B5339 - WEB SEARCH E INTELLIGENZA ARTIFICIALE: PROSPETTIVE FILOSOFICHE (1)

Conoscenze e abilità da conseguire

In questo corso si analizzeranno con gli strumenti dell'epistemologia e della filosofia del linguaggio alcuni bias (in particolare bias culturali, sociali e di genere) che coinvolgono sia le nostre ricerche sul web che le nostre interazioni con i modelli di linguaggio basati su intelligenza artificiale, come chatGPT. Gli obiettivi formativi di questo corso sono: (i) fornire una conoscenza di base del funzionamento degli algoritmi di ricerca e del web semantico; (ii) analizzare le tipologie di bias sociali più comuni, con particolare attenzione ai bias di genere; (iii) fornire un modello del meccanismo epistemico alla base di questi bias utilizzando gli strumenti concettuali dell'epistemologia analitica e sociale; (iv) sensibilizzare gli studenti e le studentesse alle problematiche connesse alle ricerche web e alle interazioni con l'intelligenza artificiale dotando loro di strumenti di analisi per individuare i bias e limitarne le conseguenze negative.

Contenuti

 

Questo corso affronta le considerazioni etiche legate agli algoritmi e alle tecnologie di machine learning basate sui dati, mettendone in luce le implicazioni sociali.

Per mezzo di conoscenze e metodi propri dell'epistemologia analitica e la filosofia del linguaggio, gli studenti esploreranno temi e problemi chiave come la nozione di bias anche in applicazione agli algoritmi alla base dell'IA, l'equità e l'ingiustizia epistemica, con particolare attenzione al modo in cui i sistemi di apprendimento automatico possono involontariamente riprodurre o amplificare pregiudizi sociali dannosi legati a origine etnica, genere e altre categorie.

Il corso introduce concetti fondamentali quali equità, bias, ingiustizia epistemica e metodi per identificare e mitigare il bias. Ulteriori argomenti trattati possono includere l'analisi delle fonti del bias, la valutazione delle metriche di equità e la comprensione dei limiti degli attuali modelli di fairness algoritmica, inclusi casi di cosiddetta 'equità iniqua'. L'obiettivo è fornire agli studenti competenze filosofiche fondamentali e prospettive critiche necessarie per valutare e utilizzare in modo responsabile le tecnologie digitali.

Testi/Bibliografia

Testi di base (selezioni)

• O'Neil, Cathy (2017) Armi di distruzione matematica, Milano: Bompiani (Trad. it. di Cathy O'Neil (2016) Weapons of Math Destruction, New York: Crown).
  
• Umoja Noble, Safiya (2025) Algoritmi dell'Oppressione, Napoli: Tamu Edizioni (Trad. it. di Safiya Umoja Noble (2018) Algorithms of Oppression, New York:New York University Press)
• Floridi, L. (2022) Etica dell'Intelligenza Artificiale, Milano, Raffaello Cortina Editore.

Letture aggiuntive (verranno letti alcuni estratti)

• Allen, J. P., & Smit, H. (2020). Crowdsourcing moral machines. Science, 367(6485), 1418–1419. https://doi.org/10.1126/science.367.6485.1418
•  Belot, G. (2016). A Defence of the Ideal vs. Non-Ideal Distinction. Mind, 125(500), 1105–1142. https://doi.org/10.1093/mind/fzv185
•  Bradley, S. (2024). Explanation and understanding. Philosophical Studies, 181(4). https://doi.org/10.1007/s11098-024-02273-w
• Brown, M. J. (2022). Responsible innovation and algorithmic bias. Res Publica, 28(4), 569–589. https://doi.org/10.1007/s11158-022-09546-3
• Caliskan, A., Bryson, J. J., & Narayanan, A. (2017). Semantics derived automatically from language corpora contain human-like biases. Science, 356(6334), 183–186. https://doi.org/10.1126/science.aal4230
• Eva, B. (2022). Algorithmic fairness and base rate tracking. Philosophy & Public Affairs, 50(2), 239–268. https://doi.org/10.1111/papa.12211
• Fazelpour, S., & Danks, D. (2020). Algorithmic bias: Senses, sources, solutions. Philosophy Compass, 16(8), e12760. https://doi.org/10.1111/phc3.12760
• Fleisher, W. (2020). Rational endorsement. Ergo, 6(15). https://doi.org/10.3998/ergo.12405314.0006.015
• Frith, C. D. (2017). Mind-reading machines. Science, 356(6334), 133–134. https://doi.org/10.1126/science.aan0649
• Hempel, C., & Knüsel, C. (2021). The Bias Blind Spot: A Review. SSRN. http://dx.doi.org/10.2139/ssrn.3974963
• Himmelspach, S. (2023). Explainability as a requirement for trustworthy AI. Philosophy & Technology, 36(4). https://doi.org/10.1007/s13347-023-00679-8
• Holm, S. (2022). The Fairness in Algorithmic Fairness. Preprint.
• Hummel, P. (2025). Algorithmic fairness as an inconsistent concept. American Philosophical Quarterly, 62(1).
• Jansson, L. (2020). Epistemic risk and epistemic injustice. Synthese, 198, 11645–11667. https://doi.org/10.1007/s11229-020-02696-y
• Kappel, K. (2023). Misleading higher-order evidence. International Journal of Philosophical Studies, 31(1), 25–45. https://doi.org/10.1163/17455243-20234372
• Noble, S. U. (2016). Algorithms of oppression. Big Data & Society, 3(2). https://doi.org/10.1177/2053951716649398
• Pedersen, N. J. L. L. (2024). Epistemic injustice and AI. Episteme. https://doi.org/10.1017/epi.2024.11
• Schulz, K. (2023). Epistemic trespassing and expertise. Philosophical Studies, 180(9), 2603–2621. https://doi.org/10.1007/s11098-023-02095-2
• Steel, D. (2018). Mechanisms and the evidence hierarchy. Philosophy & Public Affairs, 46(2), 105–135. https://doi.org/10.1111/papa.12189
• Steele, K. (2022). Should we be Bayesians about bias? Canadian Journal of Philosophy, 52(1), 64–81. https://doi.org/10.1017/can.2022.3
• Watson, D. (2024). Algorithms and moral responsibility. Law and Philosophy, 43, 365–390. https://doi.org/10.1007/s10982-024-09505-4

