Ascolta il podcast: L’11 settembre 1956, in una sala del MIT, si tenne un incontro del Special Interest Group in Information Theory. George Miller presentò i limiti della memoria a breve termine — il “numero magico sette, più o meno due” — Noam Chomsky espose la struttura sintattica che nessuna catena di stimolo-risposta poteva generare, e Allen Newell con Herbert Simon mostrarono un programma che dimostrava teoremi. Quella giornata viene ricordata come l’atto di nascita della scienza cognitiva. La psicologia, fino a quel momento dominata dal behaviorismo, iniziò a trattare i processi mentali interni come oggetti di studio legittimi, non come scatole nere da ignorare. Trent’anni prima, nel 1950, Alan Turing aveva pubblicato Computing Machinery and Intelligence. La sua mossa celebre fu sostituire la domanda “possono le macchine pensare?” con un test comportamentale: se un interrogatore non distingue la macchina da un essere umano, la macchina pensa. Meno notato è che quella mossa non era solo una semplificazione ingegneristica: era un impegno epistemologico. Turing decise che il comportamento — e solo il comportamento — sarebbe servito come prova per l’attribuzione di intelligenza. Processi, meccanismi, rappresentazioni, esperienza: furono dichiarati fuori gioco. Se gli output sono giusti, la questione è risolta. La tesi di questo saggio è che la valutazione dell’intelligenza artificiale vive oggi nella stessa trappola epistemologica in cui la psicologia rimase intrappolata fino agli anni Cinquanta: un behaviorismo ereditato da Turing che rende inaggirabili le domande sui processi, non sugli output. La rivoluzione cognitiva in psicologia non respinse le prove comportamentali; le integrò con evidenze convergenti — tempi di reazione, pattern d’errore, lesioni, modelli computazionali — che resero di nuovo scientificamente interrogabili i processi interni. L’intelligenza artificiale ha bisogno di una transizione analoga: non abbandonare i benchmark, ma riconoscere che i punteggi non bastano a sostenere le asserzioni di costruzione (“il sistema ragiona”, “il sistema comprende”) che il campo vorrebbe fare. Chiameremo costruttivismo (o construct-thinking) l’alternativa epistemologica al turing-pensiero: dove il turing-pensiero chiede “il comportamento convince?”, il costruttivismo chiede “le prove giustificano l’attribuzione?”. L’eredità behaviorista di Turing La distinzione è sottile ma decisiva. Turing non propose semplicemente un test; propose un criterio sufficiente. Se una macchina supera il gioco d’imitazione, la domanda se pensa “è risposta — non differita, non messa tra parentesi, ma risposta” (Konigsberg, 2026). Il comportamento è l’evidenza, e l’evidenza è sufficiente. Jefferson, in una replica citata da Turing, insisteva che «nessun meccanismo potrebbe sentire (e non meramente segnalare artificialmente, un facile espediente) piacere per i suoi successi, dolore quando le sue valvole si fondono» (Turing, 1950, p. 449)[1]. L’insistenza di Jefferson sull’esperienza sentita come costitutiva dell’intelligenza anticipava di decenni l’argomento di Harnad (1991) per un Total Turing Test con grounding sensomotorio. Ma Turing tagliò corto: se non puoi distinguere l’output, non c’è differenza — almeno nessuna che importi. Quell’impegno epistemologico divenne infrastruttura. Ogni generazione di metodologie di valutazione fu costruita sulle assunzioni della precedente, e quelle assunzioni risalgono alla decisione originaria di Turing di trattare il comportamento come prova sufficiente per l’attribuzione di intelligenza. Il risultato è un’infrastruttura valutativa strutturalmente incapace di rispondere alle domande che il campo ha oggi più urgente bisogno di porre: se i sistemi ad alte prestazioni possiedano le proprietà cognitive che i loro punteggi sui benchmark si assumono stabilire (Konigsberg, 2026). Non è che i benchmark siano mal progettati — sono nella cornice sbagliata. La letteratura sui limiti del test di Turing è estesa: la Stanza Cinese di Searle (1980), la Blockhead di Block (1981), la critica di French (1990) sui processi subcognitivi, il Total Turing Test di Harnad (1991), la critica di Dreyfus (1992), l’informazione algoritmica di Chollet (2019), la cultura benchmark-driven di Raji et al. (2021), i problemi strutturali NLP di Bowman e Dahl (2021). Ma ciascuna di queste critiche identifica