RATIONALISTS

Stato dell'Arte

Il processo decisionale (Decision Making), spesso visto come una forma di ragionamento verso l'azione, ha suscitato per molto tempo l'interesse di molti studiosi tra cui economisti, psicologi e informatici. Qualsiasi problema decisionale equivale a selezionare l'azione o le azioni "migliori" o sufficientemente "buone" che sono fattibili tra diverse alternative, date alcune informazioni disponibili sullo stato attuale del mondo e le conseguenze di azioni potenziali. Le informazioni disponibili possono essere incomplete o pervase di incertezza. Si presume che l’agente di riferimento si comporti in modo razionale, almeno nel senso che le sue decisioni dovrebbero essere il più possibile coerenti con le sue preferenze.

Un Sistema di Supporto alle Decisioni (Decision Support System, o DSS) è un sistema software utilizzato da aziende ed organizzazioni al fine di supportare un utente umano nell’atto del processo decisionale. Molti settori differenti, dalla medicina all'agricoltura, utilizzano sistemi di supporto decisionale. Per esempio, per aiutare a diagnosticare un paziente, un medico può utilizzare un sistema di supporto decisionale computerizzato per la diagnostica e le prescrizioni.

Introduciamo lo stato dell’arte rispetto ai due approcci che abbiamo introdotto nel sommario. Iniziamo quindi dall’Argomentazione Astratta. Il campo dell'Argomentazione Formale (Formal Argumentation) è un paradigma basato sulla Logica Formale e può essere ricondotto ai lavori di Pollock e Vreeswijk. Nell’ambito dell’Intelligenza Artificiale (IA), l’argomentazione computazionale è studiata in seno alla Rappresentazione della Conoscenza e Ragionamento (Knowledge Representation and Reasoning). Alcuni suoi campi di applicazione sono rappresentati da Decision Making, Multi-agent Systems, Natural Language Processing e altre discipline come Healthcare e Legal Reasoning.

L'idea alla base è che il ragionamento (non-monotono) possa essere eseguito costruendo e valutando argomenti, che sono composti da una serie di ragioni per la validità di un'affermazione. Gli argomenti sono revocabili, cioè la validità delle loro conclusioni può essere contestata da altri argomenti. Se un'affermazione può essere accolta dipende quindi non solo dall'esistenza di un argomento che sostiene tale affermazione, ma anche dall'esistenza di eventuali contro-argomentazioni, che possono essere a loro volta attaccate da contro-argomentazioni, e così via. Al giorno d'oggi, molte ricerche in questo campo si basano sulla teoria dell'Argomentazione Astratta (Abstract Argumentation). Il concetto centrale in questo lavoro è quello di un Argumentation Framework (AF): esso è essenzialmente un grafo orientato in cui gli argomenti sono rappresentati da nodi e la relazione di attacco è rappresentata da archi tra nodi. Dato un tale grafo, risulta naturale domandarsi quali insiemi di argomenti possano essere accettati: rispondere a questa domanda corrisponde a definire una semantica argomentativa. Esistono in letteratura differenti estensioni di AF: per esempio, esistono casi in cui i nodi e/o gli archi sono pesati con un valore di probabilità (per esempio l’elemento in questione può esistere o meno), di fiducia (trust), o un valore di forza dell’argomento o attacco (e.g., estratto dal numero di like da parte di una comunità di utenti online).

L'Argomentazione e l'Intelligenza Artificiale Spiegabile (Explainable Artificial Intelligence, XAI) sono strettamente correlate, poiché negli ultimi anni l'Argomentazione è stata utilizzata per fornire “spiegabilità” all'IA. L'Argomentazione può infatti mostrare passo dopo passo come un sistema di IA raggiunge una decisione; può fornire ragionamenti sull'incertezza e può trovare soluzioni quando si affrontano informazioni in conflitto. Il fornire spiegazioni ad un sistema di IA ha due principali motivazioni: la prima è quella di ottenere fiducia in un sistema o convincere l’utente della decisione elaborata, mentre l'altra è da ricercare nella comprensione, da parte degli analisti, di come un modello basato sui dati raggiunge una decisione. I vantaggi dell’uso dell’Argomentazione come strumento di XAI sono che, dato un insieme di possibili decisioni, esse possono essere mappate su una rappresentazione grafica che mostra i passaggi che sono stati seguiti per raggiungerle.