Metodi didattici

Lezioni frontali con l’ausilio di handout e/o slides e materiale didattico supplementare (video, podcast, ecc.); attività di lavoro e discussione di gruppo in aula volte a favorire l’apprendimento orizzontale relativo ad approfondimenti tematici.

Modalità di verifica e valutazione dell'apprendimento

Modalità di Verifica

Per I frequentanti (60% di frequenza in presenza), la valutazione complessiva dell'esame consiste in:

1. Saggio breve (tra le 2500 e le 3500 parole) che tratta di una delle tematiche che si sono discusse durante il corso (60% del voto complessivo);
2. Breve orale (di 20 minuti circa) volto a discutere il saggio e appurare che sia stato scritto in maniera autonoma. Se ritenuto opportuno, all'orale verranno fatte domande sui temi del corso che non sono stati trattati nel saggio (40% del voto complessivo).

Per i non-frequentanti, la valutazione complessiva dell'esame consiste in:

1. Un saggio di media lunghezza (tra le 4000 e le 5000 parole) che tratta di una delle tematiche che si sono discusse durante il corso (50% del voto complessivo);
2. Un esame orale (di 40 minuti circa) volto a discutere il saggio e appurare nel dettaglio la preparazione dello studente // della studentessa (50% del voto complessivo).

Al fine di contare come frequentante, lo studente // la studentessa deve partecipare attivamente ad almeno il 60% delle lezioni in presenza (ovvero 9 su 15).

 

Criteri di Valutazione

 

Per quanto riguarda il saggio da scrivere, i criteri applicati nella valutazione saranno: (i) il grado di comprensione e conoscenza del tema trattato; (ii) se il saggio è stato strutturato correttamente (come illustrato nelle linee guida fornite durante il corso); (iii) la chiarezza espositiva ed il rigore argomentativo. Ulteriori aspetti che, se presenti, possono incrementare la valutazione complessiva sono: (iv) aspetti di originalità; (v) capacità critica e argomentativa indipendente; (vi) capacità di connettere in modo proficuo du o più temi tra quelli trattati durante il corso; (vii) capacità di reperire materiale bibliografico in maniera autonoma.

Per quanto riguarda la parte orale dell'esame, i criteri che si adotteranno per la valutazione saranno: (i) il grado in cui lo studente // la studentessa ha compreso le tematiche del saggio anche in relazione al contesto più ampio del corso; (ii) il grado in cui lo studente // la studentessa conosce e comprende alcuni dei tempi chiave affrontati durante il corso fra quelli non trattati nel saggio (per i non-frequentati questo criterio avrà un peso maggiore).

 

Tabella di Valutazione

 

30 e lode — Esame eccellete che dimostra una conoscenza avanzata e una comprensione profonda e critica delle tematiche affrontate durante il corso.

30 — Ottimo esame che dimostra una conoscenza ben articolata accompagnata da una comprensione solida delle tematiche del corso.

29-27 — Esame molto buono che dimostra una conoscenza e una comprensione buone delle tematiche del corso, con qualche piccola lacuna.

26-24 — Esame discreto che dimostra una conoscenza e comprensione adeguate dei contenuti del corso, con però lacune non trascurabili.

23-20 — Esame pienamente sufficiente che dimostra una conoscenza e comprensione delle tematiche del corso non pienamente adeguate. Sono presenti lacune importanti e alcune questioni chiave non sono state ben comprese.

19-18 — Esame appena sufficiente che dimostra una conoscenza del tutto superficiale nonché una comprensione delle tematiche chiave del corso piuttosto scarsa.

17 o meno — Esame insufficiente che dimostra lacune estremamente significative sia in relazione alla conoscenza delle tematiche chiave del corso sia alla loro comprensione. Esame fallito.

 

Studenti con disabilità e Disturbi Specifici dell'Apprendimento (DSA)
Gli studenti con disabilità o con Disturbi Specifici dell’Apprendimento hanno diritto a misure compensative specifiche in base alla loro condizione, previa valutazione da parte del Servizio per Studenti con Disabilità e DSA dell’Università. Si prega di non contattare direttamente i docenti o il personale del Dipartimento, ma di prendere un appuntamento con il Servizio. Sarà poi il Servizio a stabilire quali adattamenti siano opportuni e a mettersi in contatto con il docente.
Per maggiori informazioni, visita la pagina del Servizio DSA dell’Università di Bologna [https://site.unibo.it/studenti-con-disabilita-e-dsa/en/for-students].

Strumenti a supporto della didattica

Handouts, Slides, Virtuale, Wooclap, Video e podcast di esperti sulle tematiche del corso.

Orario di ricevimento

Consulta il sito web di Filippo Ferrari