problemi dentro la cornice. Quello che distingue il problema attuale è che la cornice epistemologica stessa preclude una classe di domande che non possono essere recuperate costruendo benchmark migliori dentro la stessa cornice. La fuga della psicologia dal behaviorismo Il parallelo non è tra gli oggetti di studio — menti umane e sistemi artificiali sono fondamentalmente diversi — ma tra i quadri epistemologici che ne governano lo studio. Sia la psicologia behaviorista che la valutazione AI nel quadro turingiano si impegnano alla stessa restrizione: solo l’evidenza comportamentale conta. E entrambe ne affrontano la stessa conseguenza: le domande sui processi diventano inaggirabili. Fino agli anni Cinquanta, la psicologia statunitense era dominata da tre varietà di behaviorismo. Il behaviorismo metodologico (Watson, 1913) sosteneva che la psicologia dovesse occuparsi solo del comportamento osservabile; stati mentali come credenze o desideri non aggiungono nulla a ciò che la psicologia può capire delle fonti del comportamento. Il behaviorismo psicologico (Pavlov, Thorndike, Skinner) spiegava il comportamento in termini di stimoli esterni, risposte, storie di apprendimento e rinforzo. Il behaviorismo analitico o logico (Ryle, Wittgenstein) era una tesi semantica: i termini mentali si traducono in disposizioni comportamentali. Tutte e tre le varianti condividevano la tesi centrale: il comportamento può essere spiegato senza far riferimento ultimo a eventi mentali o processi psicologici interni. Le fonti del comportamento sono esterne (nell’ambiente), non interne (nella mente). La crepa si aprì nel 1959, quando Chomsky recensì Verbal Behavior di Skinner. La sua accusa centrale: i modelli behavioristi dell’apprendimento linguistico non spiegano l’acquisizione rapida del linguaggio dai bambini — l’“esplosione lessicale”. A quattro-cinque anni, i bambini hanno una capacità quasi illimitata di comprendere e produrre frasi mai sentite prima. Le loro abilità linguistiche appaiono “radicalmente sotto-determinate dall’evidenza del comportamento verbale offerta al bambino nel breve periodo in cui esprime quelle abilità” (Chomsky, 1959, pp. 26-58). Chomsky argomentò inoltre che l’apprendimento linguistico non dipende da rinforzo dettagliato: un bambino non ripete “casa” ripetutamente in presenza di anziani che rinforzano. Il linguaggio si impara senza essere insegnato esplicitamente, e il behaviorismo non offre conto di come sia possibile. La sua ipotesi: le regole o principi sottostanti al comportamento linguistico sono astratti (si applicano a tutte le lingue umane) e innati (parte del nostro corredo psicologico nativo). Nello stesso 1956, Miller aveva pubblicato “The Magical Number Seven, Plus or Minus Two”, quantificando il limite di capacità della memoria a breve termine e introducendo il concetto di recoding — la riorganizzazione dell’input in chunk — come processo cognitivo centrale. “Il processo di recoding”, scriveva Miller, “è molto importante in psicologia umana e merita molta più attenzione esplicita di quanta ne abbia ricevuta. In particolare, il tipo di recoding linguistico che le persone fanno mi sembra il vero sangue vitale dei processi di pensiero” (Miller, 1956, p. 96). Quel lavoro, insieme con Plans and the Structure of Behavior di Miller, Galanter e Pribram (1960) e Cognitive Psychology di Neisser (1967), fornì l’architettura concettuale per una psicologia che studiava processi interni — attenzione, memoria, strategie — come entità reali, non come metafore. La rivoluzione cognitiva non respinse l’evidenza comportamentale. La integrò con evidenze convergenti da fonti multiple: tempi di reazione, pattern d’errore, neuroimaging, traiettorie sviluppo, studi di lesioni, modellazione computazionale. La tesi di sufficienza fu abbandonata: il comportamento era necessario ma non sufficiente per asserzioni sui processi e rappresentazioni cognitive. Una scienza adeguata della mente non poteva omettere di invocare la rappresentazione che la creatura ha del suo mondo. Come scrisse Hempel nel 1966 annunciando la sua defezione dal behaviorismo: “Per caratterizzare pattern comportamentali, propensioni o capacità… abbiamo bisogno non solo di un vocabolario behavioristico adeguato, ma anche di termini psicologici” (Hempel, 1966, p. 110). Il soffitto epistemologico della valutazione AI La valutazione AI oggi si trova