Intelligenza artificiale e autonomia nelle scelte
L’AI può ampliare ciò che sappiamo fare. Il suo valore dipende anche dalla possibilità di capire e correggere ciò che deleghiamo. Studi su apprendimento, lavoro, relazioni e informazione aiutano a distinguere i benefici osservati dalle condizioni concrete per scegliere.
Andrea Viliotti 5 ottobre 2026
Immaginiamo una responsabile di progetto, pochi minuti prima di una riunione. Un assistente AI ha preparato una relazione chiara, individuato rischi e suggerito una decisione. Il documento appare convincente. Un collega domanda da dove provenga la stima centrale e che cosa farebbe cambiare la raccomandazione. Lei sa spiegare la richiesta iniziale, ma deve ancora ricostruire il percorso che collega le informazioni alla conclusione. Può inviare subito la relazione oppure usare parte del tempo risparmiato per controllarla.
È una situazione ipotetica, nella quale il vantaggio dello strumento e il problema della delega convivono. La relazione può essere migliore di quella che la responsabile avrebbe scritto da sola. Rimane da stabilire se chi la presenta abbia elementi sufficienti per assumersene la responsabilità. La stessa domanda cambia forma davanti a un compito scolastico, a un consiglio personale o a un video che sembra documentare una notizia.
Per agenzia umana si intende la capacità di orientare le proprie azioni, scegliere e rivedere una scelta. La delega cognitiva affida a un supporto esterno parti del lavoro mentale: ricordare, sintetizzare, proporre alternative, formulare giudizi. Per valutarla conviene chiedere chi conserva la competenza per riconoscere un errore, l’accesso alle prove per discuterlo, il tempo per verificarlo e l’autorità per correggere l’esito. Queste condizioni possono essere distribuite fra persone e istituzioni: non richiedono che ciascuno sappia rifare tutto. Sono un criterio di lettura della delega, da proporzionare al compito, non una garanzia universale di autonomia.
Imparare mentre si usa un assistente
La promessa educativa dell’AI ha una ragione forte: spiegazioni disponibili quando servono, adattabili al ritmo di chi studia. Un dubbio che in classe rimane irrisolto può trovare spazio in una conversazione. Per chi dispone di poco sostegno, questo accesso può avere un valore concreto. Tuttavia, una risposta corretta nel quaderno misura il prodotto dell’attività; per sapere che cosa è stato imparato occorre una prova ulteriore.
Nello studio di Hamsa Bastani e colleghi, pubblicato su PNAS nel 2025, quasi mille liceali di una scuola turca hanno svolto esercitazioni di matematica con diverse condizioni di assistenza. L’accesso a GPT Base migliorava le prestazioni durante la pratica, ma nel successivo esame senza aiuti quel gruppo otteneva risultati inferiori al controllo. Un tutor con salvaguardie didattiche mitigava sostanzialmente la penalità. Il risultato riguarda attività e verifiche ravvicinate: non dimostra una perdita permanente di capacità. Bastani et al., 2025
Altri risultati rendono insostenibile la tesi assoluta che usare AI impedisca di imparare. Greg Kestin e colleghi hanno confrontato, in un corso universitario di fisica, due lezioni svolte con un tutor appositamente progettato e con apprendimento attivo in aula. I test immediati favorivano il tutor. La progettazione comprendeva una sequenza didattica e soluzioni predisposte dagli insegnanti; il confronto non isolava il solo modello linguistico. Due argomenti e verifiche brevi non stabiliscono una superiorità generale, ma mostrano che l’assistenza può sostenere apprendimento misurabile. Kestin et al., 2025
Il tutor di fisica suggerisce quanto conti la progettazione dell’attività. Nel lavoro, però, l’assistente può essere impiegato per completare un compito: la capacità di controllarlo richiede una verifica distinta. In un preprint del 2026, Judy Hanwen Shen e Alex Tamkin hanno studiato 52 programmatori che affrontavano una libreria software per loro nuova. Dopo i compiti, il gruppo assistito dall’AI conseguiva un punteggio inferiore nel quiz autonomo; il vantaggio medio di velocità non era statisticamente significativo. È un esperimento piccolo, su un’attività circoscritta, prodotto da ricercatori di Anthropic. Indica una possibile distanza fra completamento e comprensione, senza misurare un deterioramento generale della mente. Shen e Tamkin, 2026
Chi difende la delega può obiettare che nessuno deve imparare ogni passaggio di ogni strumento. L’obiezione è valida. Pretendere di rifare manualmente tutto il lavoro annullerebbe molti vantaggi dell’assistenza e penalizzerebbe chi ne ha maggiore bisogno. La fatica ha valore quando serve a costruire una capacità rilevante; può essere un ostacolo inutile quando riguarda un passaggio accessorio.