Introduciamo adesso lo stato dell’arte rispetto alla Social Network Analysis (SNA). Essa si riferisce a metodi ampiamente utilizzati per studiare le reti sociali, applicabili nelle scienze sociali e comportamentali, ma anche in economia, nel marketing, nell’ingegneria industriale e in molti altri settori. La SNA si concentra sulle relazioni tra le entità sociali, come ad esempio la comunicazione tra membri di un gruppo, le transazioni economiche tra società o i trattati tra diverse nazioni. Analizzando le strutture sociali costituite da attori (individui o organizzazioni) chiamati nodi - legati da interdipendenze specifiche come scambi finanziari, interessi in comune, relazioni di amicizia, frequenza di comunicazione tra dipartimenti, e così via - la SNA può contribuire ad incrementare il vantaggio competitivo delle singole organizzazioni. Infatti, studiare la struttura a rete delle organizzazioni, comprendere quali sono le figure emergenti, identificare i diversi ruoli degli attori che le compongono e come questi interagiscono, aiuta a rivelare informazioni strategiche difficilmente osservabili. Comprendere i modelli comunicativi che i propri dipendenti utilizzano con i consumatori, aiuta lo sviluppo di soluzioni migliorative che incrementano la soddisfazione stessa dei clienti. Date le potenzialità dello strumento, l'analisi approfondita delle reti intra-organizzative emerge come una questione cruciale per i responsabili delle risorse umane e dell'innovazione aziendale, ma allo stesso tempo, la possibilità di mappare le relazioni dell’azienda con il suo contesto esterno (e.g., consumatori) riveste un ruolo fondamentale anche per le ricerche relative al marketing, all’economia e alla sfera finanziaria.

In letteratura, molti autori utilizzano l'analisi delle reti sociali per indagare le reti informali che si creano tra i dipendenti. Le relazioni intra-personali, ad esempio, hanno un impatto significativo sulle opportunità del singolo attore di apprendere nuove competenze, ottenere informazioni rilevanti e sviluppare la capacità di problem solving. Inoltre, la SNA permette di attribuire delle metriche di “importanza sociale” in relazione alla posizione del singolo attore nella rete. Alcuni attori possono occupare un ruolo critico perché si trovano in posizioni centrali, connettendosi a numerosi altri nodi interni ed esterni alla rete. Un filone significativo di letteratura ha affrontato il tema della misurazione della centralità degli attori della rete sociale, correlandola al concetto di “influenza”, o a quello della personalità.

Tuttavia, c'è ancora poca ricerca che va oltre la mera descrizione e attuazione degli interventi migliorativi basati sull'analisi delle reti sociali nelle organizzazioni. In aggiunta, una delle maggiori limitazioni nell’ambito della SNA è intrinseca alla metodologia di estrazione dei dati. Questi vengono spesso raccolti tramite interviste, questionari e report, il che comporta una raccolta dati non in tempo reale e discontinua, che potrebbe indurre ad una ridotta ricchezza dei dati e quindi impatta sulla qualità e sull’adattabilità delle soluzioni proposte.

Da qui, il crescente interesse della comunità scientifica nell’affiancare alla SNA, strumenti come il Text Mining, al fine di efficientare la raccolta dei dati e il successivo processamento. L’incontro di queste due metodologie ha creato opportunità di ricerca nella direzione dell’analisi di grandi moli di dati testuali, rappresentabili come reti semantiche ed analizzabili attraverso metriche provenienti dalla SNA. Ricerche passate, utilizzano strumenti simili per catturare segnali onesti provenienti dai contenuti testuali prodotti dai diversi stakeholders dell’azienda. Ad esempio, utilizzano il Text Mining per aiutare i brand manager a identificare diversi target di consumatori partendo dall’analisi dei loro profili sociali, contribuendo allo sviluppo di sistemi a supporto di decisioni strategie nel marketing. La combinazione dei due approcci, si è dimostrata utile anche nei settori della gestione dell’innovazione nell’ organizzazione, così come delle risorse umane, ma anche per fare previsioni turistiche, o per gestire la comunicazione organizzativa.

Obiettivi

L’obiettivo generale del progetto è sviluppare una ricerca di base ed applicata a casi pratici riguardante differenti approcci di supporto alle decisioni. Il primo approccio è volto allo sviluppo e al miglioramento di tecniche di spiegabilità di algoritmi di Machine Learning utilizzando il paradigma dell’Argomentazione Astratta i cui elementi sono associati ad un valore di preferenza o incertezza. Il secondo approccio si concentra sulla ricerca e lo sviluppo di metodi e strumenti avanzati nel campo della Social Network Analysis e del Text Mining, al fine di creare modelli e sistemi di supporto alle decisioni manageriali, sia nel settore pubblico che privato. Gli obiettivi saranno quindi perseguiti attraverso attività raggruppate in due principali Working Package (WP), che verranno dettagliati nelle sezioni successive. Un obiettivo importante sarà quello di mantenere la comunicazione e la collaborazione tra i due WP al fine di rendere possibile lo scambio di risultati e la collaborazione scientifica, essendo essi fortemente connessi (come introdotto nel sommario): questo sarà garantito da un WP di gestione e coordinamento.