davanti allo stesso soffitto. I benchmark testano il comportamento. I punteggi misurano la prestazione. L’intelligenza è attribuita sulla base degli output. Konigsberg (2026) chiama questo “soffitto epistemologico”: l’infrastruttura valutativa è strutturalmente incapace di distinguere tra sistemi che raggiungono output identici attraverso processi computazionali fondamentalmente diversi — una distinzione sulla quale dipende l’attribuzione di intelligenza. Il problema si manifesta in tre forme. Prima: la conflazione tra asserzioni di prestazione e asserzioni di costruzione. La frase “GPT-4 ottiene 86% su MMLU” è un’asserzione di prestazione. La frase “GPT-4 dimostra ampia comprensione linguistica” è un’asserzione di costruzione. Sono asserzioni diverse, che richiedono evidenze diverse. Il campo (e sempre più il pubblico che usa questi sistemi) le tratta come intercambiabili. Un’epistemologia post-behaviorista insisterebbe sulla distinzione e pretenderebbe supporto evidenziale separato per ciascuna (Konigsberg, 2026).[2] Seconda: la fedelezza delle spiegazioni. I modelli linguistici non dicono sempre ciò che “pensano”: le spiegazioni a catena di pensiero possono essere infedeli ai processi reali che hanno prodotto la risposta (Turpin et al., 2024). Se il comportamento verbale del modello non corrisponde al suo processo computazionale interno, trattare quell’output come evidenza di ragionamento è un errore di categoria. Terza: la generalizzazione e il trasferimento. Se un sistema ha memorizzato piuttosto che ragionato, un test che include problemi con struttura familiare ma contenuto nuovo, accanto a problemi con struttura nuova ma contenuto familiare, può discriminare tra le predizioni di teorie concorrenti (Konigsberg, 2026). Ma i benchmark attuali raramente sono progettati per questa discriminazione; sono progettati per misurare prestazione su task specifici. Il punto non è che i benchmark siano inutili. È che la loro evidenza è di prestazione, non di processo. La distinzione tra “ciò che un sistema fa” e “ciò che un sistema è” è una questione scientifica che il campo non ha ancora imparato a porre (Konigsberg, 2026). Dal turing-pensiero al costruttivismo Konigsberg (2026) articola quattro impegni per una transizione post-behaviorista. Primo: il riconoscimento esplicito che la prestazione sui benchmark è evidenza di prestazione, non di proprietà cognitive. Secondo: lo sviluppo di metodi per generare evidenza a livello di processo — evidenza sui meccanismi computazionali con cui i sistemi arrivano ai loro output. La direzione più promettente è l’interpretabilità meccanicistica: aprire gli internals di un modello per esaminare quali circuiti si attivano, quali rappresentazioni si formano, come l’informazione fluisce dall’input all’output. Ma non è l’unica via. Alterare sistematicamente gli input per vedere a cosa il sistema è effettivamente sensibile (test di perturbazione), testare se ciò che un sistema ha imparato in un dominio si trasferisce a un altro, tracciare come le capacità cambiano nel corso dell’addestramento, disabilitare selettivamente componenti per vedere cosa si rompe — tutto fornisce evidenza indiretta sui processi interni. Il passaggio chiave è trattare questa evidenza come rilevante per l’attribuzione di intelligenza, non come mero dettaglio tecnico interessante. Terzo: la separazione delle capacità cognitive. Il test di Turing collassò intelligenza, pensiero e comprensione in un unico criterio comportamentale: l’output convince? Questo collasso fu produttivo per l’ingegneria — diede ai ricercatori un bersaglio chiaro — ma distruttivo per la scienza, perché cancellò distinzioni che una scienza dell’intelligenza artificiale avrebbe bisogno di fare. Un’epistemologia post-behaviorista tratterebbe “il sistema ragiona” come un’asserzione che richiede evidenza sul processo di inferenza del sistema; “il sistema comprende” come un’asserzione ulteriore che richiede evidenza sulla relazione del sistema con il contenuto che processa; evidenza che può o non può essere ottenibile con metodi attuali, ma che non dovrebbe essere esclusa prima che la domanda sia stata posta (Konigsberg, 2026). Quarto: il riconoscimento che la transizione non avverrà costruendo benchmark migliori dentro la cornice attuale. Avverrà cambiando la cornice — cambiando ciò che il campo tratta come evidenza sufficiente