice e dell'Inclusive Design, un dataset aperto non costituisce mai un artefatto epistemicamente neutro: esso incorpora le scelte editoriali, le omissioni e le asimmetrie di potere sedimentate nella sua costituzione originaria. Il riuso per il training generativo rischia di amplificare tali asimmetrie su scala sistemica, rendendo invisibili i soggetti già marginalizzati nella fase di costruzione del dato e convertendo la partecipazione situata in mera estrazione.
Il presente contributo propone una riflessione critica sui rischi connessi al riuso dei dati aperti per il training dei modelli IA nel campo delle discipline del progetto. [...]
10:00-10:15
- Donatella Sforzini, Cineca
- Arnaud Ceol, ICSC
Un dataset FAIR è davvero pronto per l'AI? Governance, stewardship e AI-Readiness nell'esperienza di IT4LIA AI Factory
La crescente disponibilità di dati aperti rappresenta una risorsa strategica per lo sviluppo dell'intelligenza artificiale. Tuttavia, l'esperienza maturata in IT4LIA AI-Factory evidenzia come la disponibilità di dataset FAIR non sia sufficiente a garantirne l'effettivo riutilizzo nei workflow di AI. Documentazione incompleta, metadati insufficienti, vincoli di licenza poco chiari, limitata tracciabilità della provenienza e assenza di indicazioni sull'uso dei dati costituiscono ostacoli rilevanti alla riproducibilità e al riuso.
Per affrontare queste criticità, IT4LIA ha sviluppato un approccio che integra il Data Management Planning e la Data Stewardship con un AI-Readiness Assessment Framework, concepito per valutare in modo sistematico l'idoneità dei dataset all'utilizzo in contesti di Intelligenza Artificiale. [...].
L'intervento presenterà le lezioni apprese nella definizione del framework e discuterà il potenziale dell'AI-Readiness come estensione delle pratiche FAIR e dei Data Management Plan tradizionali, proponendo un approccio replicabile per supportare il riuso responsabile dei dati aperti negli ecosistemi di ricerca e innovazione basati sull'intelligenza artificiale
10:15-10:30
- Jacopo Zuppa, SISSA Medialab Srl, Trieste
La valutazione delle pratiche di Open Science attraverso l’IA: il caso di SCOAP3
È possibile utilizzare l'intelligenza artificiale (IA) per valutare cambiamenti su larga scala nelle pratiche scientifiche associati a politiche di Open Science (OS)?
In questo progetto, tale quesito viene esplorato utilizzando l'IA per valutare l'adesione alle politiche di OS introdotte dallo Sponsoring Consortium for Open Access Publishing in Particle Physics (SCOAP3), un'importante iniziativa avviata nel 2014 per promuovere l'open access nell'ambito della fisica delle alte energie. Recentemente, SCOAP3 ha introdotto politiche volte a incentivare pratiche di OS che vadano oltre il solo accesso aperto alle pubblicazioni. Questo contributo si concentra sull’analisi dei cambiamenti associati a politiche che incoraggiano la condivisione aperta di dati e codice e l'inclusione dei cosiddetti Data Availability Statements (DAS) e Code Availability Statements (CAS) nelle pubblicazioni scientifiche.
A questo scopo, 17.076 articoli sono stati analizzati attraverso una pipeline di elaborazione dati per verificare la presenza e classificare il contenuto di DAS e CAS. La classificazione è stata effettuata utilizzando un large language model (LLM), categorizzando queste due sezioni in base alle condizioni di accesso a dati e codice riportate al loro interno. I risultati hanno evidenziato un marcato aumento nella presenza di DAS (+56,2 punti percentuali) e CAS (+30,9 punti percentuali) nel 2025 e un incremento degli articoli riportanti dati (+15,8 punti percentuali) e codice (+16,2 punti percentuali) apertamente disponibili.
Questo progetto mostra il potenziale dell'IA nell'offrire soluzioni flessibili a biblioteche, editori e altri attori coinvolti nella valutazione delle politiche di OS in ambito accademico.
L’intervento approfondirà metodi e risultati del progetto, illustrando come l'elaborazione della letteratura open access attraverso l’IA possa produrre evidenze utili al miglioramento delle politiche di OS.
Il progetto è stato realizzato come tesi finale del Master in Data Management and Curation, offerto dalla SISSA e da Area Science Park, durante un tirocinio presso SISSA Medialab.
10:30-11:00
- pausa
11:00-11:15
- Francisco Ardini, Wikimedia Italia / Università di Genova
- Marco Montanari, Wikimedia Italia
Il dataset più prezioso per l’IA è curato da volontari: come preservare la conoscenza aperta di Wikipedia?
Wikipedia compie venticinque anni ed è l'opera di consultazione più letta della storia. La sua caratteristica più peculiare è anche quella che ha generato più scetticismo: non è redatta da professionisti incaricati, ma da una comunità di volontari, in modo libero, gratuito e in continuo aggiornamento. Quella che sembrava l'anticamera di un rapido insuccesso si è rivelata la sua forza, portandola a decine di milioni di voci in oltre trecento lingue.
Non sorprende che sia da anni tra le fonti più rilevanti per l'addestramento dei modelli di intelligenza artificiale. Il punto però non è quantitativo: in volume Wikipedia è una parte dei corpora di pre-training, eppure viene sistematicamente sovracampionata per affidabilità, struttura e verificabilità. Vale perché è selezionata, discussa, curata e documentata da esseri umani, per esseri umani.
Paradossalmente è proprio l'espansione dell'IA a mettere a rischio questo patrimonio. Nel 2025, la Wikimedia Foundation ha misurato un calo di circa l'8% delle visualizzazioni umane, con possibili ripercussioni sul numero di volontari e sulla crescita dei contenuti. Wikipedia resta però l'unico sito di queste dimensioni con standard di verificabilità, neutralità e trasparenza, e, in un mondo inondato dall'intelligenza artificiale, la conoscenza umana che custodisce è più preziosa che mai.