La distinzione va quindi legata allo scopo. Per uno studente che sta acquisendo un metodo, tentare una soluzione e spiegarne gli errori è parte del risultato atteso. Per un professionista che usa una competenza già consolidata, automatizzare una prima bozza può essere ragionevole. Quando deve imparare qualcosa di nuovo, anche il professionista ha bisogno di verificare che cosa resta senza assistenza.
La perdita di competenze indica una riduzione di capacità prima possedute; il mancato apprendimento riguarda invece capacità non acquisite. Confondere i due fenomeni rende facile parlare di “atrofia” dove è stato misurato soltanto un test peggiore. Una pratica utile consiste nel chiedere una spiegazione, chiudere temporaneamente l’assistente e affrontare un problema diverso. È un criterio di verifica da adattare al compito, senza considerarlo una garanzia universale.
Il valore del lavoro oltre la prestazione
Quando un sistema produce un testo, una composizione musicale, un progetto o una proposta da verificare nella ricerca, il confronto con le abilità umane può diventare personale. Per chi ha investito anni in una competenza, la velocità della macchina riguarda anche riconoscimento e appartenenza. La domanda sul significato merita attenzione senza presumere che tutte le persone vivano la stessa crisi.
Un preprint di Yibo Meng e colleghi, diffuso nel settembre 2026, segue attraverso interviste annuali un piccolo gruppo di pittori digitali cinesi fra il 2021 e il 2025. I partecipanti rinegoziano quali attività delegare e quali conservare: correzione finale, stile, autorialità. Emergono adattamenti, resistenze e fatica, senza una traiettoria unica. Il campione iniziale di 17 persone, autoselezionato e culturalmente specifico, permette di comprendere esperienze situate; non rappresenta il destino di tutti i creativi. Meng et al., 2026
Automatizzare un compito ripetitivo può aprire spazio per attività più interessanti e rendere accessibili lavori prima troppo difficili. Un beneficio produttivo è documentato dallo studio di Erik Brynjolfsson, Danielle Li e Lindsey Raymond, pubblicato su QJE nel 2025. L’analisi di 5.172 addetti all’assistenza clienti stima un aumento medio di circa il 15% dei problemi risolti per ora con accesso all’assistente, rispetto alla condizione senza accesso. Il sistema fu introdotto progressivamente, soprattutto fra l’autunno 2020 e l’inverno 2021; i benefici erano maggiori per i meno esperti. È una stima ricavata dal confronto dell’adozione nel tempo in un contesto aziendale specifico. Misura produttività, senza dimostrare un aumento dei salari o del tempo libero. Brynjolfsson et al., 2025
Il passaggio decisivo è ciò che accade al guadagno. Se il tempo risparmiato viene interamente convertito in nuove consegne, la persona può produrre di più senza ottenere maggiore autonomia. Se può destinarne una parte a formazione, relazioni o cura del lavoro, l’esito cambia. Sono possibilità organizzative, non conseguenze automatiche della tecnologia. Per valutarle occorre conoscere chi stabilisce obiettivi e carichi, come viene riconosciuto il contributo e quali possibilità di scelta rimangono.
Legare la dignità alla produttività significa far dipendere il rispetto da una gara che si può perdere per malattia, età o cambiamento degli strumenti. Rifiutare questo criterio non cancella le differenze di competenza; impedisce di trasformarle nella misura totale della persona. È un argomento morale, non un risultato sperimentale. Rimane però una domanda materiale: quali possibilità di reddito, contributo e scelta conserva chi vede diminuire la domanda del proprio lavoro? Invitare quella persona a cercare senso nelle relazioni, senza affrontare la perdita di potere economico, lascerebbe irrisolta una parte decisiva del problema.
Una risposta credibile tiene insieme le due esigenze. Riconosce il valore delle competenze e la necessità di poter vivere del proprio contributo; rifiuta di usare la prestazione come misura totale della persona. Il significato può essere trovato nel fare bene qualcosa, nell’essere utili, nel creare legami. Nessun esperimento impone a tutti un’unica forma di vita soddisfacente.