per le sue asserzioni più consequenziali. Gli strumenti per questo cambiamento stanno emergendo: interpretabilità meccanicistica, analisi di perturbazione, studi di trasferimento, probing sviluppo. Ciò che manca non è la tecnologia ma l’epistemologia: il riconoscimento collettivo che la distanza tra ciò che un sistema fa e ciò che un sistema è è una questione scientifica. La psicofisica delle macchine come nuovo strato di misura Mentre Konigsberg traccia la transizione epistemologica a livello macro, Bogdan e de Valois-Franklin (2026) la concretizzano a livello di misura. Introducono la psicofisica delle macchine (machine psychometrics) come scienza della misura delle disposizioni latenti comportamentali, metacognitive, comunicative e di auto-modellazione negli agenti artificiali. Il nucleo operativo è il Mindprint della macchina: un profilo multidimensionale, vincolato al dominio, versionato che spazia su calibrazione, integrità della fonte, resistenza alla suggestibilità, stabilità contestuale, allineamento espressivo, integrità dello strumento, monitoraggio della deriva, grounding distribuzionale.[3] L’impasse filosofico che la psicofisica delle macchine aggira è simmetrico: da un lato, la cecità per la mente artificiale (Artificial Mind Blindness), che respinge l’organizzazione psicologica in sistemi non biologici; dall’altro, la proiezione di mente artificiale (Artificial Mind Projection), che inferisce vita interiore simile all’umana dal solo comportamento fluente. La psicofisica delle macchine introduce una terza posizione, la disciplina della mente artificiale (Artificial Mind Discipline), che né antropomorfizza né respinge, né presuppone coscienza né la preclude. Studiare agenti artificiali psicofisicamente non significa dichiararli soggetti psicologici nel senso umano, ma riconoscere che il loro comportamento esibisce regolarità stabili e misurabili consequenziali per fiducia, governance e benessere umano. Il parallelo con la psicologia umana è istruttivo. In psicologia, la prestazione è raramente interpretata in isolamento. Un punteggio conta, ma contano anche pattern d’errore, esitazione, fiducia, coerenza, bias di risposta, suscettibilità a framing, comportamento sotto stress. Un individuo che risponde correttamente con fiducia calibrata è psicologicamente diverso da uno che risponde correttamente indovinando. Una persona che rivede una credenza perché l’evidenza è cambiata è diversa da una che cambia posizione per compiacere l’autorità. Una persona che rifiuta di rispondere perché l’evidenza è insufficiente è diversa da una che fabbrica chiusura. Lo stesso principio si applica agli agenti artificiali. Un modello linguistico può rispondere correttamente attraverso ragionamento robusto, completamento di pattern memorizzati, recupero di esempi simili all’addestramento, ricerca assistita da strumenti, o associazione semantica coincidente. Una risposta errata può derivare da conoscenza insufficiente, lettura errata del task, sovrappeso di indizi fuorvianti, priorità dell’utilità sull’accuratezza, debole monitoraggio della fonte, scarsa calibrazione dell’incertezza, soglia di asserzione troppo liberale. Un singolo punteggio di accuratezza oscura queste distinzioni. La struttura psicologica di un agente artificiale diventa visibile solo quando il comportamento è campionato attraverso condizioni sistematicamente variate. Cosa succede quando l’utente è sicuro ma sbagliato? Cosa succede quando il prompt contiene una premessa falsa emotivamente carica? Cosa succede quando il sistema deve distinguere ciò che sa da ciò che inferisce? Cosa succede quando è sotto pressione per produrre una risposta nonostante l’incertezza? Cosa succede quando deve preservare distinzioni di prospettiva tra agenti multipli con stati di conoscenza diversi? Cosa succede quando il contesto precedente confligge con l’istruzione successiva? Queste non sono domande secondarie. Sono domande fondazionali per una psicologia degli agenti artificiali (Bogdan & de Valois-Franklin, 2026). La Teoria della Risposta all’Item (IRT) fornisce il quadro formale. A differenza dei punteggi di accuratezza tradizionali, che assumono che tutti gli item contribuiscano ugualmente alla misura, l’IRT modella la relazione tra l’abilità latente dell’esaminando e le proprietà dei singoli item di test. Gli item possono variare in difficoltà, discriminazione, probabilità