Intelligenza artificiale

INDICE ANALITICO GENERALE

tutte le voci del sito

novembre 2025

Le AI sono in continua evoluzione, così come la relativa bibliografia. Per questo la scheda riporta in evidenza la data di pubblicazione. Scheda che sarà nostra cura aggiornare con una certa periodicità.

Alcune definizioni

Vocabolario dell'intelligenza artificiale, tutti i termini chiave per capirla davvero, Wired

Il glossario dell'intelligenza artificiale, Rainews

Glossario dell’Intelligenza Artificiale, ia2023

Selezione ragionata di documenti

Criteri di classificazione per contenuti prevalenti.

1. Aspetti generali. Articoli che forniscono una panoramica generale sull'applicazione dell'intelligenza artificiale con particolare riferimento alla omogeneizzazione informativa e bias: argomenti ampi e interconnessi, che toccano la sociologia, la scienza dei dati e la comunicazione. Studi che dimostrano in modo solido che, quando le informazioni di input per i sistemi di AI diventano più omogenee, il rischio di amplificazione dei bias e la loro diffusione nelle risposte aumenta sensibilmente. 
2. Problemi di giustizia e discriminazioni a partire dalla cultura dominante: articoli che esplorano come i sistemi di AI, sviluppati spesso all'interno di contesti culturali dominanti, possano incorporare e perpetuare norme, valori e pregiudizi di tale cultura, portando a decisioni o raccomandazioni discriminatorie nei confronti di individui o gruppi con background culturali diversi.
3. Discriminazione nell’accesso ai servizi sociali o sanitari: articoli che indicano come l'uso dell'AI nei sistemi di allocazione o gestione dei servizi sociali e sanitari possa inavvertitamente o intenzionalmente portare a discriminazioni nell'accesso a tali servizi per specifici gruppi di persone. Gli articoli potrebbero analizzare algoritmi che, ad esempio, penalizzano determinate aree geografiche o profili demografici nell'erogazione di risorse o nell'offerta di opportunità.
4. Discriminazione su temi sociali specifici come handicap, genere, origine, etc: articoli che analizzano come l'AI possa generare o esacerbare discriminazioni basate su caratteristiche sociali specifiche come disabilità, genere, origine etnica o nazionale, orientamento sessuale, età e altre categorie protette. Gli articoli potrebbero esaminare come i dati relativi a questi gruppi vengono utilizzati e come gli algoritmi possono produrre risultati iniqui.
5. Discriminazione su base territoriale: articoli che analizzano le forme di discriminazione che emergono dall'applicazione dell'AI nella programmazione sociale a livello territoriale. Gli articoli potrebbero analizzare come gli algoritmi possono favorire o sfavorire determinate aree geografiche nell'allocazione di risorse, nell'implementazione di programmi o nell'identificazione di bisogni, potenzialmente ampliando le disuguaglianze territoriali esistenti.
6. Uso per la programmazione sociale, esperienze pratiche, studi di caso e analisi empiriche: articoli che presentano applicazioni concrete dell'intelligenza artificiale nella programmazione sociale. Potrebbe contenere descrizioni di progetti pilota, studi di caso che analizzano l'implementazione di sistemi di AI per affrontare specifiche sfide sociali, e analisi empiriche che valutano l'efficacia e l'impatto di tali interventi.
7. Uso dell'intelligenza artificiale per misurare l'efficacia dei programmi sociali: articoli centrati sull'utilizzo dell'AI come strumento per valutare l'efficacia e l'impatto dei programmi sociali esistenti. Gli articoli potrebbero esplorare come tecniche di machine learning e analisi di dati possono essere impiegate per misurare i risultati, identificare i fattori di successo o di fallimento e ottimizzare l'allocazione delle risorse per massimizzare l'impatto sociale.
8. Studi e regolazione italiana in ambito di programmazione sociale.

1. Aspetti generali

La bibliografia è sterminata: di seguito una sintetica rassegna compilata utilizzando diverse AI: Gemini, Copilot, Perplexity pro, ChatGPT, Claude ed organizzata con NotebookLM.

I.  Fondamenta Storiche e Teoriche (1943-1969). Questa sezione include i lavori che hanno definito concettualmente l'AI, i primi modelli neurali e la nascita formale della disciplina.

