Servizi per la didattica
PORTALE DELLA DIDATTICA

Algorithms and Democracy (Global Challenges - Digital)

01DEGPL, 01DEGJM, 01DEGLH, 01DEGLI, 01DEGLM, 01DEGLN, 01DEGLP, 01DEGLS, 01DEGLU, 01DEGLX, 01DEGLZ, 01DEGMA, 01DEGMB, 01DEGMC, 01DEGMH, 01DEGMK, 01DEGMN, 01DEGMO, 01DEGMQ, 01DEGNX, 01DEGOA, 01DEGOD, 01DEGPC, 01DEGPI, 01DEGPM, 01DEGPW

A.A. 2021/22

Course Language

Italian

Course degree

1st degree and Bachelor-level of the Bologna process in Ingegneria Gestionale - Torino
1st degree and Bachelor-level of the Bologna process in Ingegneria Meccanica (Mechanical Engineering) - Torino
1st degree and Bachelor-level of the Bologna process in Design E Comunicazione - Torino
1st degree and Bachelor-level of the Bologna process in Ingegneria Dell'Autoveicolo (Automotive Engineering) - Torino
1st degree and Bachelor-level of the Bologna process in Ingegneria Informatica (Computer Engineering) - Torino
1st degree and Bachelor-level of the Bologna process in Ingegneria Dell'Autoveicolo - Torino
1st degree and Bachelor-level of the Bologna process in Electronic And Communications Engineering (Ingegneria Elettronica E Delle Comunicazioni) - Torino
1st degree and Bachelor-level of the Bologna process in Ingegneria Dei Materiali - Torino
1st degree and Bachelor-level of the Bologna process in Architettura (Architecture) - Torino
1st degree and Bachelor-level of the Bologna process in Ingegneria Elettrica - Torino
1st degree and Bachelor-level of the Bologna process in Ingegneria Aerospaziale - Torino
1st degree and Bachelor-level of the Bologna process in Ingegneria Biomedica - Torino
1st degree and Bachelor-level of the Bologna process in Ingegneria Chimica E Alimentare - Torino
1st degree and Bachelor-level of the Bologna process in Ingegneria Civile - Torino
1st degree and Bachelor-level of the Bologna process in Ingegneria Edile - Torino
1st degree and Bachelor-level of the Bologna process in Ingegneria Energetica - Torino
1st degree and Bachelor-level of the Bologna process in Ingegneria Meccanica - Torino
1st degree and Bachelor-level of the Bologna process in Ingegneria Per L'Ambiente E Il Territorio - Torino
1st degree and Bachelor-level of the Bologna process in Matematica Per L'Ingegneria - Torino
1st degree and Bachelor-level of the Bologna process in Ingegneria Elettronica - Torino
1st degree and Bachelor-level of the Bologna process in Ingegneria Informatica - Torino
1st degree and Bachelor-level of the Bologna process in Ingegneria Fisica - Torino
1st degree and Bachelor-level of the Bologna process in Ingegneria Del Cinema E Dei Mezzi Di Comunicazione - Torino
1st degree and Bachelor-level of the Bologna process in Ingegneria Gestionale - Torino
1st degree and Bachelor-level of the Bologna process in Architettura - Torino
1st degree and Bachelor-level of the Bologna process in Pianificazione Territoriale, Urbanistica E Paesaggistico-Ambientale - Torino

Course structure
Teaching Hours
Lezioni 36
Esercitazioni in aula 24
Tutoraggio 24
Teachers
Teacher Status SSD h.Les h.Ex h.Lab h.Tut Years teaching
Sacchi Stefano   Professore Ordinario SPS/04 12 24 0 0 2
Teaching assistant
Espandi
Context
SSD CFU Activities Area context
*** N/A ***
ING-INF/05
SPS/04		 1,2
2,4
2,4		 D - A scelta dello studente
D - A scelta dello studente
D - A scelta dello studente		 A scelta dello studente
A scelta dello studente
A scelta dello studente
Date d'appello
Orario delle lezioni
Statistiche superamento esami
2021/22
La nostra società è sempre più dipendente dalle nuove tecnologie informatiche, che nella loro apparente neutralità possono introdurre fonti di parzialità (bias) e/o discriminazione, e questo in modo anche inconsapevole per la comunità che ne beneficia o ne subisce gli effetti. Nello specifico, l’utilizzo di strumenti digitali di supporto alle decisioni, e in particolare di applicazioni basate su metodologie di tipo data-driven, quali algoritmi di intelligenza artificiale e machine learning, amplia enormemente la capacità del decisore pubblico o privato di attuare interventi efficaci, a vantaggio dei beneficiari di tali interventi. Esempi di applicazioni che oggi utilizzano metodologie data-driven sono il processo automatico di selezione delle candidature per un colloquio di lavoro, l’erogazione dei servizi e la gestione delle condizionalità nei servizi pubblici per l’impiego, la profilazione degli individui