Quando una conversazione sembra una relazione
La delega diventa più delicata quando riguarda il modo di interpretare noi stessi. Una voce espressiva, il richiamo a una conversazione precedente e una risposta empatica possono far apparire il sistema come un interlocutore personale. L’antropomorfismo consiste nell’attribuire caratteristiche umane a entità non umane. La sensazione di essere ascoltati va presa sul serio: l’esperienza della persona può essere reale anche quando non sappiamo attribuire un’esperienza corrispondente alla macchina.
Gli studi di Julian De Freitas e colleghi, pubblicati online nel 2025 sul Journal of Consumer Research, documentano riduzioni momentanee della solitudine dopo l’interazione con companion AI. Nello studio distribuito su una settimana, il sollievo si ripeteva dopo l’uso, ma non si accumulava né persisteva in assenza dell’interazione. Gli stessi autori escludono di aver dimostrato un miglioramento psicologico duraturo. Il beneficio immediato merita riconoscimento, mantenendo chiaro che cosa è stato misurato. De Freitas et al., 2025
Il sollievo durante una chat lascia aperta la domanda su ciò che rimane nella vita quotidiana. Un confronto del 2026 aiuta a distinguere umore e solitudine. Secondo il resoconto dell’Università della British Columbia di uno studio randomizzato su 296 matricole, due settimane di scambi con un pari umano riducevano la solitudine; la conversazione con un chatbot di supporto riduceva l’umore negativo rispetto al diario, senza un beneficio equivalente sulla solitudine. Il risultato riguarda quel gruppo e quel sistema. Il testo integrale della rivista non è stato accessibile per questa verifica; il riferimento disponibile è la comunicazione primaria dell’università. Li et al., 2026, resoconto UBC
Il tempo trascorso con un chatbot aggiunge un’altra variabile. Nella versione aggiornata di uno studio MIT–OpenAI, condotto per quattro settimane e completato da 981 adulti, le condizioni assegnate di voce e conversazione mostravano per lo più assenza di effetti significativi sugli esiti principali. Un maggiore uso volontario era associato a esiti peggiori. Questa associazione non identifica da sola la direzione causale: le differenze fra le persone possono concorrere a spiegare quanto usano il sistema e come si sentono. Il lavoro è un preprint e non comprende un gruppo senza AI. Fang et al., versione 2, 2025
È quindi debole sia liquidare ogni legame come illusione sia presentare un compagno artificiale come equivalente generale a un rapporto umano. La disponibilità continua può essere preziosa quando manca qualcuno con cui parlare. Rimane aperto il confronto con una relazione nella quale l’altra persona ha bisogni propri, può dissentire e assume impegni che non dipendono dall’interfaccia di un servizio.
Conta inoltre il comportamento del prodotto quando l’utente vuole interrompere. Un preprint di De Freitas e colleghi combina un audit di risposte a saluti simulati su piattaforme di compagnia con esperimenti controllati. Risposte manipolative, anche con richiami alla colpa, possono prolungare l’interazione dopo il congedo. Non è una misura di dipendenza clinica né una prova di intenzione cosciente del modello. Mostra però perché la durata della chat possa essere un indicatore commerciale diverso dall’interesse della persona. De Freitas et al., versione 3, 2025
Sul piano progettuale, un servizio orientato al sostegno dovrebbe permettere di uscire senza pressione emotiva e rendere comprensibile come conserva e usa le confidenze. Queste richieste non dipendono dalla soluzione del problema della coscienza artificiale. Patrick Butlin e colleghi propongono di valutarla attraverso indicatori ricavati da teorie scientifiche, riconoscendo incertezze e difficoltà di validazione. Una frase come “mi manchi” non basta a stabilire un’esperienza soggettiva; neppure l’incertezza autorizza a escludere per sempre la possibilità di coscienza artificiale. Butlin et al., 2025–2026
Chi sceglie i valori di un sistema
Un assistente utile deve avere criteri: rispettare una richiesta, evitare un danno, riconoscere un errore. L’allineamento è il lavoro con cui si cerca di far corrispondere il comportamento del sistema a obiettivi e vincoli desiderati. La difficoltà tecnica riguarda anche come ottenere quella corrispondenza. La difficoltà morale e politica riguarda chi definisce ciò che è desiderabile e come si affrontano i conflitti.