• McCulloch, Warren & Pitts, Walter A Logical Calculus of the Ideas Immanent in Nervous Activity Editore: Bulletin of Mathematical Biophysics Anno: 1943 Perché è importante: È uno dei primi modelli matematici di neurone artificiale (“neurone McCulloch-Pitts”). Ha posto le basi logiche delle reti neurali. Riferimento Web: DOI: 10.1007/BF02478259

• McCarthy, John et al. Artificial Intelligence: A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence Editore: Dartmouth Conference Proposal Anno: 1956 Perché è importante: È l'atto di nascita ufficiale dell’IA come disciplina. Il termine "AI" fu coniato qui. Riferimento Web: Dartmouth Conference Proposal

• Minsky, Marvin & Papert, Seymour Perceptrons Editore: (Non specificato nelle fonti) Anno: 1969 Perché è importante: Analizzano le limitazioni del percettrone semplice, mostrando che non può risolvere problemi non separabili (es. XOR). Questo ha stimolato lo sviluppo di modelli più complessi. Riferimento Web: (Non specificato nelle fonti)

• Rosenblatt, Frank The Perceptron Editore: Psychological Review Anno: 1958 Perché è importante: Ha introdotto il percettrone, l'unità base delle reti neurali moderne. Ha posto le fondamenta per il deep learning odierno. Riferimento Web: Psychological Review, 1958

• Samuel, Arthur Some Studies in Machine Learning Using the Game of Checkers Editore: (Non specificato nelle fonti) Anno: 1959 Perché è importante: Introduce formalmente il termine machine learning. Riferimento Web: (Non specificato nelle fonti)

• Shannon, Claude A Mathematical Theory of Communication Editore: (Non specificato nelle fonti) Anno: 1948 Perché è importante: La teoria dell’informazione è fondamentale per la comunicazione, la codifica e la probabilità, concetti usati massicciamente nel machine learning. Riferimento Web: GitHub

• Turing, Alan Computing Machinery and Intelligence Editore: Mind Anno: 1950 Perché è importante: È la genesi filosofica dell'AI. Introduce il famoso Test di Turing e pone la domanda: "Le macchine possono pensare?". È considerato il testo filosofico-teorico più influente sull’intelligenza artificiale. Riferimento Web: Mind, Volume 59, Issue 236, University of Oxford PDF

II. Meccanismi Centrali di Apprendimento Profondo (1986-2014). Algoritmi e tecniche fondamentali che hanno reso possibile l'addestramento efficace delle reti neurali multistrato.

• Hochreiter, Sepp & Schmidhuber, Jürgen Long Short-Term Memory (LSTM) Editore: Neural Computation Anno: 1997 Perché è importante: Ha introdotto le LSTM, reti capaci di ricordare informazioni per lunghi periodi. Risolve il problema del “vanishing gradient”. Prima dei Transformer, era la tecnologia dominante per traduzioni e riconoscimento vocale. Riferimento Web: https://www.bioinf.jku.at/publications/older/2604.pdf

• Rumelhart, David E., Hinton, Geoffrey E. & Williams, Ronald J. Learning Representations by Back-propagating Errors Editore: Nature Anno: 1986 Perché è importante: Ha reso popolare la Backpropagation. Senza questo algoritmo, le reti neurali moderne non potrebbero imparare dai loro errori. È il motore sotto il cofano di quasi tutto il Deep Learning odierno. Riferimento Web: Nature, 323, 533-536

• Srivastava, Nitish et al. Dropout: A Simple Way to Prevent Neural Networks from Overfitting Editore: JMLR Anno: 2014 Perché è importante: È una delle tecniche di regolarizzazione più importanti per prevenire l'overfitting. È diventata una pratica standard nel deep learning. Riferimento Web: https://jmlr.org/papers/v15/srivastava14a.html

• Vapnik Support Vector Machines Editore: (Non specificato nelle fonti) Anno: 1995 Perché è importante: Introduce un metodo chiave per la classificazione nel Machine Learning. Riferimento Web: (Non specificato nelle fonti)

III. Computer Vision e L'Esplosione del Deep Learning (1998-2020). Questi lavori segnano il momento in cui l'AI ha ottenuto un successo dimostrabile e dirompente nel riconoscimento delle immagini.