Il primo WP si concentra sulla creazione di modelli per il supporto alle decisioni basati su Abstract Argumentation: i framework utilizzati (estensioni di grafi diretti) avranno nodi e attacchi (o supporti, in caso di utilizzo di framework bipolari) pesati con un valori di preferenza assoluta o relativa dell’elemento, oppure con valori rappresentati una misura dell’incertezza collegata a quel tale elemento: in questo caso, il valore rappresenterà per esempio una probabilità di esistenza o una misura di belief. Questi modelli saranno utilizzati per fornire un supporto alla decisione spiegabile all’utente finale (Explainable Artificial Intelligence, XAI), con l’obiettivo di coadiuvarlo al meglio, rendendo possibile la comprensione del risultato fornito ed incrementare quindi la sia fiducia in esso. Questo approccio sarà rivolto anche verso modelli black-box di Machine Learning, in cui è possibile ottenere solamente un valore di predizione (regressione o classificazione) senza una spiegazione di come si stato ottenuto (e.g., una relazione tra le feature più importanti).

Utilizzando la Social Network Analysis e il Text Mining, i sistemi saranno in grado di estrarre informazioni rilevanti da grandi volumi di dati non strutturati, come post sui social media, news online o feedback dei clienti. Nel secondo WP, l'obiettivo principale di questi sistemi in abito economico/aziendale è quello di fornire alle organizzazioni un vantaggio competitivo, consentendo loro di ottimizzare le relazioni con i propri stakeholder, sia interni (come i dipendenti) che esterni (come clienti, fornitori, concorrenti, ecc.). L'obiettivo complessivo del secondo WP è la creazione di modelli avanzati di supporto alle decisioni per istituzioni e/o società private, che arricchiranno il campo della ricerca integrando SNA e Text Mining e offriranno applicazioni utili alle aziende per adottare strategie basate sull'analisi dei dati e prendere decisioni più informate e tempestive, al fine di migliorare le performance organizzative.

Consideriamo obiettivi specifici del progetto anche le attività di comunicazione e disseminazione (attività di un quarto ed ultimo WP), che oltre che a dare risalto ai risultati scientifici, assumono in questo progetto rilevanza particolare visto l’obiettivo generale di creare una rete di collaborazioni utile in una successiva fase di progettazione europea. In tale ottica, un obiettivo specifico del progetto è quello di interagire con i possibili stakeholder scientifici e aziendali interessati alle attività del progetto, e possibilmente invitarli alle riunioni che verranno organizzate durante il progetto.

Metodologia

Introduciamo di seguito la metodologia che verrà utilizzata nel progetto descrivendola in base ai due principali WP di ricerca. Concluderemo poi con un cenno alla metodologia di integrazione tra questi due principali filoni. Ciascuna attività sarà preceduta da un’estesa fase di studio e ricerca in letteratura, di cui i partecipanti al progetto sono comunque da lungo tempo esperti nelle rispettive aree di conoscenza.

Metodologia WP1

I modelli per le decisioni in condizioni di incertezza sono dei modelli normativi che codificano la “razionalità” di un decisore (reale o artificiale) in un insieme di assiomi che regolano le sue preferenze. La maggior parte di questi modelli fornisce una rappresentazione numerica delle preferenze, queste ultime espresse in modo qualitativo tramite una relazione binaria sugli “oggetti” delle decisioni. A sua volta, la rappresentazione numerica (usata per raggiungere decisioni “ottimali”) si compone essenzialmente di una funzione di utilità (che misura i “gusti” del decisore) e di una misura di incertezza (che misura le “credenze” del decisore). Il modello decisionale più noto è sicuramente quello dell’utilità attesa in cui la misura di incertezza è una misura di probabilità.

L’approccio coerente alle misure di incertezza condizionate permette di rileggere alcune logiche non-monotone, come la Default Logic, sviluppando opportune nozioni di entailment che dipendono dal tipo di misura scelto e dalla regola di condizionamento scelta. Inoltre, questo approccio consente di modellizzare relazioni di indipendenza o correlazione (positiva o negativa) che evitano situazioni patologiche in caso di relazioni logiche o eventi “estremi”. I modelli per le decisioni in condizioni di incertezza si sposano naturalmente con il framework dell’argumentation: ciò è dimostrato dalla crescente popolarità del Probabilistic Argumentation e del Preference Modeling in ambito Argumentation.

Sia in ambito probabilistico che non-probabilistico, la nozione di condizionamento riveste un ruolo chiave perché è la base del ragionamento ipotetico e dell’aggiornamento delle credenze. In particolare, a partire da de Finetti, l’importanza del condizionamento è divenuta sempre più evidente, tanto da richiedere uno shift alle misure di incertezza condizionate come strumenti “primitivi” per modellare l’incertezza. Allo stesso tempo, sempre a partire da de Finetti, l’approccio “coerente” alla quantificazione dell’incertezza sposa in pieno la modellazione di situazioni che richiedono ragionamento in condizioni di conoscenza parziale e fornisce anche una interpretazione epistemica ai gradi di fiducia. Nel tempo, il classico paradigma dell’utilità attesa è stato messo in discussione da noti paradossi sulle preferenze (e.g., paradosso di Allais) che sottolineano come la probabilità spesso non sia la misura di incertezza più naturale, quando un decisore debba gestire situazioni di conoscenza parziale. Proprio per questo, i modelli per le decisioni si sono evoluti sostituendo una singola misura di probabilità con classi di misure di probabilità o con misure di incertezza non-additive.