potenzialmente soggetti a sviluppare determinate patologie. Le metodologie di tipo data-driven possono tuttavia nascondere alcuni aspetti negativi quali bias nei dati e quindi nel processo decisionale e generare in modo inconsapevole discriminazioni in quest’ultimo (fondate ad esempio su genere, etnia, cultura), col risultato che esso potrebbe in ultima analisi non corrispondere a criteri di accountability, responsiveness e talvolta addirittura rispetto della rule of law consolidati nelle democrazie avanzate. Il corso discute il ruolo degli algoritmi nei processi di presa delle decisioni nelle democrazie avanzate, analizzandone opportunità e rischi dal punto di vista tecnico-metodologico, delle loro conseguenze per i cittadini e le cittadine e della loro possibile regolazione. Verranno discussi esempi pratici e casi di studio al fine di identificare la presenza di fonti di parzialità nei dati e negli algoritmi, quantificarle ove possibile, ed elaborare strategie e soluzioni metodologiche e di politica pubblica da adottare per superarle. Un’enfasi particolare verrà posta sull’adozione accelerata di algoritmi a supporto delle decisioni nella pandemia, e sulle tendenze che emergeranno dopo la pandemia.
Our society is increasingly dependent upon new information technologies, which behind apparent neutrality may infact conceal sources of bias and/or discrimination, even with little or no awarness on the part of the community that may benefit from or be impacted by them. More specifically, the adoption of digital tools for supporting decision making, most notably applications based on data-driven methodologies such as artificial intelligence algorithms and machine learning, greatly improves the – private or public – decision maker’s capacity to implement effective interventions, to the benefit of policy takers. Examples of applications that use data-driven methodologies are the automated recruiting and selection process to fill job vacancies, the provision of services and administration of conditionality in public employment services, the profiling of patients potentially prone to develop some diseases. Data-driven methodologies may however conceal some negative features such as bias in the data and consequently in the decision making process, and inadvertently create discrimination (based for instance on gender, ethnicity, culture) in it, so that it may no longer adhere to those standards of accountability, responsiveness and even at times respect of the rule of law which are well entrenched in advanced democracies. The course discusses the role of algorithms in the decision making processes in advanced democracies, analyzing opportunities and risks from the technical and methodological standpoint, as well as in terms of consequences for the citizens and regulatory options. Several practical examples and case studies will be reviewed and discussed with the aim to identify the existence of sources of bias in the data and the algorithms, quantify them whenever possible, and elaborate strategies and – methodological and public policy – solutions to overcome them. A special focus will be placed on the accelerated adoption of algorithms to support decision making in the pandemic, and the trends that may emerge after the pandemic.
Al termine dell’insegnamento, le studentesse e gli studenti saranno in grado di: • identificare le fonti di parzialità e discriminazione nei dati e negli algoritmi utilizzati nei processi decisionali di tipo data-driven; • identificare rischi e opportunità dell’utilizzo degli algoritmi a supporto delle decisioni sia in generale, sia con riferimento ad applicazioni specifiche, e il loro impatto relativamente ai processi democratici e ai loro standard; • caratterizzare le previsioni sull’evoluzione dei fenomeni di utilizzo degli algoritmi nel decision making e le loro criticità per i processi democratici ; • elaborare strategie di intervento relative ad applicazioni specifiche, dal punto di vista tecnico-metodologico e di regolazione e politica pubblica; • elaborare proposte su come governare le trasformazioni in corso e su quali politiche adottare per massimizzare i benefici per la collettività dell’utilizzo delle applicazioni informatiche basate sull’intelligenza artificiale, minimizzandone i rischi; • analizzare casi di studio reali utilizzando approcci metodologici e di tipo data-driven.