• Dosovitskiy, Alexey et al. (Vision Transformer) An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale Editore: ICLR 2021 Anno: 2020 Perché è importante: Ha dimostrato che i Transformer, originariamente progettati per il NLP, possono funzionare eccellentemente anche nella visione artificiale, eliminando la necessità di convoluzioni. Riferimento Web: https://arxiv.org/abs/2010.11929

• He, Kaiming, Zhang, Xiangyu, Ren, Shaoqing & Sun, Jian (ResNet) Deep Residual Learning for Image Recognition Editore: CVPR Anno: 2015 Perché è importante: Ha permesso di allenare reti neurali profondissime (centinaia di strati) risolvendo il problema della degradazione grazie alle skip connections. È ancora un'architettura standard oggi. Riferimento Web: https://arxiv.org/abs/1512.03385

• Krizhevsky, Alex, Sutskever, Ilya & Hinton, Geoffrey (AlexNet) ImageNet Classification with Deep Convolutional Neural Networks Editore: NeurIPS Anno: 2012 Perché è importante: Questo è il punto di svolta moderno. AlexNet ha distrutto la concorrenza nella competizione ImageNet, dimostrando che il Deep Learning sulle GPU era la via del futuro. Riferimento Web: https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf, proceedings.neurips.cc

• LeCun, Yann, Bottou, Léon, Bengio, Yoshua & Haffner, Patrick Gradient-Based Learning Applied to Document Recognition (LeNet-5) Editore: (Non specificato nelle fonti) Anno: 1998 Perché è importante: Introduce la CNN (Convolutional Neural Network). Ha dimostrato che l'AI poteva leggere la scrittura a mano (usata per anni dalle banche per leggere gli assegni). Riferimento Web: Yann LeCun's Site

IV.  L'Era dei Transformer e del Linguaggio Naturale (NLP) (2013-2022). Questa sezione copre l'evoluzione dalla rappresentazione vettoriale delle parole ai LLM (Large Language Models) basati su architetture di attenzione.

• Bahdanau, Dzmitry, Cho, Kyunghyun, & Bengio, Yoshua Neural Machine Translation by Jointly Learning to Align and Translate Editore: (Non specificato nelle fonti) Anno: 2014 Perché è importante: Introduce il concetto di Attention (Attenzione) nelle reti ricorrenti. È il precursore diretto dei Transformer. Riferimento Web: arXiv

• Mikolov, Tomáš et al. (Word2Vec) Efficient Estimation of Word Representations in Vector Space Editore: (Non specificato nelle fonti) Anno: 2013 Perché è importante: Introduce Word2Vec. Ha insegnato ai computer che le parole possono essere rappresentate come vettori matematici (es. "Re" - "Uomo" + "Donna" = "Regina"). Riferimento Web: arXiv

• Brown, Tom B. et al. (GPT-3) Language Models are Few-Shot Learners Editore: NeurIPS 2020 Anno: 2020 Perché è importante: Ha dimostrato che scalare enormemente i parametri (175 miliardi) conferisce al modello capacità emergenti. Può eseguire compiti senza fine-tuning specifico, solo con pochi esempi (few-shot learning). Riferimento Web: https://arxiv.org/abs/2005.14165, proceedings.neurips.cc

• Devlin, Jacob et al. (BERT) BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding Editore: NAACL 2019 Anno: 2018 Perché è importante: Ha rivoluzionato il NLP introducendo il pre-training bidirezionale. BERT legge il testo in entrambe le direzioni per capire il contesto profondo, migliorando i motori di ricerca e gli assistenti AI. Riferimento Web: https://arxiv.org/abs/1810.04805, ACL Anthology

• Ouyang, Long et al. (InstructGPT / RLHF) Training language models to follow instructions with human feedback Editore: (Non specificato nelle fonti) Anno: 2022 Perché è importante: Introduce RLHF (Reinforcement Learning from Human Feedback). È la "salsa segreta" che ha trasformato GPT-3 in ChatGPT, rendendolo utile e sicuro per il dialogo. Riferimento Web: arXiv, OpenAI

