Codice insegnamento

4S009088

Docenti

Massimiliano Badino, Fabio Aurelio D'Asaro

Coordinatore

Massimiliano Badino

Crediti

6

Lingua di erogazione

Inglese

Settore Scientifico Disciplinare (SSD)

M-FIL/02 - LOGICA E FILOSOFIA DELLA SCIENZA

Periodo

Secondo semestre dal 6 mar 2023 al 16 giu 2023.

Orario Lezioni Moodle Seminari 0

Obiettivi di apprendimento

Il corso consentirà allo studente di acquisire le competenze concettuali necessarie ad applicare i concetti chiave dell’epistemologia (conoscenza, metodologia, giustificazione, spiegazione, etc.) al caso specifico della data science e alla discussione di conseguenze e implicazioni dei big data per la società in generale. Al termine del corso lo studente dovrà dimostrare di: - riconoscere e discutere le principali questioni epistemologiche relative alla conoscenza prodotta dalla raccolta e dalla manipolazione dei big data con particolare riferimento a tre aree tematiche: (1) specificità epistemologiche dei big data; (2) l’impatto dei big data sulla pratica scientifica; (3) Big Data e autorità culturale della scienza - aver acquisito, attraverso l’analisi dettagliata di situazioni della vita reale, gli strumenti per un approccio più consapevole e critico al proprio lavoro come pure per la gestione e disseminazione dei big data nella sfera pubblica.

Prerequisiti e nozioni di base

Conoscenze base di filosofia e capacità di pensiero critico.

Programma

Il corso è dedicato ad esplorare le questioni epistemologiche, sociale e politiche connesse all'uso di big data, machine learning e intelligenza artificiale. Il programma è suddiviso in due moduli principale:
(A) Produrre conoscenza nell'era digitale. Questo modulo tratta delle domande epistemologiche sollevate dall'uso di machine learning e big data nella produzione di conoscenza scientifica. Esempi di tali domande sono: In che modo i big data cambiano le nostre pratiche e i nostri metodi scientifici? Quali sono i limiti dell'approccio computazionale alla scienza? I big data rendono superflue le teorie? Quali sono le caratteristiche epistemologiche dell'apprendimento statistico? La struttura del modulo è la seguente:
(A.1) Introduzione all'epistemologia della computabilità: complessità e indecidibilità.
(A.2) Il concetto di dato e la teoria computazionale della mente.
(A.3) Machine learning, big data e il metodo scientifico.
(B) Socio-epistemologia dei big data. Il secondo modulo si occupa dell'impatto socio-epistemologico e politico del machine learning e dei big data sulla pratica scientifica e sulla società in generale. Esempi delle questioni che verranno affrontate in questo modulo sono: Qual è l'impatto dell'uso dei big data sulla struttura sociale della ricerca scientifica? Come si può rendere l'intelligenza artificiale più spiegabile e responsabile? Come gli ambienti digitali quali i social network vengono influenzati dal machine learning? La struttura del modulo è la seguente:
(B.1) Ricerca scientifica e Big data.
(B.2) Intelligenza artificiale spiegabile.
(B.3) Verità e post-verità negli ambienti digitali.

Bibliografia

Modalità didattiche

Le lezioni saranno tenute esclusivamente in presenza.

Modalità di verifica dell'apprendimento

Il corso combinerà lezioni frontali introduttive e discussioni di classe nella forma di seminari di lettura. La valutazione finale è il risultato di tre elementi:
(1) Una presentazione in classe di un testo o di un tema (30%)
(2) Un elaborato scritto (max 3000 parole) (30%)
(3) Esame orale (40%)

Criteri di valutazione

La valutazione finale è il risultato di tre elementi:
(1) Una presentazione in classe di un testo o di un tema (30%)
(2) Un elaborato scritto (max 3000 parole) (30%)
(3) Esame orale (40%)

Criteri di composizione del voto finale

La valutazione finale è il risultato di tre elementi:
(1) Una presentazione in classe di un testo o di un tema (30%)
(2) Un elaborato scritto (max 3000 parole) (30%)
(3) Esame orale (40%)

Lingua dell'esame

English/Inglese