Il primo WP di ricerca (WP1) si occuperà di spiegabilità attraverso modelli argomentativi basati su AF, i cui nodi e archi possono essere pesati con diverse metriche, come ad esempio un valore di preferenza per un certo argomento/attacco, oppure una probabilità di esistenza (sempre di un dato argomento/attacco) o di belief rispetto a quel dato elemento, come introdotto nei precedenti paragrafi di questa sezione. Questi grafi possono offrire una semplice interpretazione della informazione a favore o contraria rispetto ad un certo risultato. Verranno inoltre investigate delle misure probabilistiche/statistiche con cui etichettare nodi e archi in modo da ottenere un indicatore di causalità tra le varie feature che sono utilizzate in un dato modello: come infatti detto, l'Argomentazione probabilistica offre mezzi per quantificare il livello di incertezza, in questo caso importante vista la caratteristica di non-monotonicità nel ragionamento. Nel WP1 partiremo quindi dalla nuova definizione di alcune estensioni di Abstract Argumentation basate su misure di incertezza (non necessariamente additive) condizionate coerenti e sulle relative relazioni di preferenza condizionate. In particolare, incorporeremo il trattamento dell’incertezza e le preferenze in un framework argomentativo al fine di esprimere la “forza” di una argomentazione o un ordine di priorità tra argomentazioni competitive. Particolare attenzione sarà riservata agli aspetti algoritmici e computazionali poiché, come noto già in ambito probabilistico, i problemi di consistenza ed entailment sono tipicamente NP-completi e NP-hard. Arricchire i framework argomentativi come precedentemente espresso, ci consentirà quindi (secondo contributo) di ottenere un potente strumento in grado di fornire una migliore spiegabilità a modelli classici di Machine Learning black-box, come le Reti Neurali: esse possono essere infatti tradotte e rappresentate da una Argumentation Framework bipolare. Durante la fase di allenamento, i collegamenti tra i neuroni vengono pesati con un valore che indica l’influenza (positiva/negativa) di un neurone sul neurone collegato facente parte di uno strato della rete successivo. In una Rete Neurale Bayesiana, i pesi e i bias sono trattati come variabili casuali, e il modello viene addestrato per trovare la distribuzione di probabilità di queste variabili che meglio spiega i dati. Ciò consente al modello di fare previsioni con incertezza.

Infine, una terza parte della ricerca effettuata nel WP1 sarà finalizzata ad esplorare l'applicazione di modelli di reti neurali “spiegabili” a problemi di supervisione e diagnostica dei guasti di sistemi e processi industriali. La diagnostica dei guasti è un compito critico in diversi settori applicativi, tra cui quello manifatturiero, della produzione di energia, dei trasporti e medico. Le reti neurali standard hanno mostrato potenzialità straordinarie nella diagnostica applicata a questi settori ma la loro natura essenzialmente black-box rende particolarmente complessa l'interpretazione dei risultati delle inferenze su cui si basa la decisione del sistema di diagnosi congiuntamente alla difficoltà di quantificare l’affidabilità della decisione stessa.

In questa fase, come baseline verranno utilizzate diverse architetture di reti neurali spiegabili adatte alla diagnosi dei guasti: lo studio si concentrerà su architetture come ad esempio LIME (Local Interpretable Model-Agnostic Explanations) e SHAP (SHapley Additive exPlanations). Per valutare le prestazioni delle reti neurali spiegabili in scenari pratici, verranno effettuati test a partire da dati (reali o simulati) di casi di studio di interesse industriale. Infine, la parte finale dello studio sarà focalizzata alla valutazione quantitativa dei risultati sperimentali ed al confronto delle prestazioni dei modelli di reti neurali spiegabili con le reti neurali tradizionali, utilizzando ad esempio accuratezza e precisione.

Metodologia WP2

L’attività di ricerca del secondo WP principale (WP 2), prevede lo studio di metodi e strumenti avanzati nell’ambito della Social Network Analysis e del Text Mining per lo sviluppo di modelli e sistemi di supporto alle decisioni in ambito privato e/o istituzionale. Questi sistemi saranno mirati al potenziamento delle performance organizzative, potendo riguardare, ad esempio, l’ottimizzazione dei comportamenti strategici o della comunicazione organizzativa (interna ed esterna). In generale, lo studio delle aziende pubbliche e private come sistemi complessi ha guadagnato un’attenzione significativa negli ultimi anni. L’idea è che le aziende non siano solo un insieme di singole unità o dipartimenti, ma una rete complessa di entità interconnesse che interagiscono e si influenzano a vicenda. La Social Network Analysis (SNA) è emersa come un potente strumento per comprendere le relazioni tra entità sociali, fornendo un metodo sistematico per analizzare la struttura delle reti sociali, identificare gli attori chiave e comprendere le dinamiche dei flussi di informazioni e influenza.