• Vaswani, Ashish et al. (Transformer) Attention Is All You Need Editore: NeurIPS 2017 Anno: 2017 Perché è importante: Probabilmente l'articolo più importante del decennio. Introduce l'architettura Transformer. GPT, BERT, Claude, e quasi tutte le AI generative moderne esistono grazie a questo paper. Riferimento Web: https://arxiv.org/abs/1706.03762, papers.neurips.cc

• Wei, Jason et al. Chain-of-Thought Prompting Elicits Reasoning in Large Language Models Editore: (Non specificato nelle fonti) Anno: 2022 Perché è importante: Scopre che se si chiede a un modello di "pensare passo dopo passo" (Chain-of-Thought), la sua capacità di risolvere problemi logici e matematici esplode. Riferimento Web: arXiv

V. Reinforcement Learning (AI che gioca e agisce) (2013-2016). Questa sezione riguarda come le macchine imparano a prendere decisioni complesse per tentativi ed errori.

• Mnih, Volodymyr et al. (DQN) Playing Atari with Deep Reinforcement Learning Editore: NIPS Deep Learning Workshop Anno: 2013 Perché è importante: Introduce DQN. La prima volta che un'AI ha imparato a giocare ai videogiochi (Atari) guardando solo i pixel dello schermo, superando gli umani. Riferimento Web: https://arxiv.org/abs/1312.5602

• Silver, David et al. (AlphaGo) Mastering the game of Go with deep neural networks and tree search Editore: Nature Anno: 2016 Perché è importante: Un momento storico ("Sputnik moment" per l'AI). L'AI ha battuto il campione mondiale di Go, un gioco ritenuto troppo complesso per i computer. Riferimento Web: https://www.nature.com/articles/nature16961

VI. Intelligenza Artificiale Generativa e Multimodalità (2014-2022). Questi paper descrivono i framework che permettono la creazione di nuovi contenuti e la fusione di testo e visione.

• Goodfellow, Ian et al. Generative Adversarial Nets (GANs) Editore: NeurIPS 2014 Anno: 2014 Perché è importante: Introduce le GAN. Due reti neurali (generatore e discriminatore) competono, dando il via alla generazione di volti realistici e Deepfake. Riferimento Web: https://arxiv.org/abs/1406.2661, arXiv

• Ho, Jonathan, Jain, Ajay & Abbeel, Pieter Denoising Diffusion Probabilistic Models (DDPM) Editore: NeurIPS 2020 Anno: 2020 Perché è importante: Formalizza i diffusion models, che sono diventati la base teorica per gran parte della generazione di immagini moderna (inclusi DALL·E2 / Imagen / Stable Diffusion). Riferimento Web: https://arxiv.org/abs/2006.11239

• Radford, Alec et al. (CLIP) Learning Transferable Visual Models From Natural Language Supervision Editore: Proceedings of Machine Learning Research Anno: 2021 Perché è importante: Collega testo e immagini, capendo che una foto e la sua descrizione sono la stessa cosa. È il cervello dietro i generatori di immagini come DALL-E e Midjourney. Riferimento Web: arXiv, Proceedings of Machine Learning Research

• Rombach, Robin et al. (Stable Diffusion / LDM) High-Resolution Image Synthesis with Latent Diffusion Models Editore: (Non specificato nelle fonti) Anno: 2022 Perché è importante: La base tecnica di Stable Diffusion. Introduce i latent diffusion models efficienti, rendendo la generazione di immagini ad alta risoluzione computazionalmente più leggera e accessibile a tutti (open source). Riferimento Web: arXiv, openaccess.thecvf.com

VII. Scaling, Etica e Strumenti di Governance (2000-2020). Questa categoria include i lavori che definiscono le leggi di crescita, i limiti sociali e gli strumenti software.

