Gioventù datificata, scelta automatizzata: privacy, IA e decisioni delle nuove generazioni attraverso le scienze sociali computazionali – il caso finlandese

Di Giorgia Lazzarotto

1. Il problema analitico

Il rapporto tra privacy, intelligenza artificiale e processi decisionali viene di norma discusso come una questione giuridica o etica. Questo articolo lo affronta invece come un problema di misurazione, ricorrendo all’apparato delle scienze sociali computazionali (computational social science, CSS). La CSS è lo studio del comportamento sociale attraverso dati digitali su larga scala, machine learning, simulazione e analisi delle reti. Il suo programma fondativo (Lazer e colleghi, 2009, aggiornato nel 2020) sosteneva che le tracce digitali ci consentono di osservare la vita sociale con una granularità prima impossibile. È esattamente quella stessa granularità a rendere possibili i sistemi decisionali contemporanei, ed è lì che la privacy si conquista o si perde.

Tre spostamenti fanno delle nuove generazioni un caso a sé, e non semplicemente una versione ridotta di quello adulto. In primo luogo, chi è nato dopo il 2000 circa genera una traccia comportamentale pressoché continua fin dalla prima infanzia: i dati di addestramento che in seguito li governeranno esistono dunque già prima che possano acconsentirvi in modo significativo. In secondo luogo, molte decisioni un tempo discrezionali e umane – quale servizio di welfare raccomandare, quale richiedente accelerare, quale studente segnalare come a rischio – vengono sempre più delegate a modelli statistici. In terzo luogo, i giovani sono la fascia di popolazione su cui lo Stato interviene più attivamente per ragioni di sviluppo e di protezione, il che significa che i loro dati non sono soltanto abbondanti, ma vengono anche istituzionalmente utilizzati per agire.

La Finlandia è un terreno di studio insolitamente pulito per tutto questo. Combina uno Stato sociale ad ampia base registrale (per cui i dati esistono e sono collegabili tra loro), un elevato livello di fiducia pubblica e di adozione digitale, e una tradizione insolitamente forte di scrutinio giuridico sull’automazione amministrativa. Il risultato è un esperimento naturale: una società che ha costruito un’ambiziosa infrastruttura di IA nel settore pubblico e poi, in piena visibilità pubblica, l’ha messa alla prova rispetto ai propri impegni costituzionali e in materia di privacy. La vicenda finlandese, dal 2018 al 2024 circa, ci offre casi concreti da analizzare anziché ipotesi astratte.

2. Un apparato di scienze sociali computazionali

Per analizzare in modo rigoroso privacy, IA e decisioni giovanili, conviene essere espliciti sui metodi in gioco, perché ciascun metodo porta con sé una propria firma in termini di privacy.

Tracce digitali e dati comportamentali. La materia prima della CSS è lo scarto della vita ordinaria: registri amministrativi, log di utilizzo dei servizi, dati di sensori e app. L’inquadramento di Matthew Salganik (Bit by Bit, 2018) è utile qui: i dati di traccia sono grandi, sempre attivi e non reattivi, ma anche incompleti, non rappresentativi e soggetti a deriva. Per i giovani la traccia è più densa e più lunga che per qualsiasi coorte precedente, il che migliora la previsione e al tempo stesso innalza la posta in gioco della re-identificazione.

Previsione supervisionata e profilazione. Gran parte dell'”IA” nei servizi pubblici è machine learning supervisionato: un modello apprende la relazione statistica tra caratteristiche e un esito, per poi attribuire un punteggio ai nuovi individui. Kleinberg e colleghi (prediction policy problems, 2015) hanno mostrato perché i governi trovino tutto ciò attraente: molti compiti di policy sono, nella loro essenza, compiti di previsione. Il problema di privacy è che una previsione accurata premia la massimizzazione dei dati, in tensione diretta con la minimizzazione dei dati, principio cardine del diritto europeo in materia di protezione dei dati.

Processo decisionale automatizzato (ADM). Quando una previsione viene collegata direttamente a un esito amministrativo senza che un essere umano decida, la previsione diventa decisione. È qui che la CSS incontra il giusto procedimento, ed è qui che i casi finlandesi si fanno più netti.

Microsimulazione e modellazione ad agenti. Non tutti i metodi computazionali profilano gli individui. Modelli di microsimulazione come il finlandese SISU simulano come una modifica della normativa fiscale e dei benefici inciderebbe su una popolazione rappresentativa, utilizzando microdati registrali per stimare gli effetti distributivi prima che una policy venga adottata (Statistics Finland, SISU). Si tratta di un uso della computazione a supporto delle decisioni, progettato per preservare la privacy: ragiona su una popolazione sintetica o protetta, non su un cittadino identificato. Il contrasto tra la simulazione in stile SISU e la profilazione individuale in stile AuroraAI è una delle distinzioni centrali tracciate da questo articolo.