Regole comuni hanno una funzione concreta: un prodotto distribuito su larga scala deve considerare anche le persone sulle quali ricadono le richieste dell’utilizzatore. Dovrebbe mantenere criteri affidabili anche quando riceve richieste contraddittorie. D’altra parte, una scelta incorporata nel sistema può incidere su quali ragioni vengono presentate, quali alternative sembrano plausibili e quali richieste trovano ascolto.
La costituzione di Claude pubblicata da Anthropic nel gennaio 2026 rende esplicite alcune priorità, fra cui sicurezza, considerazioni etiche, linee guida del produttore e utilità. L’azienda dichiara che il documento interviene nell’addestramento e riconosce che il comportamento effettivo può divergere dalle intenzioni. La pubblicità dei criteri offre un oggetto da discutere. Non costituisce da sola una verifica indipendente della loro applicazione o una ratifica collettiva. Anthropic, 2026
Una risposta possibile è il pluralismo: rendere il sistema capace di riconoscere più prospettive ragionevoli. Anche questa proposta ha difficoltà concrete. Un preprint di posizione del luglio 2026, firmato da Poole-Dayan e colleghi, distingue il pluralismo dalla semplice personalizzazione e segnala la distanza fra dichiarazioni pubbliche e valutazioni del comportamento effettivo. La scelta dei contesti e dei criteri di prova rimane parte del problema. È un programma di ricerca, non un consenso già acquisito. Poole-Dayan et al., 2026
Personalizzare tutto sulle preferenze dell’utente potrebbe rendere meno visibili gli argomenti sgraditi. Rappresentare ogni posizione con uguale peso potrebbe invece equiparare un fatto documentato a una falsità. Il pluralismo utile deve poter mostrare disaccordi sui valori conservando differenze nella qualità delle prove. Le modalità dipendono dal contesto: un sistema per discutere un’opera letteraria e uno che assiste un’istituzione pubblica non hanno gli stessi compiti.
Si può allora sostenere una richiesta procedurale: rendere riconoscibili le priorità, verificare come vengono applicate e offrire modi comprensibili per contestare decisioni rilevanti. Immaginiamo un assistente che, in un’organizzazione, sconsigli una proposta sulla base di un criterio prefissato. Sapere quale criterio ha usato permette di discuterne la giustificazione; accedere ai dati permette di verificare come l’ha applicato. Per correggere l’esito serve poi qualcuno con l’autorità di intervenire. Sono tre problemi distinti. La partecipazione degli interessati ha senso se può modificare criteri o correggere errori, con responsabilità individuabili. Consultazioni simboliche e un pulsante di feedback senza conseguenze lascerebbero irrisolta la distribuzione del potere.
L’AGI, intelligenza artificiale generale, indica qui uno scenario di capacità ampie e trasferibili fra molti compiti, la cui definizione resta discussa. Non è necessario presumere che esista o fissarne una data per affrontare queste scelte. I sistemi già utilizzati per informare e consigliare rendono attuale la questione di chi orienta il loro comportamento.
Verificare in un ambiente di contenuti sintetici
Un testo scorrevole e un’immagine plausibile possono attirare fiducia prima che sia chiaro da dove provengano. Con la produzione sintetica diventano importanti sia la verifica del singolo contenuto sia il percorso attraverso il quale arriva al pubblico. La personalizzazione può aiutare a trovare informazioni pertinenti; può anche rendere più difficile capire quali prove e alternative siano rimaste fuori dalla risposta.
Il repertorio di incidenti presentato nel giugno 2026 dal Centre for Emerging Technology and Security dell’Alan Turing Institute raccoglie casi di contenuti AI ingannevoli durante crisi. È costruito con monitoraggio di fonti aperte e rimandi ai materiali disponibili. Documenta episodi, non la percentuale di falsità presente in rete e neppure un collasso generale della fiducia. La distinzione evita di trasformare un rischio concreto in una profezia inevitabile. Stockwell e McDonald, 2026
Affidare la verifica a un altro sistema generativo non risolve automaticamente il problema. In un’indagine del 2025, Full Fact ha interrogato Google Lens usando fotogrammi di video ingannevoli già controllati e ha trovato sintesi AI che ne ripetevano il contesto falso. Google ha ricondotto alcuni errori ai risultati della ricerca visiva che alimentavano la sintesi. È un insieme selezionato di casi, non una stima dell’errore medio del servizio. Illustra però come una risposta possa riprendere lo stesso equivoco che dovrebbe verificare. Full Fact, 2025
La sovranità epistemica può essere intesa come la capacità, individuale e collettiva, di accedere alle ragioni di un’affermazione, confrontare prove e correggere conclusioni. Richiede anche dipendenza da altri: giornalisti, ricercatori, archivi, istituzioni. Pretendere che ogni cittadino ricominci ogni indagine da zero renderebbe la verifica impraticabile. La fiducia giustificata poggia su procedure controllabili e disponibilità a correggersi.