• Abadi, Martín et al. (Google Brain) TensorFlow: A System for Large-Scale Machine Learning Editore: OSDI 2016 Anno: 2016 Perché è importante: Ha mappato i nodi di un grafo di dataflow, dando flessibilità e scalabilità allo sviluppo. TensorFlow è diventato uno dei framework più utilizzati per il machine learning. Riferimento Web: https://arxiv.org/abs/1605.08695

• Das, Arun & Rad, Paul Opportunities and Challenges in Explainable Artificial Intelligence (XAI): A Survey Editore: (Non specificato nelle fonti) Anno: 2020 Perché è importante: È un survey moderno su come rendere i modelli AI interpretabili / spiegabili (XAI), un tema di enorme importanza per l'etica, la governance e le applicazioni reali. Riferimento Web: arXiv

• Kaplan, Jared et al. Scaling Laws for Neural Language Models Editore: (Non specificato nelle fonti) Anno: 2020 Perché è importante: Definisce le "leggi di scala". Prevede matematicamente che aggiungere più dati e più potenza di calcolo migliora le prestazioni in modo prevedibile. Ha guidato la strategia di “scaling” usata nell’industria. Riferimento Web: arXiv

• O’Neil, Cathy Weapons of Math Destruction Editore: (Non specificato nelle fonti) Anno: 2016 Perché è importante: Analisi critica sugli algoritmi e i rischi sociali legati al loro uso in contesti delicati. Riferimento Web: (Non specificato nelle fonti)

• Pearl, Judea Causality: Models, Reasoning, and Inference Editore: (Non specificato nelle fonti) Anno: 2000 Perché è importante: Il lavoro di Pearl sulla causalità è cruciale per ragionare su causa-effetto, superando il concetto di sole correlazioni, un tema chiave in AI avanzata e interpretabile. Riferimento Web: Best AI-paper list menziona il “Pearl, J. (2000)”

• Russell, Stuart Human Compatible Editore: (Non specificato nelle fonti) Anno: 2019 Perché è importante: È una riflessione fondamentale sull'esigenza che l'AI sia allineata ai valori umani. Riferimento Web: (Non specificato nelle fonti)

Per le sezioni seguenti: una prima selezione compilata utilizzando diverse AI: Gemini, Copilot, Perplexity pro, ChatGPT, Claude.

2. Problemi di giustizia e discriminazioni dalla cultura dominante

• AA., IA Generativa nel welfare: un approccio basato sulla Sociologia Pubblica per una governance consapevole, Rivista sulle Trasformazioni Sociali 2024. Analizza l'impatto dell'IA generativa sulle politiche di welfare, utilizzando il caso studio del progetto Govern-AI in Italia.Propone un approccio basato sulla Sociologia Pubblica per una governance consapevole dell'IA, enfatizzando la necessità di trasparenza e coinvolgimento dei cittadini nelle decisioni politiche legate all'adozione di tecnologie intelligenti. OAJ FUPress

• Bender E., Gebru T. et al., 'On the Dangers of Stochastic Parrots'. Critica sull'amplificazione di bias culturali e di genere nei modelli linguistici di AI. https://dl.acm.org/doi/10.1145/3442188.3445922

• Benjamin R., 'Race After Technology'. Approfondisce come il razzismo sia insito nei sistemi digitali e di AI. https://www.politybooks.com/bookdetail/?isbn=9781509526406

• Ferioli, E. A. (2019). Uso dell’AI nei servizi sociali e sanitari in Italia. BioLaw Journal. Studio sulle sfide legali e regolatorie poste dall’uso dell’intelligenza artificiale in ambito sanitario e sociale italiano. https://teseo.unitn.it/biolaw/article/view/134713

• Marr, B. (2024) Will AI Solve The World's Inequality Problem – Or Make It Worse? Esplora il doppio impatto dell’IA sulle disuguaglianze. https://www.forbes.com/sites/bernardmarr/2024/09/16/will-ai-solve-the-worlds-inequality-problem--or-make-it-worse/

• MIT Technology Review (2022) AI is making inequality worse. Argomenta come l’IA stia accentuando le disuguaglianze. Link: https://www.technologyreview.com/2022/04/19/1049378/ai-inequality-problem/

• Noble S.U., 'Algorithms of Oppression'. Analisi di come i motori di ricerca riproducono pregiudizi culturali. https://nyupress.org/9781479837243/algorithms-of-oppression/

• Spadaro A., Twomey P., Intelligenza artificiale e giustizia sociale, Rivista: La Civiltà Cattolica, Anno: 2024. Affronta le sfide etiche e sociali poste dall'adozione dell'intelligenza artificiale, con particolare attenzione ai rischi di discriminazione e ingiustizia sociale. Viene discusso come gli algoritmi possano perpetuare pregiudizi esistenti e influenzare negativamente le opportunità per le persone vulnerabili. https://www.laciviltacattolica.it/articolo/intelligenza-artificiale-e-giustizia-sociale/

