# Come inserisco l'IA verde in un corso universitario?

> Modi per portare l'IA verde nella didattica universitaria: un breve modulo sull'impronta, misurazione dell'energia negli elaborati, metodi efficienti e dati onesti.

Source: https://greenai.guide/it/come/come-inserisco-l-ia-verde-in-un-corso-universitario/  
Updated: 2026-11-19

## In breve

Aggiunga un breve filone pratico invece di un corso completamente nuovo: spieghi dove va l'energia dell'IA, faccia misurare agli studenti l'energia del proprio codice o delle proprie esecuzioni di modelli e chieda loro di riportare calcolo ed energia accanto all'accuratezza. Nei corsi tecnici, insegni metodi efficienti come modelli più piccoli, quantizzazione e riuso; negli altri, si concentri su un uso sensato e sulla valutazione delle affermazioni.

## Steps

1. Aggiunga una breve lezione su da dove provengono l'impronta energetica, idrica e hardware dell'IA.
2. Chieda agli studenti di misurare l'energia di almeno un'esecuzione del loro elaborato con uno strumento come CodeCarbon.
3. Richieda che calcolo ed energia siano riportati accanto all'accuratezza negli elaborati tecnici.
4. Insegni metodi efficienti come modelli piccoli, quantizzazione e riuso di modelli pre-addestrati.
5. Includa un esercizio di verifica di un'affermazione pubblicata sul consumo energetico dell'IA.

**Un breve filone pratico nei corsi esistenti raggiunge più studenti di un nuovo insegnamento a scelta.** Ormai quasi
tutti gli studenti usano l'IA: l'indagine 2026 dell'Higher Education Policy Institute ha rilevato che il 95% degli
studenti universitari britannici di primo livello dichiarava di usarla.

## Che cosa potrebbe includere il filone? {#what-could-the-strand-include}

- **Basi dell'impronta.** Addestramento e inferenza a confronto, perché immagini e input lunghi costano di più e
  perché i dati pubblicati differiscono.
- **Misurare qualcosa.** Faccia avvolgere agli studenti un'esecuzione di addestramento o di inferenza in CodeCarbon e
  riportare il risultato con hardware, durata e località.
- **Riportare i dati come un ricercatore.** Chieda calcolo ed energia accanto all'accuratezza, comprese le esecuzioni
  di messa a punto; veda [riportare l'energia nella ricerca](/it/come/come-riporto-il-consumo-di-energia-della-mia-ricerca-sull-ia/).
- **Metodi efficienti** per i corsi tecnici: modelli più piccoli e specifici, quantizzazione, distillazione e riuso
  di modelli pre-addestrati.
- **Valutare le affermazioni** in qualsiasi corso: chi ha misurato, per quale unità e che cosa è stato escluso.

## Quali quadri di riferimento aiutano? {#which-frameworks-help}

Il quadro delle competenze sull'IA per gli studenti dell'UNESCO comprende l'IA sostenibile dal punto di vista
ambientale. Per gruppi di ricerca e dipartimenti, i principi GREENER di Lannelongue e colleghi offrono un quadro per
governance, stima e formazione nella scienza computazionale sostenibile.

## Che cosa fa la differenza maggiore {#what-makes-the-biggest-difference}

Rendere l'energia parte della valutazione. Quando una griglia di valutazione premia l'accuratezza per chilowattora
oltre all'accuratezza, gli studenti iniziano a progettare tenendone conto.

## Errori comuni {#common-mistakes}

- Trattare l'argomento come una lezione di etica una tantum, senza un compito pratico.
- Penalizzare gli studenti che usano l'IA invece di insegnare loro a usarla bene.
- Usare dati per richiesta ormai superati.

Legga [l'alfabetizzazione sull'IA nelle università](/it/articoli/alfabetizzazione-all-ia-nelle-universita-impronta-inclusa/) e consulti i
[corsi](/it/corsi/) per materiale da riutilizzare.

## Fonti

- [Student generative AI survey 2026](https://www.hepi.ac.uk/reports/student-generative-ai-survey-2026/), Higher Education Policy Institute (HEPI) (2026)
- [AI competency framework for students](https://unesdoc.unesco.org/ark:/48223/pf0000391105), UNESCO (2024)
- [CodeCarbon](https://codecarbon.io/), CodeCarbon (2026)
- [GREENER principles for environmentally sustainable computational science](https://doi.org/10.1038/s43588-023-00461-y), Lannelongue et al., Nature Computational Science (2023)