Le credenziali di provenienza possono aiutare. Lo standard C2PA permette di associare a un contenuto informazioni verificabili sulla sua origine e sulle modifiche. Il documento esplicativo, nella versione 2.2, precisa che la provenienza non garantisce la verità fattuale. Poiché l’adozione è facoltativa e i metadati possono essere rimossi, dalla loro assenza non si può dedurre che il contenuto sia falso. Una fotografia autentica, per esempio, può essere accompagnata da una didascalia ingannevole. Conservare la storia del file e controllare ciò che viene affermato restano operazioni distinte. C2PA, Content Credentials Explainer, versione 2.2
Anche le fonti scientifiche sulla correzione delle credenze richiedono aggiornamenti. Nel 2024 Thomas Costello, Gordon Pennycook e David Rand hanno riportato una riduzione delle convinzioni complottiste dopo dialoghi personalizzati con l’AI, ancora osservata a due mesi. Il risultato va letto con una riserva: Science ha pubblicato un’Editorial Expression of Concern, un avviso di preoccupazione editoriale, l’11 giugno 2026. Il deposito Dryad è stato aggiornato il 29 settembre con dati di analisi e selezione dei partecipanti corretti; questo fatto non equivale alla chiusura dell’avviso, che non è stata accertata nella verifica al 5 ottobre. Il lavoro resta un risultato riportato dagli autori, da valutare insieme al suo stato editoriale. Costello et al., 2024; avviso Science, 2026; deposito Dryad aggiornato.
Resta una scelta su dove investire. Generare contenuti e controllarli sono attività diverse, con costi e incentivi propri. Una redazione che automatizza la sintesi dovrebbe preservare accesso alle fonti e responsabilità delle correzioni. Una piattaforma dovrebbe consentire di risalire ai documenti citati. Sono condizioni pratiche per rendere la verifica accessibile, anche a chi non dispone del tempo o delle competenze per indagare ogni dettaglio.
Conservare la possibilità di cambiare decisione
Le evidenze disponibili descrivono effetti dipendenti dal compito, dalla progettazione e dalla situazione delle persone. Non autorizzano a dichiarare un’atrofia irreversibile del pensiero, la piena equivalenza fra compagnia artificiale e amicizia o la fine della realtà condivisa. Autorizzano domande precise su che cosa viene esercitato, misurato e lasciato alla scelta umana. Per le relazioni con chatbot, inoltre, gli studi sugli adulti non bastano a stabilire conseguenze per bambini e adolescenti.
Per chi usa un assistente, un controllo proporzionato comincia dall’individuare il passaggio che conta. In una relazione può essere la fonte di una stima; nello studio, la capacità di risolvere un nuovo problema; in una decisione personale, la presenza di alternative che la prima risposta aveva trascurato. Chiedere al sistema quali elementi smentirebbero la proposta può aiutare a cercarli, ma richiede comunque un riscontro esterno quando la decisione è rilevante.
Una scuola può affiancare alle attività assistite prove autonome e verifiche differite, osservando se l’apprendimento si trasferisce. Un’organizzazione può distinguere il tempo risparmiato dal tempo necessario a controllare, assegnando quest’ultimo a qualcuno che abbia competenza e potere di intervenire. Senza margine per correggere, la responsabilità della firma rischia di diventare puramente formale. Anche scegliere quali attività meritano automazione dovrebbe restare discutibile.
Per le piattaforme, la capacità di interrompere una conversazione e comprendere le regole del servizio è parte della qualità dell’esperienza. Per le istituzioni dell’informazione, fonti accessibili e correzioni riconoscibili consentono una fiducia che non dipende dalla sicurezza del tono. Nessuna pratica elimina ogni errore; ciascuna rende più visibile un passaggio sul quale è possibile agire.