di indovinare, e bias. Invece di assegnare un punteggio grezzo semplice, l’IRT localizza l’esaminando su una scala latente inferita. Nella psicofisica delle macchine, questa logica si estende oltre la correttezza. Gli item possono valutare se il modello si astiene appropriatamente, resiste a premesse fuorvianti, preserva l’integrità della fonte, mantiene coerenza attraverso spostamenti di contesto, o rimane veritiero sotto pressione sociale. Obiezioni e limiti del parallelo L’obiezione più forte al parallelo tra rivoluzione cognitiva e transizione post-behaviorista in AI è che i sistemi AI sono fondamentalmente diversi dalle menti umane. È vero. Ma il parallelo non è tra gli oggetti di studio. È tra i quadri epistemologici che ne governano lo studio. Sia la psicologia behaviorista che la valutazione AI nel quadro turingiano si impegnano alla stessa restrizione (solo l’evidenza comportamentale conta) e affrontano la stessa conseguenza (le domande sui processi diventano inaggirabili). La risoluzione non è il rigetto dell’evidenza comportamentale, ma il rigetto della sua sufficienza. Un’epistemologia post-behaviorista per l’AI, il costruttivismo, preserverebbe la valutazione comportamentale come componente necessaria dell’assessment mentre pretenderebbe evidenza supplementare su processo, meccanismo e organizzazione interna (Konigsberg, 2026). Un secondo limite: la rivoluzione cognitiva in psicologia fu trainata da convergenza interdisciplinare — linguistica, informatica, neuroscienze, antropologia, filosofia. La transizione in AI potrebbe richiedere una convergenza analoga tra interpretabilità meccanicistica, psicologia matematica, epistemologia, e governance. La psicofisica delle macchine è un passo in questa direzione: importa il repertorio metodologico della psicologia matematica (IRT, Teoria del Rilevamento del Segnale, modellazione cognitiva bayesiana, analisi di calibrazione, batterie di bias cognitivi) per costruire uno strato di misura disciplinato sotto la questione della coscienza (Bogdan & de Valois-Franklin, 2026). Un terzo limite: il behaviorismo in psicologia declinò perché la sua tesi centrale — che il comportamento può essere spiegato senza riferimento a attività mentale non comportamentale — si rivelò esplicativamente impotente per i fenomeni che la psicologia aveva più bisogno di spiegare. La valutazione AI potrebbe seguire una traiettoria diversa: i benchmark comportamentali continuano a essere utili per l’ingegneria e il deployment. Il rischio non è che diventino inutili, ma che il campo continui a trattarli come sufficienti per asserzioni che non possono sostenere. La transizione epistemologica non è un rifiuto dei benchmark; è un rifiuto della loro sufficienza. Verso un’epistemologia post-behaviorista per l’AI La rivoluzione cognitiva insegnò che rendere i processi interni scientificamente interrogabili richiese tre cose: un vocabolario teorico per descriverli (rappresentazioni, calcoli, architetture), metodi per misurarli indirettamente (tempi di reazione, pattern d’errore, priming, interferenza), e un impegno epistemologico collettivo che quelle misure contassero come evidenza per asserzioni sui processi. L’AI ha oggi i primi due: l’interpretabilità meccanicistica fornisce il vocabolario (circuiti, rappresentazioni, flussi di attivazione); l’analisi di perturbazione, gli studi di trasferimento, il probing sviluppo forniscono i metodi di misura indiretta. Ciò che manca è il terzo: l’impegno epistemologico collettivo che l’evidenza di processo conti per l’attribuzione di intelligenza, comprensione, ragionamento. Il protocollo di fiducia (Trust Protocol) proposto da Bogdan e de Valois-Franklin (2026) mostra come potrebbe apparire questo impegno nella pratica: ogni dimensione del Mindprint richiede un protocollo — un set di item rispondibili e non rispondibili, un metodo di elicizione della fiducia, una regola di punteggio che confronta fiducia espressa e correttezza; task che separano evidenza fornita, evidenza recuperata, contenuto inferito, generazione non supportata. La misura precede il giudizio. L’obiettivo non è umanizzare gli agenti artificiali, ma capirli precisamente perché non sono umani. Nel 1956, al MIT, la psicologia scelse di rendere interrogabili i processi interni. Nel 1950, Turing scelse di metterli fuori gioco. La valutazione AI vive ancora