Altre discipline, come il Text Mining e l'elaborazione del linguaggio naturale (NLP), hanno mostrato un grande potenziale di integrazione con la SNA, potendone migliorare le capacità informative. In vero, la combinazione di questi metodi permette di analizzare big data, come post su social media, news online o feedback dei clienti, per estrarre informazioni rilevanti. Combinando la SNA con il Text Mining, è possibile supportare i decisori, estraendo conoscenza da grandi volumi di dati non strutturati. Ricerche passate hanno dimostrato come l'integrazione di SNA, Text Mining e NLP possa portare a risultati rilevanti in diversi campi, ad esempio in ambito di previsioni finanziarie, gestione dei brand e previsioni turistiche, ma anche previsioni politicheo studi di consapevolezza sociale su questioni strategiche legate alla transizione energetica. Nello specifico, la metodologia proposta per il WP 2 si propone di combinare l’analisi delle reti sociali e le tecniche di Text Mining per quantificare, nel tempo, l’importanza semantica di un concetto all’interno di grandi dati testuali (un brand, un insieme di parole, una feature economica). La ricerca si svolgerà a partire dall’applicazione dell’indicatore Semantic Brand Score (SBS) e altri algoritmi inclusi nel software SBS Brand Intelligence (SBS BI), già creato da componenti di questo gruppo di ricerca. L’approccio consente di automatizzare l’analisi dei dati testuali, riducendone la complessità e ampliandone il potere informativo. Per esempio, oltre a studiare l’importanza e la “memorabilità” di un concetto/argomento, se ne potranno analizzare l’immagine testuale, il sentiment, la complessità e altre dimensioni.

L’SBS, indicatore principale, considera tre dimensioni: prevalenza, diversità e connettività. In breve, la prevalenza misura la frequenza d’uso di una parola specifica, o di un insieme di parole, nei testi analizzati. Può essere considerato un indicatore base per il riconoscimento e il richiamo in memoria di brand, termini o concetti specifici. Tuttavia, risulta anche un indicatore scarsamente informativo se considerato senza un’opportuna analisi delle reti semantiche, quindi delle relazioni tra parole. Per questo, attraverso la SNA, quale si include il concetto di diversità semantica, che misura l'eterogeneità e l'unicità delle associazioni testuali. Questa dimensione viene calcolata attraverso una metrica innovativa, la distinctiveness centrality che attribuisce un valore più elevato ai nodi più fortemente connessi con nodi con poche/deboli connessioni nella rete semantica. Infine, si considera la connettività, che esprime il potere di intermediazione di un brand/termine, cioè la sua capacità di collegare altri termini o argomenti del discorso. Questa dimensione, così come la diversità viene calcolate attraverso una misura di social network analysis applicata alla rete semantica, ossia la weighted betweenness centrality. Infine, oltre al calcolo dell’indicatore SBS, potranno essere condotte analisi per comprendere l’immagine testuale di ciascuna parola/brand, di un insieme di parole o di un concetto all’interno di grandi dati testuali. Inoltre, potranno essere considerati, per la costruzione di indici innovativi il sentiment, la complessità dei testi e componenti emotive in essi presenti. Il WP2 mira a sfruttare il potenziale di questi metodi e strumenti per supportare i manager di aziende private e i decisori pubblici, in modi nuovi. L'obiettivo è quello di sviluppare modelli basati su metriche e indicatori nuovi, o che prevedano l’applicazione di metriche esistenti in nuovi ambiti. Come spiegato in precedenza, ci si concentrerà su metodi basati sull’analisi testuale e di rete che possano essere applicati in vari contesti e a diversi tipi di fonti di dati, come ad esempio testi di brevetti, news online, testi da siti web aziendali o rapporti di bilancio.

Metodologia di coordinamento tra WP

Un terzo WP di coordinamento e gestione si occuperà di organizzare incontri tra WP1 e WP2 al fine di discutere dei reciproci risultati e, soprattutto, integrarli in maniera coerente per il successo dell’intero progetto. Essendo i due WP strettamente correlati (vedere Sommario), la collaborazione interesserà diversi aspetti: per esempio, come valori con cui etichettare il grafo di Argomentazione saranno testate sorgenti di informazione esterne al problema, come ad esempio grafi di conoscenza, ontologie, e soprattutto reti sociali. Infatti, mentre tra le varie feature di un problema di ML si può in genere stabilire solamente una relazione di correlazione, saremo invece interessati a una relazione più interessante per i nostri problemi di spiegazione, e cioè quella di causalità tra feature (WP2 contribuisce a WP1). Inoltre, lo studio di dibattiti su piattaforme sociali online può fornire ulteriore informazione per migliorare lo studio della rete sociale tra gli utenti: ad esempio, argomenti simili possono indicare vicinanza tra utenti, ed allo stesso modo anche la relazione di attacco può rivelare un conflitto tra di loro (WP1 contribuisce a WP2).