Al termine dell’insegnamento, le studentesse e gli studenti saranno in grado di: • identificare le fonti di parzialità e discriminazione nei dati e negli algoritmi utilizzati nei processi decisionali di tipo data-driven; • identificare rischi e opportunità dell’utilizzo degli algoritmi a supporto delle decisioni sia in generale, sia con riferimento ad applicazioni specifiche, e il loro impatto relativamente ai processi democratici e ai loro standard; • caratterizzare le previsioni sull’evoluzione dei fenomeni di utilizzo degli algoritmi nel decision making e le loro criticità per i processi democratici ; • elaborare strategie di intervento relative ad applicazioni specifiche, dal punto di vista tecnico-metodologico e di regolazione e politica pubblica; • elaborare proposte su come governare le trasformazioni in corso e su quali politiche adottare per massimizzare i benefici per la collettività dell’utilizzo delle applicazioni informatiche basate sull’intelligenza artificiale, minimizzandone i rischi; • analizzare casi di studio reali utilizzando approcci metodologici e di tipo data-driven.
Nessuno
Nessuno
Lezioni frontali • Introduzione ai dati: tipologie, caratteristiche e tecniche di caratterizzazione/analisi dei dati per evitare fonti di parzialità • Introduzione alle metodologie data-driven e intelligenza artificiale con enfasi sui modelli predittivi di tipo black-box • Fonti di parzialità nei dati e negli algoritmi : metodologie per identificarle e caratterizzarle • Teorie empiriche della democrazia, responsiveness, accountability • Digitalizzazione e processi decisionali: il nesso uomo-algoritmo • Casi di studio: politiche del lavoro, della sanità, processo di selezione delle candidature per i colloqui, gli algoritmi e le piattaforme di lavoro • Possibili soluzioni: aspetti tecnico-metodologici e di regolazione e politica pubblica • Algoritmi e pandemia: caratterizzazione, evoluzione e trend futuri Progetto I docenti individueranno alcuni settori nei quali è sufficientemente sviluppato l’utilizzo dell’intelligenza artificiale e degli algoritmi nella presa delle decisioni private e pubbliche. Per ciascun ambito decisionale si formeranno gruppi, che sotto la guida dei docenti svilupperanno separatamente e in base alle proprie inclinazioni degli studi di caso che, muovendo dall’analisi di esempi e casi reali di utilizzo di algoritmi, ne derivino le conseguenze in termini di rischi ed opportunità ed elaborino le possibili risposte dal lato metodologico e di regolazione e politica pubblica. Il lavoro relativo alla parte progettuale prevede incontri con l’intera classe e per gruppi in orario di lezione e lavoro da parte dei gruppi e individuale al di fuori dell’orario di lezione. Ciascun gruppo dovrà preparare un video di 5’, che verrà reso disponibile a tutta la classe. Per ciascun macro-tema, i docenti selezioneranno il gruppo che avrà realizzato il progetto migliore e lo inviteranno a presentarlo e discuterlo con l’intera classe. Oltre al lavoro di gruppo, ciascuno studente/ciascuna studentessa dovrà presentare una relazione sull’apporto fornito al gruppo nella realizzazione del progetto.
Lezioni frontali • Introduzione ai dati: tipologie, caratteristiche e tecniche di caratterizzazione/analisi dei dati per evitare fonti di parzialità • Introduzione alle metodologie data-driven e intelligenza artificiale con enfasi sui modelli predittivi di tipo black-box • Fonti di parzialità nei dati e negli algoritmi : metodologie per identificarle e caratterizzarle • Teorie empiriche della democrazia, responsiveness, accountability • Digitalizzazione e processi decisionali: il nesso uomo-algoritmo • Casi di studio: politiche del lavoro, della sanità, processo di selezione delle candidature per i colloqui, gli algoritmi e le piattaforme di lavoro • Possibili soluzioni: aspetti tecnico-metodologici e di regolazione e politica pubblica • Algoritmi e pandemia: caratterizzazione, evoluzione e trend futuri Progetto I docenti individueranno alcuni settori nei quali è sufficientemente sviluppato l’utilizzo dell’intelligenza artificiale e degli algoritmi nella presa delle decisioni private e pubbliche. Per ciascun ambito decisionale si formeranno gruppi, che sotto la guida dei docenti svilupperanno separatamente e in base alle proprie inclinazioni degli studi di caso che, muovendo dall’analisi di esempi e casi reali di utilizzo di algoritmi, ne derivino le conseguenze in termini di rischi ed opportunità ed elaborino le possibili risposte dal lato metodologico e di regolazione e politica pubblica. Il lavoro relativo alla parte progettuale prevede incontri con l’intera classe e per gruppi in orario di lezione e lavoro da parte dei gruppi e individuale al di fuori dell’orario di lezione. Ciascun gruppo dovrà preparare un video di 5’, che verrà reso disponibile a tutta la classe. Per ciascun macro-tema, i docenti selezioneranno il gruppo che avrà realizzato il progetto migliore e lo inviteranno a presentarlo e discuterlo con l’intera classe. Oltre al lavoro di gruppo, ciascuno studente/ciascuna studentessa dovrà presentare una relazione sull’apporto fornito al gruppo nella realizzazione del progetto.
