Intelligenza artificiale e valutazione del linguaggio nei bambini: a che punto siamo?

Un programma assegna un punteggio a un racconto infantile e il risultato assomiglia a quello di un professionista. Possiamo usarlo per valutare il linguaggio? La risposta dipende da che cosa è stato confrontato e su quali bambini. Una nuova revisione aiuta a mettere ordine in una questione che riguarda sempre più da vicino la logopedia.

Che cosa ha esaminato la revisione

Papanikolaou e colleghi hanno pubblicato il 13 ottobre 2026, su Applied Sciences, una scoping review su sette studi che impiegano modelli linguistici e IA generativa nella valutazione del linguaggio e dell’eloquio in età pediatrica.

Le applicazioni comprendevano analisi di campioni, attribuzione di punteggi e produzione di feedback. In alcuni compiti emergeva un accordo promettente con valutazioni umane o misure di riferimento. Tuttavia, nessuno degli studi inclusi dimostrava una validazione clinica esterna su più campioni indipendenti. Campioni limitati, dati sintetici in alcuni lavori, differenze fra lingue e scarsa verifica nell’uso reale restringono le conclusioni. La ricerca sostiene soprattutto la fattibilità tecnica: non dimostra che questi sistemi possano formulare diagnosi autonome.

Perché un punteggio simile non basta

Per leggere criticamente un risultato, immaginiamo due strumenti che ordinino i bambini in modo simile dal punteggio più basso al più alto. Uno potrebbe però attribuire a tutti valori sistematicamente maggiori. Una relazione tra punteggi, da sola, non ci dice se siano intercambiabili.

Possiamo quindi formulare domande distinte: il sistema produce un risultato plausibile? Lo riproduce quando la procedura viene ripetuta? L’errore è accettabile per la decisione che vogliamo prendere? Funziona anche con persone diverse da quelle utilizzate per svilupparlo? Sono domande da mantenere separate quando leggiamo una presentazione commerciale o un articolo scientifico.

Una proposta per la formazione: rendere visibili gli errori

Un esercizio didattico utile può partire da un breve racconto interamente inventato, preparato dal docente. Prima si definiscono regole di analisi esplicite; poi si confrontano il lavoro manuale e quello automatico.

• Quali parole o enunciati sono stati contati?
• Come sono state trattate ripetizioni e frasi interrotte?
• Il sistema ha aggiunto interpretazioni non richieste?
• Le motivazioni permettono di ricostruire il punteggio?
• Quanto tempo serve per controllare e correggere il risultato?

Lo scopo di questa proposta è imparare a verificare un output, non validare uno strumento attraverso pochi esempi. Prima di utilizzare dati clinici reali occorre valutare anche le condizioni di trattamento dei dati e le autorizzazioni applicabili: una trascrizione o una registrazione non diventano automaticamente anonime eliminando il nome.

Dalla valutazione alla preparazione di attività

Un’altra domanda pratica riguarda l’uso dell’IA per ideare materiali. Per esempio, possiamo chiedere proposte di frasi contenenti determinate parole e controllare lessico, lunghezza, ambiguità e adeguatezza al destinatario. È un compito diverso dall’attribuzione di un significato clinico a un punteggio: richiede comunque revisione, ma ha uno scopo chiaramente delimitato.

Una risorsa per approfondire l’uso degli strumenti

Strumenti di Intelligenza Artificiale per logopedisti (e non solo)

Il corso di Antonio Milanese esplora l’uso degli strumenti di IA per creare attività e contenuti destinati all’età evolutiva e adulta. Consulta il programma per conoscere gli argomenti inclusi.

Scopri contenuti e modalità di accesso →

Il corso è un approfondimento del nostro catalogo sulla preparazione di attività. Non è uno degli interventi valutati nella revisione e non conferisce validazione clinica ai sistemi di IA presentati.

Riferimento scientifico

Papanikolaou C., Geronikou E., Kollia B., Georgopoulos V. C. (2026). Large Language Model-Enabled Systems for Pediatric Speech and Language Assessment: A Scoping Review. Applied Sciences, 16(20), 10146. Leggi la revisione originale — DOI: 10.3390/app162010146.