Rapporto tra bias algoritmico e media audiovisivi. Le prospettive dell'intelligenza artificiale nell'alfabetizzazione audiovisiva ed educativa (AIAEL)

This paper explores the relationship between generative artificial intelligence, algorithmic bias, and audiovisual media from an educational perspective, taking as its starting point the 2023 strikes by the Writers Guild of America and the Screen Actors Guild against the use of AI in screenwriting and casting processes. Through a desk review of AI applications for didactic and cinematic storytelling, including Dramatron, Sudowrite, ScriptBook, GPT-4, and Bard/Gemini, the contribution analyses both the potential and the limitations of these tools with regard to the perpetuation or overcoming of ethnic and gender bias. The third section examines the main typologies of algorithmic bias (in algorithm design, training data, and cyclical feedback mechanisms) and introduces the concept of fairness as a horizon of qualitative equity in audiovisual representation. The fourth section proposes an updated framework for Audiovisual and AI Education Literacy (AIAEL), which integrates and redefines the critical-ethical-aesthetic triadic model (Rivoltella; Buckingham) in light of the transformations introduced by generative AI. The aim is not to equip students with traditional interpretive skills alone, but to guide them toward a systematic reflection on the algorithmic mechanisms of meaning-making, shifting the focus from authorial creativity to the capacity to construct effective prompts, decode data, and reinterpret them critically.

Il contributo esplora il rapporto tra intelligenza artificiale generativa, bias algoritmici e media audiovisivi in una prospettiva educativa, a partire dal caso degli scioperi della Writers Guild of America e della Screen Actors Guild (2023) contro l'uso dell'IA nel processo di scrittura e casting cinematografico. Attraverso una desk review degli applicativi di IA per lo storytelling didattico e cinematografico (tra cui Dramatron, Sudowrite, ScriptBook, GPT-4, Bard/Gemini), il lavoro analizza le potenzialità e le criticità di questi strumenti rispetto alla perpetuazione o al superamento di bias etnici e di genere. Il terzo paragrafo esamina le principali tipologie di bias algoritmico, nella progettazione, nei dati di addestramento e nei meccanismi di retroazione ciclica, e introduce il costrutto di fairness come orizzonte di equità qualitativa nella rappresentazione audiovisiva. Il quarto paragrafo propone un quadro aggiornato per una Audiovisual and AI Education Literacy (AIAEL), che integra e ridefinisce il modello triadico critico-etico-estetico di riferimento (Rivoltella; Buckingham) alla luce delle trasformazioni introdotte dall'IA generativa. L'obiettivo non è equipaggiare gli studenti con competenze interpretative tradizionali, ma guidarli verso una riflessione sistematica sui meccanismi algoritmici di produzione del senso, spostando l'attenzione dalla creatività autoriale alla capacità di costruire prompt efficaci, decodificare i dati e reinterpretarli criticamente.