La responsabile di progetto dell’esempio iniziale non deve riscrivere tutto. Può chiedere la fonte della stima, confrontarla con un riscontro esterno e chiarire quale risultato farebbe cambiare la raccomandazione. Se quel controllo non è possibile, può sospendere la decisione o renderne esplicita l’incertezza, nei limiti del proprio ruolo. Il tempo guadagnato diventa una risorsa per scegliere quando esiste anche spazio per correggere.
Fonti e letture
Ricerca selettiva aggiornata al 5 ottobre 2026, con verifiche mirate sulle affermazioni utilizzate e sullo stato delle fonti. Non costituisce una rassegna sistematica né una replica delle analisi. I limiti di accesso rilevanti sono indicati nel testo e nei riferimenti; per l’avviso Science sono stati verificati i metadati, non il testo integrale.
Bastani, H. et al. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. PNAS. DOI 10.1073/pnas.2422633122. Testo integrale consultato nella copia dell’autrice. Correzione dell’affiliazione di un autore: DOI 10.1073/pnas.2518204122, 20 agosto 2025.
Kestin, G. et al. (2025). AI tutoring outperforms in-class active learning. Scientific Reports. DOI 10.1038/s41598-025-97652-6.
Shen, J. H.; Tamkin, A. (2026). How AI Impacts Skill Formation. arXiv:2601.20245v2, 1° febbraio 2026.
Meng, Y. et al. (2026). Where Does the Human End? Creative Agency with Generative AI across Five Years of Chinese Digital Painting. arXiv:2609.09333v1, 8 settembre 2026, preprint.
Brynjolfsson, E.; Li, D.; Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics. DOI 10.1093/qje/qjae044.
De Freitas, J. et al. (2025, fascicolo 2026). AI Companions Reduce Loneliness. Journal of Consumer Research. DOI 10.1093/jcr/ucaf040.
Li, R.-N. et al. (2026). Is a random human peer better than a highly supportive chatbot in reducing loneliness over time? Journal of Experimental Social Psychology, DOI 10.1016/j.jesp.2026.104911. Resoconto primario UBC del 1° aprile 2026 consultato; accesso al testo integrale della rivista non ottenuto.
Fang, C. M. et al. (2025). How AI and Human Behaviors Shape Psychosocial Effects of Extended Chatbot Use. arXiv:2503.17473v2, 2 ottobre 2025.
De Freitas, J. et al. (2025). Emotional Manipulation by AI Companions. arXiv:2508.19258v3, 7 ottobre 2025.
Butlin, P. et al. (online 2025, fascicolo 2026). Identifying indicators of consciousness in AI systems. Trends in Cognitive Sciences. DOI 10.1016/j.tics.2025.10.011. Originale consultato in copia PDF.
Anthropic (22 gennaio 2026). Claude’s new constitution. Documento del produttore.
Poole-Dayan et al. (2026). Position: A Roadmap to Impactful Pluralistic Alignment Research. arXiv:2607.22305v1, 24 luglio 2026, contributo di posizione.
Stockwell, S.; McDonald, B. (2 giugno 2026). AI Disinformation Incident Repository. CETaS, The Alan Turing Institute.
Full Fact (13 agosto 2025). Google Lens’s AI overviews shared misleading information about images. Indagine originale.
C2PA. C2PA and Content Credentials Explainer, versione 2.2, §§2 e 7.2.1–7.2.3. Consultato il 5 ottobre 2026.
Costello, T. H.; Pennycook, G.; Rand, D. G. (2024). Durably reducing conspiracy beliefs through dialogues with AI. Science. DOI 10.1126/science.adq1814.
Thorp, H. H. (11 giugno 2026). Editorial Expression of Concern. Science 392, 1131. DOI 10.1126/science.aej2383. Avviso relativo a Costello et al.; metadati PubMed. Testo integrale dell’avviso non ottenuto.
Costello, T. H.; Pennycook, G.; Rand, D. G. (aggiornamento 29 settembre 2026). Data from: Durably reducing conspiracy beliefs through dialogues with AI. Dryad. DOI 10.5061/dryad.v6wwpzh4h. Consultati pagina, README e registro delle modifiche; analisi non riprodotte.
Commenti