Impatto del Progetto

Risultati attesi

Le attività del progetto e i relativi deliverables avranno impatto in ambito sia IA che economico: nello specifico, il progetto si prefigge di avanzare lo stato dell’arte nel campo del supporto alle decisioni. Otterremo infatti un miglioramento della spiegabilità in AI in condizione di incertezza, un avanzamento nell’analisi delle reti sociali anche attraverso Text Mining, ed una migliore comprensione delle strette relazioni tra questi due strumenti di supporto alle decisioni.

I principali risultati attesi nel WP1 riguarderanno l’elaborazione di framework teorici ed estensioni per l’Argomentazione in condizione di incertezza e la loro applicazione a spiegabilità di modelli di ML black-box (XAI). I risultati saranno poi validati in campo supervisione e diagnostica di guasti in sistemi e processi industriali. La spiegabilità è in generale molto studia al momento in IA, anche se esistono pochi risultati in caso di modelli che considerino incertezza.

I principali risultati attesi del WP2 si sintetizzano nello sviluppo di modelli a supporto dei decisori pubblici e privati. Tali modelli permetteranno di estrarre conoscenze significative, individuare tendenze, riconoscere pattern sociali e identificare temi di interesse per gli stakeholders, partendo dall’analisi di dati testuali non strutturati. L’obiettivo atteso è dunque la creazione di indici funzionali alla valutazione delle performance, alla comprensione dell'opinione pubblica o dei messaggi mediatici su determinati argomenti legati all’operato delle organizzazioni, e più in generale, al miglioramento del processo decisionale adottato. Per esempio, un focus sarà circa la comprensione di come le notizie online possa influenzare il comportamento di cittadini, manager e investitori.

Il progetto nasce come attività multidisciplinare tra vari dipartimenti e gruppi di ricerca, che affrontano attualmente ricerca e innovazione su tecniche di supporto alle decisioni con metodologie diverse. Come risultato di questo, il gruppo rafforzerà le proprie competenze e sfrutterà la caratteristica multidisciplinare che ha per interagire con gruppi di ricerca italiani e stranieri. La collaborazione stretta in RATIONALISTS sarà spesa in futuro per la presentazione di progetti in ambito nazionale ed Europeo.

Impatto di progetto in termini di contributo scientifico, economico e sociale

L’impatto del progetto è diversificato e declinabile in termini di contributo scientifico, economico e sociale. In particolare, da un punto di vista scientifico, il progetto apporterà un contributo rilevante alla letteratura di riferimento, estendendo gli studi sul supporto alla teoria delle decisioni nei due ambiti precedentemente descritti in WP1 e WP2, e nel loro studio congiunto (WP0). Questa sinergia metodica avrà un impatto significativo in quanto aprirà nuove opportunità di ricerca, creando nuovi spazi di ricerca e applicazione.

Da un punto di vista economico, il progetto avrà un impatto significativo per le aziende e le organizzazioni interessate. La creazione di modelli e sistemi avanzati di supporto decisionale consentirà alle aziende di ottimizzare le proprie performance organizzative, migliorando l'efficienza delle operazioni e la gestione delle relazioni con gli stakeholder. Ciò potrebbe tradursi, ad esempio, in una maggiore competitività sul mercato, una migliore comprensione delle esigenze dei clienti/utenti e una maggiore capacità di prendere decisioni tempestive e informate. Questo, a sua volta, potrebbe portare a un aumento della produttività e dei profitti aziendali.

Infine, dal punto di vista sociale, il progetto avrà un impatto positivo sulla società nel suo complesso. In questa era digitale, la quantità di informazioni proveniente da svariate fonti e l’incertezza alla base rendono sempre più difficile prendere decisioni strategiche, tattiche, ed operazionali. È per questo che si rende necessario definire procedure di supporto automatico avanzate, al fine di sostenere l’utente umano. Dal punto sociale, i cittadini si devono poter fidare delle decisioni intraprese dalle aziende e dalle organizzazioni a cui sono richiesti servizi e prodotti, la fine di creare una società più giusta, trasparente, ed eticamente corretta. Inoltre, la possibilità di individuare tendenze e modelli nel comportamento degli stakeholder potrebbe aiutare le aziende a prendere decisioni più consapevoli e sostenibili, contribuendo a un miglioramento dell'impatto sociale ed ambientale delle attività aziendali.