• UNESCO, 'Recommendation on the Ethics of Artificial Intelligence'. Linee guida internazionali per contrastare bias culturali e discriminazioni nell'AI. https://unesdoc.unesco.org/ark:/48223/pf0000381137

• Zou J.Y., Schiebinger L., 'AI can be Sexist and Racist — it’s time to make it fair'. Articolo che riassume i meccanismi di bias culturale e propone soluzioni. https://www.nature.com/articles/d41586-018-05707-8

• Zuboff, S. (2019). Il capitalismo della sorveglianza. Luiss University Press. Critica l’uso dei dati e della sorveglianza digitale come strumenti di dominio politico ed economico.

3. Discriminazione nell'accesso ai servizi sociali e sanitari

• AIFO, 'Donne e disabilità: doppia discriminazione'. Analisi di come le donne con disabilità subiscano discriminazioni multiple, che colpiscono diritti, lavoro e accesso ai servizi. https://aifo.it

• Backman, I. (2023). Eliminating Racial Bias in Health Care AI. Yale Medicine.  Presenta linee guida per ridurre i bias razziali nell’uso dell’IA in ambito sanitario. https://medicine.yale.edu/news-article/eliminating-racial-bias-in-health-care-ai-expert-panel-offers-guidelines/

• Eubanks, V. (2018). Automating Inequality: How High-Tech Tools Profile, Police, and Punish the Poor. St. Martin’s Press.  Analisi delle conseguenze sociali e discriminatorie dell’automazione nei servizi pubblici rivolti ai soggetti fragili. https://mitpress.mit.edu/books/automating-inequality

• Fra, 'Disuguaglianze e discriminazione multipla nell'assistenza sanitaria'. Documento che affronta le molteplici forme di discriminazione nei servizi sanitari europei. https://fra.europa.eu

• Gianfrancesco M. et al., 'Potential Biases in Machine Learning Algorithms Using Electronic Health Record Data'. Discussione sui rischi di bias derivanti dall’uso di dati clinici storici nei sistemi AI per la salute. https://jamanetwork.com/journals/jamainternalmedicine/fullarticle/2768206

• Riva, P. (2024). Welfare e tecnologia: il lato oscuro della digitalizzazione. Secondo Welfare.  Esplora come la digitalizzazione possa escludere ulteriormente fasce fragili della popolazione nel welfare. https://www.secondowelfare.it/primo-welfare/welfare-e-tecnologia-il-lato-oscuro-della-digitalizzazione/

• OECD (2023). Using AI to support people with disability in the labour market.  Report che identifica e analizza le soluzioni AI per facilitare l’inclusione lavorativa delle persone con disabilità. https://www.oecd.org/en/publications/using-ai-to-support-people-with-disability-in-the-labour-market_008b32b7-en.html

• ONU e OMS, 'Porre fine alla discriminazione in ambito sanitario'. Dichiarazione comune per eliminare barriere e pregiudizi nel sistema sanitario a livello globale. https://quotidianosanita.it

• Obermeyer Z. et al., ‘Dissecting racial bias in an algorithm used to manage the health of populations’. Studio empirico sul bias razziale in algoritmi di allocazione della sanità USA. https://science.sciencemag.org/content/366/6464/447

• Verdi, G. (2023). L’Impatto dell’Intelligenza Artificiale sull’Inclusione Sociale. Studi di Sociologia, 58(3), 301-315. Esamina i modi in cui l’IA può promuovere o ostacolare l’inclusione sociale dei gruppi vulnerabili in Italia.