Il nodo che l'intervento intende aprire, più che risolvere, è dove collocare la reciprocità. Nell'addestramento l'attribuzione è tecnicamente inapplicabile: i pesi di un modello non sono un'opera derivata identificabile. In fase di interrogazione, invece, tracciabilità e citazione della fonte restano possibili, e l'IA può diventare uno strumento al servizio dei volontari: individuare lacune, segnalare affermazioni prive di fonte, proporre fonti da verificare, confrontare punti di vista tra versioni linguistiche.
Quali strade per sostenere la conoscenza umana, anche come motore degli avanzamenti dell'IA? Wikimedia Foundation e i volontari ci stanno lavorando: contributi dal mondo accademico e tecnologico sono di estremo interesse.
11:15-11:30
- Chiara Carlucci, Valeria Cioccolo, INAPP
Dal thesaurus al Digital assistant: come i Linked Open Data supportano l'Intelligenza Artificiale
La diffusione dei sistemi di Intelligenza Artificiale generativa ha riportato al centro del dibattito il tema della qualità, della tracciabilità e della riusabilità dei dati utilizzati nei processi di addestramento e recupero dell'informazione. In questo contesto, le biblioteche devono svolgere un ruolo strategico nella produzione e nella gestione di dati aperti, strutturati e semanticamente descritti, in linea con i principi dell'Open Science.
Il contributo presenta IN.LOD, un ambiente sviluppato da INAPP, che trasforma l’OPAC, l’Open Archive e il Thesaurus in un knowledge graph interoperabile su cui opera un assistente conversazionale dedicato alla ricerca. Il progetto offre un caso di studio sul riuso dei dati semantici aperti in ambienti di Intelligenza Artificiale, evidenziando come knowledge graph, thesauri e identificatori persistenti possano contribuire alla costruzione di sistemi maggiormente trasparenti, verificabili e controllabili rispetto agli approcci basati esclusivamente su modelli linguistici generativi.
L'esperienza dimostra come la costruzione di grafi di conoscenza basati su vocabolari controllati, identificatori persistenti e relazioni esplicite possa favorire nuove modalità di scoperta, navigazione e integrazione delle informazioni. Allo stesso tempo, tali infrastrutture rappresentano una risorsa potenzialmente rilevante per gli ecosistemi di Intelligenza Artificiale, poiché mettono a disposizione dati documentati, verificabili e semanticamente organizzati, riducendo alcune delle criticità associate all'utilizzo di contenuti non strutturati.
Inoltre, evidenzia l'attualità e la necessità di continuare a investire in infrastrutture semantiche aperte e basate su Linked Open Data, in modo che diventino componenti attive di ecosistemi di Intelligenza Artificiale, rafforzando così il ruolo dei bibliotecari nella costruzione di ambienti informativi affidabili per persone e macchine.
Seconda Parte
11.30 - 13.00
Tavola rotonda:
Valore di un’opera vs valore dei contributi autoriali (umani) nell’era di AI: una linea d’ombra per i valutatori
La valutazione dei manoscritti inviati a riviste scientifiche si basa sulla peer review, secondo cui revisori esperti e l’editor della rivista valutano qualità e rigore metodologico, robustezza dei risultati e potenziale contributo all’avanzamento della disciplina. Soprattutto sulle riviste di maggiore visibilità, anche originalità e novità sono criteri essenziali, e pertanto contribuiscono anche all’avanzamento / mantenimento della reputazione e della carriera scientifica degli autori. La valutazione del manoscritto può essere effettuata in piena oggettività per il suo contenuto.
L’introduzione dell’Intelligenza Artificiale (IA) nella sua genesi (dalla produzione dei dati, all’analisi, alla presentazione dei risultati, fino alla scrittura dei testi degli articoli) pone dei problemi aggiuntivi. Da una parte modelli di IA sempre più sofisticati possono non solo essere di ausilio, ma migliorare considerevolmente e in parte sostituire l’autore umano. Anzi, il contributo autoriale umano rischia di diventare inconoscibile in tutte le sue fasi, dall’originalità delle idee alla preparazione dei grafici o alla strutturazione del testo. Dall’altra parte è però all’autore umano che continuano ad essere ascritte – per fini legali, scientifici e professionali – le pubblicazioni scientifiche nella loro interezza.
Il processo di peer review dovrebbe quindi tenere conto di come l’uso dell’IA abbia potuto influenzare l’attribuzione e la natura dei contributi autoriali, che a loro volta hanno effetti sui curricula dei ricercatori e sulla loro valutazione.
La tavola rotonda affronterà il tema della valutazione del contributo autoriale nell’era dell’Intelligenza Artificiale e si concentrerà:
- sui problemi ancora aperti, quali l’eterogeneità delle dichiarazioni sull’uso dell’IA, l’assenza di criteri pienamente armonizzati tra riviste e discipline;
- sulla difficoltà di distinguere tra supporto legittimo e impiego sostanziale nella generazione di contenuti;
- sugli strumenti e standard già disponibili per la disclosure dell’uso dell’IA nei testi scientifici, analizzandone il livello di effettiva adozione e le principali difficoltà applicative;
- sui criteri utilizzati dai revisori e editori per valutare l’impiego dell’IA nella redazione dei manoscritti, con focus su autorialità, riproducibilità e integrità della ricerca, e policies editoriali nella peer review.
Ne discutono:
- Nicola Tirelli, Istituto Italiano di Tecnologia
- Gaia Tomasello, Wiley
- Svetlana Kleiner, Springer Nature
- Viviana Letizia,Elsevier