Bibliografia

A. Lytos, T. Lagkas, P. Sarigiannidis e K. Bontcheva, «The evolution of argumentation mining: From models to social media and emerging tools» Information Processing & Management, vol. 56, n. 6, p. 102055, 2019.
T. Alsinet, J. Argelich, R. Béjar e J. Cemeli, «A distributed argumentation algorithm for mining consistent opinions in weighted twitter discussions» Soft Computing, vol. 23, pp. 2147-2166, 2019.
D. De Nart, D. Degl'Innocenti e M. Pavan, «Leveraging Conversation Structure on Social Media to Identify Potentially Influential Users» arXiv preprint arXiv:1711.10768, 2017.
M. Wooldridge, Reasoning about rational agents, Cambridge Massachusetts, London England: MIT Press, 2003.
R. H. Bonczek, C. W. Holsapple e A. B. Whinston, Foundations of decision support systems, Academic Press, 2014.
J. L. Pollock, «How to reason defeasibly» Artificial Intelligence, vol. 57, n. 1, pp. 1-42, 1992.
G. A. W. Vreeswijk, «Abstract argumentation systems» Artificial Intelligence, vol. 90, n. 1-2, pp. 225-279, 1997.
P. Dung, «On the acceptability of arguments and its fundamental role in nonmonotonic reasoning, logic programming and n-person games» Artificial Intelligence, vol. 77, n. 2, pp. 321-357, 1995.
S. Bistarelli e F. Santini, «Weighted Argumentation» in Handbook of Formal Argumentation (vol 2), vol. 8, College Publications, 2021.
S. Bistarelli, F. Rossi e F. Santini, «A novel weighted defence and its relaxation in abstract argumentation» International Journal of Approximate Reasoning, vol. 92, pp. 66-86, 2018.
S. Bistarelli, T. Mantadelis, F. Santini e C. Taticchi, «Probabilistic Argumentation Frameworks with MetaProbLog and ConArg» in IEEE 30th International Conference on Tools with Artificial Intelligence, ICTAI, 2018.
A. Vassiliades, N. Bassiliades e T. Patkos, «Argumentation and explainable artificial intelligence: a survey» The Knowledge Engineering Review, vol. 36, p. e5, 2021.
S. Bistarelli, A. Macinelli, F. Santini e C. Taticchi, «Arg-XAI: a Tool for Explaining Machine Learning Results» in IEEE 34th International Conference on Tools with Artificial Intelligence (ICTAI), 2022.
S. Bistarelli, A. Mancinelli, F. Santini e C. Taticchi, «An Argumentative Explanation of Machine Learning Outcomes» in Computational Models of Argument (COMMA), 2022.
S. Wasserman e K. Faust, «Social Network Analysis: Methods and Applications» Cambridge University Press., 1994.
S. Borgatti, M. G. Everett e J. C. Johnson, «Analyzing Social Networks» SAGE Publications, 2013.
P. Gloor, A. Fronzetti Colladon, G. Giacomelli, T. Saran e F. Grippa, «The impact of virtual mirroring on customer satisfaction» Journal of Business Research, vol. 75, p. 67–76, 2017.
P. Gloor, A. Fronzetti Colladon, F. Grippa e G. Giacomelli, «Forecasting managerial turnover through e-mail based social network analysis» Computers in Human Behavior, vol. 71, p. 343–352, 2017.
Q. Wen, P. A. Gloor, A. Fronzetti Colladon, P. Tickoo e T. Joshi, «Finding top performers through email patterns analysis» Journal of Information Science, vol. 46, n. 4, p. 508–527, 2020.
R. Cross e A. Parker, «The hidden power of social networks: Understanding how work really gets done in organizations» Harvard Business School Press, 2004.
S. C. Morton, N. J. Brookes, P. K. Smart, C. J. Backhouse e N. D. Burns, «Managing the informal organisation: conceptual model» International Journal of Productivity and Performance Management, vol. 55, n. 3, p. 214–232, 2004.
R. Cross, A. Parker, L. Prusak e S. P. Borgatti, «Knowing what we know: Supporting knowledge creation and sharing in social networks» Organizational Dynamics, vol. 30, n. 2, pp. 100-120, 2001.
L. C. Freeman, «Centrality in social networks conceptual clarification» Social Networks, vol. 1, n. 3, p. 215–239, 1979.
A. Fronzetti Colladon e M. Naldi, «Distinctiveness centrality in social networks» PloS One, vol. 15, n. 5, 2020.
P. Bonacich, «Power and centrality: A family of measures» American Journal of Sociology, vol. 92, n. 5, p. 1170–1182, 1987.
M. S. Mizruchi e B. B. Potts, «Centrality and power revisited: actor success in group decision making» Social Networks, vol. 20, n. 4, p. 353–387, 1998.
R. S. Burt, J. E. Jannotta e J. T. Mahoney, «Personality correlates of structural holes» Social Networks, vol. 20, n. 1, p. 63–87, 1998.
K. J. Klein, B. C. Lim, J. L. Saltz e D. M. Mayer, «How do they get there? An examination of the antecedents of centrality in team networks» Academy of Management Journal, vol. 47, n. 6, p. 952–963, 2004.