Delle 60 ore di didattica, il 20% saranno comuni ai corsi delle “Grandi Sfide Globali”; il 40% sarà dedicato a lezioni frontali; il restante 40% allo sviluppo di un progetto. Le lezioni frontali saranno tenute dai due docenti, quando possibile in compresenza così da stimolare un dibattito interdisciplinare. Nel progetto, gli studenti e le studentesse saranno divisi in gruppi di 5-6 persone ciascuno e dovranno sviluppare dei casi di studio, analizzando la letteratura scientifica e le informazioni disponibili sul web in ambito socio-politico ed elaborando delle proposte di intervento per massimizzare i benefici minimizzando i rischi di parzialità e discriminazione.
Delle 60 ore di didattica, il 20% saranno comuni ai corsi delle “Grandi Sfide Globali”; il 40% sarà dedicato a lezioni frontali; il restante 40% allo sviluppo di un progetto. Le lezioni frontali saranno tenute dai due docenti, quando possibile in compresenza così da stimolare un dibattito interdisciplinare. Nel progetto, gli studenti e le studentesse saranno divisi in gruppi di 5-6 persone ciascuno e dovranno sviluppare dei casi di studio, analizzando la letteratura scientifica e le informazioni disponibili sul web in ambito socio-politico ed elaborando delle proposte di intervento per massimizzare i benefici minimizzando i rischi di parzialità e discriminazione.
Bibliografia per la parte comune a tutti i corsi (definita a livello di Ateneo): Libri: • Jared Diamond, 1997, Armi, acciaio e malattie, Einaudi, Torino, 1998 (+ nuove edizioni) • Simon L. Lewis, Mark A. Maslin, 2018, Il pianeta umano, Einaudi, Torino, 2019. Articoli (reperibili tramite il sito del Sistema Bibliotecario del Politecnico, https://www.biblio.polito.it/): • David Morens, Anthony Fauci, 2020, “Emerging Pandemic Diseases: How We Got to COVID-19”, in Cell, 182: 1077-1092. • Emily Elhacham, Liad Ben-Uri, Jonathan Grozovski, Yinon M. Bar-On & Ron Milo, 2020, “Global human-made mass exceeds all living biomass”, in Nature, 588: 442-444. Bibliografia per la parte relativa alla sfida Digitale: • Verrà indicata dal docente della sfida Digitale per tutti i corsi afferenti a tale sfida. Bibliografia per la parte relativa al corso Algoritmi e Democrazia: • La bibliografia per la parte teorica verrà indicata dai docenti a inizio corso. • Eventuale bibliografia per lo svolgimento dei progetti verrà suggerita direttamente agli studenti e alle studentesse coinvolti.
• La bibliografia per la parte comune a tutti i corsi è definita a livello di Ateneo. • La bibliografia per la parte teorica verrà indicata dai docenti a inizio corso. • Eventuale bibliografia per lo svolgimento dei progetti verrà suggerita direttamente agli studenti e alle studentesse coinvolti.
Modalità di esame: Prova scritta (in aula); Elaborato scritto individuale; Elaborato progettuale in gruppo;
Exam: Written test; Individual essay; Group project;
Il voto complessivo è la media ponderata di tre componenti, secondo lo schema seguente: • 20% voto per la parte generale, comune ai corsi Grandi Sfide, secondo le regole di Ateneo • 40% voto per la parte relativa alle lezioni frontali • 40% voto per la parte progettuale Per superare l’esame, gli/le studenti/esse devono conseguire un voto pari o superiore a 18/30 in ciascuna delle tre componenti. Il voto riguardante la parte relativa alle lezioni frontali è ottenuto sulla scorta di un esame scritto di 60 minuti, nel quale rispondere a due domande aperte, scrivendo risposte comprese tra 300 e 500 parole ciascuna. Fatte salve successive comunicazioni, secondo le attuali regole dell’Ateneo gli esami si terranno in presenza. Il voto riguardante la parte progettuale è ottenuto sulla scorta della partecipazione ai lavori del gruppo, inclusa la valutazione del breve video realizzato dal gruppo, e dell’apporto individuale come testimoniato dalla relazione individuale. I/le partecipanti ai gruppi selezionati per la presentazione finale otterranno punti aggiuntivi sul voto relativo alla parte progettuale.