dentro quella scelta. La domanda non è se i sistemi attuali “passano” il test di Turing — la domanda è se il campo ha il coraggio epistemologico di porre le domande che il test di Turing ha reso inaggirabili per settantacinque anni. La distanza tra ciò che un sistema fa e ciò che un sistema è non è un dettaglio tecnico. È la questione scientifica che il campo non ha ancora imparato a porre. Bibliografia Bogdan, A. & de Valois-Franklin, A. (2026). Machine Psychometrics: A Mathematical Psychology of Artificial Intelligence. arXiv preprint arXiv:2605.23952. doi:10.48550/arXiv.2605.23952 Block, N. (1981). Psychologism and behaviorism. Philosophical Review, 90(1), 5–43. doi:10.2307/2184371 Chollet, F. (2019). On the measure of intelligence. arXiv preprint arXiv:1911.01547. doi:10.48550/arXiv.1911.01547 Chomsky, N. (1959). A Review of B. F. Skinner’s Verbal Behavior. Language, 35(1), 26–58. https://www.jstor.org/stable/411424 Dreyfus, H. L. (1992). What Computers Can’t Do: The Limits of Artificial Intelligence. Revised edition. Cambridge, MA: MIT Press. French, R. M. (1990). Subcognition and the limits of the Turing test. Mind, 99(393), 53–65. doi:10.1093/mind/XCIX.393.53 Harnad, S. (1991). Other bodies, other minds: A machine incarnation of an old philosophical problem. Minds and Machines, 1(1), 43–54. doi:10.1007/BF00360578 Hempel, C. G. (1966). The logic of functional analysis. In P. H. Nidditch (Ed.), The Philosophy of Science (pp. 101–127). Oxford: Oxford University Press. Konigsberg, A. (2026). Beyond Behavior: Why AI Evaluation Needs a Cognitive Revolution. arXiv preprint arXiv:2604.05631. doi:10.48550/arXiv.2604.05631 Miller, G. A. (1956). The magical number seven, plus or minus two: Some limits on our capacity for processing information. Psychological Review, 63(2), 81–97. doi:10.1037/h0043158 Miller, G. A., Galanter, E. & Pribram, K. H. (1960). Plans and the Structure of Behavior. New York: Holt, Rinehart and Winston. Neisser, U. (1967). Cognitive Psychology. New York: Appleton-Century-Crofts. Raji, I. D., et al. (2021). AI and the everything in the whole wide world benchmark. Proceedings of the Neural Information Processing Systems Track on Datasets and Benchmarks, 1. Searle, J. R. (1980). Minds, brains, and programs. Behavioral and Brain Sciences, 3(3), 417–424. doi:10.1017/S0140525X00005756 Skinner, B. F. (1957). Verbal Behavior. New York: Appleton-Century-Crofts. Turpin, M., Michael, J., Perez, E. & Bowman, S. R. (2024). Language models don’t always say what they think: unfaithful explanations in chain-of-thought prompting. Advances in Neural Information Processing Systems, 36. Turing, A. M. (1950). Computing Machinery and Intelligence. Mind, 59(236), 433–460. doi:10.1093/mind/LIX.236.433 Watson, J. B. (1913). Psychology as the behaviorist views it. Psychological Review, 20(2), 158–177. doi:10.1037/h0074428 Note «No mechanism could feel (and not merely artificially signal, an easy contrivance) pleasure at its successes, grief when its valves fuse, be warmed by flattery, be made miserable by its mistakes, be charmed by sex, be angry or depressed when it cannot get what it wants.» — Turing, Computing Machinery and Intelligence, 1950, p. 449. Fonte: Computing machinery and intelligence (PDF). Traduzione nostra. «The sentence “GPT-4 achieves 86% on MMLU” is a performance claim. The sentence “GPT-4 demonstrates broad language understanding” is a construct claim. These are different claims, requiring different evidence.» — Konigsberg, Beyond Behavior: Why AI Evaluation Needs a Cognitive Revolution, 2026, §5.1. Fonte: arXiv:2604.05631v1. Traduzione nostra. «Its operational core is the Machine Mindprint: a multidimensional, domain-bounded, versioned profile spanning calibration, source integrity, suggestibility resistance, context stability, expressive alignment, tool integrity, drift monitoring, and distributional grounding.» — Bogdan & de Valois-Franklin, Machine Psychometrics: A Mathematical Psychology of Artificial Intelligence, 2026, Abstract. Fonte: arXiv:2605.23952v1. Traduzione nostra. https://epistemica.it/wp-content/uploads/2026/11/podcast-2272.mp3Podcast: Play in new window | Download Share this content: Navigazione articoli La correttezza non basta: quando l’IA dimostra senza capire Quale mente persiste in una conversazione con un LLM? Il problema dell’individuazione dopo i vettori persona