P. A. Gloor, A. Fronzetti Colladon, F. Grippa, B. M. Hadley e S. Woerner, «The impact of social media presence and board member composition on new venture success: Evidences from VC-backed U.S. startups» Technological Forecasting & Social Change, vol. 157, 2020.
A. Fronzetti Colladon, «Forecasting election results by studying brand importance in online news» International Journal of Forecasting, vol. 36, n. 2, pp. 414-427, 2020.
P. A. Gloor, A. Fronzetti Colladon e F. Grippa, «The digital footprint of innovators: Using email to detect the most creative people in your organization» Journal of Business Research, vol. 114, p. 254–264, 2020.
T. J. Allen, P. Gloor, A. Fronzetti Colladon, S. L. Woerner e O. Raz, «The power of reciprocal knowledge sharing relationships for startup success» Journal of Small Business and Enterprise Developmen, vol. 23, n. 3, p. 636–651, 2016.
A. Gilio, «Generalizing inference rules in a coherence-based probabilistic default reasoning» nternational Journal of Approximate Reasoning, vol. 53, n. 3, p. 413–434, 2012.
G. Coletti, R. Scozzafava e B. Vantaggi, «Possibilistic and Probabilistic Logic under Coherence: Default Reasoning and System P» Mathematica Slovaca, vol. 65, n. 4, p. 863–890, 2015.
G. Coletti e R. Scozzafava, «Stochastic Independence in a Coherent Setting» Annals of Mathematics and Artificial Intelligence, vol. 35, p. 151–176, 2002.
G. Coletti, L. C. van der Gaag, D. Petturiti e B. Vantaggi, «Detecting Correlation Between Extreme Probability Events» International Journal of General Systems, vol. 49, n. 1, p. 64–87, 2020.
A. Hunter, S. Polberg, N. Potyka, T. Rienstra e M. Thimm, «Probabilistic argumentation: A survey» in Handbook of Formal Argumentation, College Publications, 2021, pp. 397-441.
S. Kaci, L. van der Torre, S. Vesic e S. Villata, «Preference in Abstract Argumentation» in Handbook of Formal Argumentation (vol 2), College Publications, 2021.
G. Coletti e R. Scozzafava, Probabilistic logic in a coherent setting, Kluwer, 2002.
B. de Finetti, Theory of probability 1–2, Wiley, 1974.
G. Coletti e R. Scozzafava, «From Conditional Events to Conditional Measures: A New Axiomatic Approach» Annals of Mathematics and Artificial Intelligence, vol. 32, p. 373–392, 2002.
M. Allais, «Le comportement de l'homme rationnel devant le risque: critique des postulats et axiomes de l'école américaine» Econometrica, vol. 21, n. 4, p. 503–546, 1953.
D. Petturiti e B. Vantaggi, «Conditional decisions under objective and subjective ambiguity in Dempster-Shafer theory» Fuzzy Sets and Systems, vol. 447, p. 155–181, 2022.
M. Baioletti, A. Capotorti, S. Tulipani e B. Vantaggi, «Simplification Rules for the Coherent Probability Assessment Problem» Ann. Math. Artif. Intell., vol. 35, n. 1-4, pp. 11-28, 2002.
A. Dejl, P. He, P. Mangal, H. Mohsin, B. Surdu, E. Voinea, E. Albini, P. Lertvittayakumjorn, A. Rago e F. Toni, «Argflow: A Toolkit for Deep Argumentative Explanations for Neural Networks» in International Conference on Autonomous Agents and Multiagent Systems (AAMAS), 2021.
N. Potyka, «Interpreting neural networks as quantitative argumentation frameworks» in AAAI Conference on Artificial Intelligence, 2021.
A. Fronzetti Colladon, S. Grassi e F. Ravazzolo, «Forecasting financial markets with semantic network analysis in the COVID‐19 crisis» Journal of Forecasting, 2022.
A. Fronzetti Colladon, «The Semantic Brand Score» Journal of Business Research, vol. 88, pp. 150-160, 2018.
A. Fronzetti Colladon, B. Guardabascio e R. Iannarella, «Using social network and semantic analysis to analyze online travel forums and forecast tourism demand» Decision Support Systems, vol. 123, 2019.
C. Piselli, A. Fronzetti Colladon, L. Segneri e A. L. Pisello, «Evaluating and improving social awareness of energy communities through semantic network analysis of online news» Renewable and Sustainable Energy Reviews, vol. 167, 2022.
A. Fronzetti Colladon e F. Grippa, «Brand Intelligence Analytics» in Digital Transformation of Collaboration, Springer Nature Switzerland, 2020, p. 125–141.
K. L. Keller, «Conceptualizing, Measuring, and Managing Customer-Based Brand Equity» Journal of Marketing, vol. 57, n. 1, pp. 1-22, 1993.
U. Brandes, «A faster algorithm for betweenness centrality» The Journal of Mathematical Sociology, vol. 25, n. 2, p. 163–177, 2001.