Gli studenti e le studentesse con disabilità o con Disturbi Specifici di Apprendimento (DSA), oltre alla segnalazione tramite procedura informatizzata, sono invitati a comunicare anche direttamente al/la docente titolare dell'insegnamento, con un preavviso non inferiore ad una settimana dall'avvio della sessione d'esame, gli strumenti compensativi concordati con l'Unità Special Needs, al fine di permettere al/la docente la declinazione più idonea in riferimento alla specifica tipologia di esame.
Exam: Written test; Individual essay; Group project;
In addition to the message sent by the online system, students with disabilities or Specific Learning Disorders (SLD) are invited to directly inform the professor in charge of the course about the special arrangements for the exam that have been agreed with the Special Needs Unit. The professor has to be informed at least one week before the beginning of the examination session in order to provide students with the most suitable arrangements for each specific type of exam.
Modalità di esame: Elaborato scritto individuale; Prova scritta tramite PC con l'utilizzo della piattaforma di ateneo; Elaborato progettuale in gruppo;
Il voto complessivo è la media ponderata di tre componenti, secondo lo schema seguente: • 20% voto per la parte generale, comune ai corsi Grandi Sfide, secondo le regole di Ateneo • 40% voto per la parte relativa alle lezioni frontali • 40% voto per la parte progettuale Per superare l’esame, gli/le studenti/esse devono conseguire un voto pari o superiore a 18/30 in ciascuna delle tre componenti. Il voto riguardante la parte relativa alle lezioni frontali è ottenuto sulla scorta di un esame scritto di 60 minuti, nel quale rispondere a due domande aperte, scrivendo risposte comprese tra 300 e 500 parole ciascuna. Fatte salve successive comunicazioni, secondo le attuali regole dell’Ateneo gli esami si terranno in presenza. Il voto riguardante la parte progettuale è ottenuto sulla scorta della partecipazione ai lavori del gruppo, inclusa la valutazione del breve video realizzato dal gruppo, e dell’apporto individuale come testimoniato dalla relazione individuale. I/le partecipanti ai gruppi selezionati per la presentazione finale otterranno punti aggiuntivi sul voto relativo alla parte progettuale.
Exam: Individual essay; Computer-based written test using the PoliTo platform; Group project;
Modalità di esame: Prova scritta (in aula); Elaborato scritto individuale; Prova scritta tramite PC con l'utilizzo della piattaforma di ateneo; Elaborato progettuale in gruppo;
Il voto complessivo è la media ponderata di tre componenti, secondo lo schema seguente: • 20% voto per la parte generale, comune ai corsi Grandi Sfide, secondo le regole di Ateneo • 40% voto per la parte relativa alle lezioni frontali • 40% voto per la parte progettuale Per superare l’esame, gli/le studenti/esse devono conseguire un voto pari o superiore a 18/30 in ciascuna delle tre componenti. Il voto riguardante la parte relativa alle lezioni frontali è ottenuto sulla scorta di un esame scritto di 60 minuti, nel quale rispondere a due domande aperte, scrivendo risposte comprese tra 300 e 500 parole ciascuna. Fatte salve successive comunicazioni, secondo le attuali regole dell’Ateneo gli esami si terranno in presenza. Il voto riguardante la parte progettuale è ottenuto sulla scorta della partecipazione ai lavori del gruppo, inclusa la valutazione del breve video realizzato dal gruppo, e dell’apporto individuale come testimoniato dalla relazione individuale. I/le partecipanti ai gruppi selezionati per la presentazione finale otterranno punti aggiuntivi sul voto relativo alla parte progettuale.
Exam: Written test; Individual essay; Computer-based written test using the PoliTo platform; Group project;
Esporta Word
© Politecnico di Torino
Corso Duca degli Abruzzi, 24 - 10129 Torino, ITALY
Contatti