4. Discriminazione su base sociale specifica (handicap, genere, ecc.)

• AIFO, 'Doppia discriminazione delle donne con disabilità in Italia'. Approfondimento sulle discriminazioni intersezionali legate a genere e disabilità nel contesto italiano. https://aifo.it

• Bender E., Gebru T. et al., 'On the Dangers of Stochastic Parrots'. Critica sull’amplificazione di bias di genere e disabilità nei modelli linguistici di AI. https://dl.acm.org/doi/10.1145/3442188.3445922

• Ledha, 'General Comment 3 sulla discriminazione delle persone con disabilità'. Parere autorevole sulle discriminazioni indirette e multiple cui sono sottoposte le persone con disabilità. https://ledha.it

• Piccioli V., 'Bias di genere nei materiali didattici'. Studio che mette in luce come i pregiudizi di genere siano riflessi nei contenuti educativi e nelle AI. https://valentinapiccioli.eu

• UN, Convention on the Rights of Persons with Disabilities (CRPD). Trattato internazionale che definisce diritti e protezioni contro discriminazioni multiple. https://www.un.org/development/desa/disabilities/convention-on-the-rights-of-persons-with-disabilities.html

5. Discriminazione territoriale

• Iris Unica, 'Terroni: la discriminazione territoriale nel discorso pubblico italiano'. Analisi sociologica della discriminazione subita da popolazioni del Sud Italia nel discorso pubblico nazionale. https://iris.unica.it

• Pellegrin, J., Colnot, L., Delponte, L. (2021). Artificial Intelligence and Urban Development. Analisi delle disuguaglianze territoriali indotte o amplificate dall’uso di AI nella pianificazione urbana. https://www.europarl.europa.eu/RegData/etudes/STUD/2021/690882/IPOL_STU(2021)690882_EN.pdf

• Scannavini, M. (2024). AI e welfare in Italia: cosa cambierà? Welforum. Riflessione sulle criticità dell’uso di AI nel welfare e le possibili disuguaglianze territoriali in Italia. https://www.secondowelfare.it/primo-welfare/ai-e-welfare-in-italia-cosa-cambiera/

6. Pratiche e casi concreti di AI nella programmazione sociale

• Blasi T., L’Intelligenza artificiale nel Terzo settore: così la tecnologia aiuta la progettazione sociale, Vita 2025. https://www.vita.it/idee/lintelligenza-artificiale-nel-terzo-settore-cosi-la-tecnologia-aiuta-la-progettazione-sociale/

• Bortolami, A., Caravello, G., Mazzucato, A. (2025). Intelligenza Artificiale Generativa e Progettazione sociale. Welforum. Panoramica sulle opportunità e sfide dell’AI generativa nella progettazione sociale.  https://www.welforum.it/intelligenza-artificiale-generativa-e-progettazione-sociale-opportunita-e-sfide/

• Chui, M., Manyika, J., et al. (2018). Applying AI for social good. McKinsey & Company. Studio di circa 600 casi d’uso reali in cui l’IA ha avuto un impatto sociale concreto.  https://www.mckinsey.com/featured-insights/artificial-intelligence/applying-artificial-intelligence-for-social-good

• Comune di Modena, 'Laboratorio DataLab Welfare'. Caso studio sul progetto di programmazione sociale basato su dati e AI per il welfare locale. https://comune.modena.it/argomenti/assistenza-sociale/welfare-data-lab

• European Social Network, 'AI for Social Services'. Raccolta di buone pratiche europee di AI applicata ai servizi sociali. https://esn-eu.org

• Gregori E., 'AI e digitalizzazione nei servizi sociali'. Relazione sulle applicazioni concrete di AI in servizi sociali, inclusi monitoraggio e automazione. https://croaspuglia.it

• Jobin et al., 'Ethics of AI in Social Services'. Analisi etica delle pratiche di impiego dell’AI in ambito socio-assistenziale. https://journals.sagepub.com

• Merlo, G., Bordone, G., "Un libro nell'epoca della intelligenza artificiale" in "Guida alla programmazione sociale. Teorie, pratiche, contesti". Carocci faber 2025.  Discute rischi, opportunità e governance.

