93469 - HUMAN DATA SCIENCE

Conoscenze e abilità da conseguire

Il Corso propone prospettive umano-centriche come approccio innovativo per analizzare, valutare e comprendere modelli decisionali basati sul machine learning (ML). Al termine del corso, obiettivo didattico da perseguire è mettere il discente nella condizione di comprendere che interpretazioni puramente computazionali di modelli di ML potrebbero rivelarsi insufficienti e/o non accettate dalle persone. Viceversa, una riflessione sul ruolo e la qualità delle informazioni e una valorizzazione della relazione persone-dati-algoritmi possono portare alla realizzazione di modelli di ML più efficaci, più comprensibili e più accettabili sul piano umano. Sarà evidenziato, in particolare, come la prospettiva di una disciplina del Data Science, attenta alle esigenze delle persone, possa essere perseguita evitando di porre scarsa attenzione sulla qualità dei dati, sul significato profondo del loro uso, e sul coinvolgimento della componente di competenze umane.

Contenuti

La Human Data Science integra metodologie di data science con i progressi nella comprensione del comportamento umano e nel perfezionamento degli algoritmi, finalizzandoli al progresso dell'ecosistema conoscitivo e all'ottimizzazione dei processi decisionali, rendendoli più rigorosi e informati. In definitiva, la Human Data Science non indaga solo il modo in cui i modelli apprendono dai dati, ma anche se i dati disponibili siano epistemicamente adeguati a supportare una conoscenza umana significativa e decisioni affidabili. Verranno presentati casi studio atti a illustrare quanto segue:

 

• Inferential Modeling: Foundations of logical inference (Modus Ponens/Tollens) vs. probabilistic reasoning (Bayesian updating) to model human reasoning and decision-making under uncertainty.
  
  
• Data reliability: Regression, Hypothesis testing, CI, sampling bias.
  
  
• Variance-based Analytics: Variance partitioning, reliability assessment, and data integrity as critical tools to separate signal from noise in complex human domains.
  
  
• Datification/Interaction: Understanding how we transform human behavior into data and the risks of misinterpretation.
  
  
• Predictive/Prescient Intelligence: The promises and limits of forecasting human-centric events.
  
  
• Data Thinking & Delusion: Navigating the data deluge, from information profusion to the critical necessity of filtering.
  
  
• Models for Humans and Machines: Machine learning and Deep learning architectures as cognitive augmentations rather than replacements.
  
  
• Human-Machine Collaboration Workflow: Designing feedback loops that maintain human agency and oversight.
  
  
• Human factors and ELSI: Ethical, Legal, and Social Implications of algorithm-driven decisions.

Testi/Bibliografia

Il docente renderà disponibile ad ogni lezione paper e report scientifici relativi all'argomento trattato

Metodi didattici

Lezioni frontali e discussioni di progetti in classe

Modalità di verifica e valutazione dell'apprendimento

L'esame di fine corso mira a valutare il raggiungimento degli obbiettivi didattici prefissati e in particolare a misurare se studenti/studentesse possiedano gli strumenti concettuali e tecnici per progettare e discutere dell'efficacia di sistemi, alla luce del contesto definito da human data science.

In particolare l'esame consiste in un progetto il cui svolgimento e' il seguente. Durante il corso, il docente, direttamente o tramite ospiti esterni invitati a tenere seminari, esemplifica alcuni casi di studio, la soluzione dei problemi dei quali può essere perseguita alla luce degli argomenti trattati durante il corso. Gli/le studenti/studentesse scelgono uno dei casi presentati, lo analizzano, individuano una soluzione e dopo averne discusso con il docente e la classe ne propongono uno sviluppo concreto. Quando gli/le studenti/studentesse ritengono che la soluzione individuata sia pronta per essere valutata da parte del docente ha luogo un colloquio con il docente. Il colloquio ha come fine la valutazione della soluzione proposta. Casi di studio particolari possono essere proposti da studenti/studentesse, previo accordo con il docente.

Il punteggio assegnato dipende in misura uguale da tre fattori principali: originalità della proposta, correttezza dell'esecuzione, adesione ai principi di base sviluppati durante il corso.

Per quanto riguarda studenti/sse con DSA o disabilità temporanee o permanenti: si raccomanda di contattare per tempo l’ufficio di Ateneo responsabile ( https://site.unibo.it/studenti-con-disabilita-e-dsa/it): sarà sua cura proporre agli/lle studenti/sse interessati/e eventuali adattamenti, che dovranno comunque essere sottoposti, con un anticipo di 15 giorni, all’approvazione del/della docente, che ne valuterà l'opportunità anche in relazione agli obiettivi formativi dell'insegnamento.

Strumenti a supporto della didattica

Laboratori dipartimentali

Orario di ricevimento

Consulta il sito web di Marco Roccetti