• Merlo G., 'L’intelligenza artificiale nella programmazione sociale'. Introduzione ai casi di uso pratico dell’AI nel supporto alle decisioni e alla progettazione sociale. Welforum. https://welforum.it

• Merlo, G. (2025). Istruzioni per l’uso delle intelligenze artificiali nella programmazione sociale. Secondo Welfare. Linee guida pratiche per l’adozione consapevole e efficace dell’IA nei servizi sociali. https://www.secondowelfare.it/governi-locali/istruzioni-per-luso-delle-intelligenze-artificiali-nella-programmazione-sociale/

• Merlo, G. (2025), Intelligenza artificiale e programmazione sociale: tra artigianato e industria, Secondo welfare 1 agosto 2025. https://www.secondowelfare.it/primo-welfare/intelligenza-artificiale-e-programmazione-sociale-tra-artigianato-e-industria/

• Merlo, G. (2025), L’intelligenza artificiale ed i modelli operativi della programmazione sociale, Secondo welfare 2 ottobre 2025. https://www.secondowelfare.it/primo-welfare/lintelligenza-artificiale-ed-i-modelli-operativi-della-programmazione-sociale

7. Uso di AI per la valutazione di programmi sociali

• Bortolami A., Caravello G., Mazzucato A., 'Intelligenza Artificiale Generativa e progettazione sociale',  Welforum 2025, Esplora come AI generativa supporta la fase di monitoraggio e valutazione di progetti sociali, migliorando analisi dati e reportistica. https://welforum.it

• IBM Smarter Care, 'AI for Social Program Evaluation'. Caso aziendale sull’uso dell’AI per migliorare efficacia e trasparenza nei programmi sociali. https://www.ibm.com/watson-health

• Jarrahi, M. H., et al. (2022). Artificial intelligence and knowledge management. Journal of Knowledge Management. Analizza il contributo dell’IA nell’ottimizzazione della gestione della conoscenza e valutazione delle politiche sociali. https://www.sciencedirect.com/science/article/pii/S002463012200030X

• Jobin et al., 'Evaluating AI Impact in Social Programs'. Studio metodologico su metriche e criteri di valutazione basati su AI. https://journals.sagepub.com

• OECD, 'Use of AI in Public Program Evaluations'. Report sulle applicazioni internazionali di AI per la valutazione di servizi pubblici. https://oecd.org

• UNU-EGOV, 'AI for social policy monitoring'. Documento su strumenti AI per il monitoraggio e valutazione di politiche sociali. https://egov.unu.edu

• World Bank Group (2023). Using Machine Learning to Improve the Accuracy of Impact Evaluations.  Ricerca su come il machine learning possa migliorare valutazioni d’impatto, velocizzandole e aumentandone l’accuratezza. https://ieg.worldbankgroup.org/evaluations/machine-learning-evaluative-synthesis/chapter-1-machine-learning-applications

8. Studi e regolazioni europee e italiane

• EDPB, 'Guidelines su dati personali e AI'. Linee guida del Gruppo europeo per la protezione dei dati sull’uso di AI nel trattamento dati personali. https://edpb.europa.eu

• European Commission, 'AI Act (Regolamento UE 2024/1689)'. La principale regolazione europea per garantire un uso etico, trasparente e sicuro dell’AI. https://digital-strategy.ec.europa.eu

• Legge Italiana 23 settembre 2025, n. 132 sull’IA. Quadro normativo nazionale italiano che armonizza la regolazione IA con il Regolamento UE AI Act. https://apindustria.vi.it

• Lexology – Intelligenza Artificiale: impatto della regolamentazione sulla non discriminazione.  Riferimento sulle implicazioni normative italiane. https://www.lexology.com/library/detail.aspx?g=1eea12a9-61b4-4044-937c-7a00017dfd19

• Ordine Avvocati Torino, 'Discriminazione e bias nei sistemi di IA'. Documento che analizza responsabilità legali e implicazioni etiche delle AI discriminatorie. https://ordineavvocatitorino.it

• Simoncin A. – Rivista AIC sull’uso predittivo/giuridico dell’IA e diritti costituzionali.  La tutela costituzionale dei diritti, con analisi critica sull’uso di algoritmi predittivi nelle decisioni giuridiche e le implicazioni per i diritti costituzionali. https://www.rivistaaic.it/images/rivista/pdf/2_2023_01_ConvegnoAic2022_10_Simoncini.pdf

• UNESCO, 'Recommendation on the Ethics of AI'. Normativa internazionale per indirizzare l’uso responsabile e senza discriminazioni dell’AI. https://unesdoc.unesco.org

Tutti gli aggiornamenti del sito sulla

PAGINA FACEBOOK 

“Mi piace” per avere le notifiche . Suggeriscilo ai tuoi amici

Giorgio Merlo