Inferenza causale contro previsione. Un errore ricorrente nella CSS applicata è trattare una correlazione predittiva come se fosse una causa su cui intervenire. Un modello che prevede quale giovane abbandonerà gli studi non è un modello del perché li abbandoni, e intervenire sull’individuo previsto può essere al tempo stesso inefficace e stigmatizzante. Questa distinzione conta per le politiche giovanili, dove la tentazione di agire precocemente su un punteggio di rischio è più forte.

Auditing algoritmico e accountability. Infine, la CSS comprende lo studio degli algoritmi come oggetti di governance: sottoporre i modelli ad audit per individuarne i bias, esigere trasparenza e verificarli rispetto alle norme giuridiche. Nel caso finlandese l’auditor non è un gruppo di ricerca, ma un’istituzione costituzionale, l’Ombudsman parlamentare, il che ci offre un raro audit pubblico dell’ADM statale.

Ciascuno di questi metodi implica un diverso modello di privacy: privacy differenziale e pseudonimizzazione per la computazione protetta, integrità contestuale (Helen Nissenbaum) per giudicare quando un flusso di dati sia appropriato, e networked privacy (danah boyd) per comprendere perché il consenso individuale sia uno strumento debole in popolazioni interconnesse. Vi tornerò più avanti.

3. La datificazione delle decisioni dei giovani

Prima di passare alla Finlandia, conviene precisare che cosa venga deciso e da chi. Le decisioni dei giovani sono datificate a tre livelli.

Al livello individuale, i sistemi di raccomandazione e di scoring plasmano l’insieme delle opzioni che un giovane vede: quale corso, quale beneficio, quale servizio, quale opportunità venga messo in evidenza o nascosto. Il lavoro di Sonia Livingstone sui diritti dei minori in materia di dati sottolinea come questa non sia soltanto una questione di privacy ma una questione di agentività, poiché l’architettura della scelta viene definita a monte della scelta stessa.

Al livello istituzionale, le amministrazioni usano modelli predittivi per allocare un’attenzione scarsa: chi contattare, chi dare priorità, chi segnalare. Virginia Eubanks (Automating Inequality, 2018) ha documentato come simili sistemi, anche quando ben intenzionati, tendano a concentrare lo scrutinio sui poveri già visibili, perché sono la popolazione i cui dati lo Stato detiene in modo più completo. I giovani in contatto con i sistemi di welfare, sanitari o di tutela dell’infanzia sono precisamente una popolazione ad alta visibilità di questo tipo.

Al livello societale, la simulazione e la previsione informano la progettazione delle regole stesse: le aliquote fiscali, le curve di decalage dei benefici e le soglie di ammissibilità che strutturano le decisioni economiche di una generazione. È questo il registro di SISU.

La posta in gioco per la privacy differisce a ciascun livello. Lo scoring individuale rischia la profilazione e la classificazione auto-avverante. L’allocazione istituzionale rischia i loop di retroazione e l’esposizione diseguale. La simulazione societale, fatta bene, è comparativamente benigna, perché non richiede di agire su una persona identificata. Un’analisi seria non può dunque parlare di “IA e privacy” al singolare; deve chiedersi quale metodo computazionale stia svolgendo quale funzione.

4. La Finlandia come laboratorio naturale

La Finlandia è uno Stato sociale datificato al massimo grado. La sua amministrazione funziona su registri personali collegabili, e il trattamento automatizzato non è una prospettiva futura ma una realtà consolidata: il Vice Ombudsman parlamentare ha rilevato nel 2019 che oltre l’80 percento delle decisioni dell’Amministrazione fiscale erano completamente automatizzate (AlgorithmWatch, Automating Society Finland, 2020). Al tempo stesso, la Finlandia ha perseguito una strategia esplicita per fare dell’IA una competenza civica anziché elitaria, attraverso il corso gratuito Elements of AI lanciato dall’Università di Helsinki e da Reaktor nel 2018, la cui ambizione dichiarata era insegnare i fondamenti dell’IA all’uno percento della popolazione e che è stato in seguito offerto in tutta l’UE.

Ciò che rende la Finlandia analiticamente preziosa è che questa ambizione ha incontrato resistenza all’interno dello stesso ordinamento giuridico statale. Lo stesso Paese che ha automatizzato la maggior parte delle decisioni fiscali ha anche prodotto le più chiare pronunce pubbliche secondo cui tale automazione mancava di un’adeguata base giuridica. È questa tensione interna, più di qualsiasi singolo progetto, il vero oggetto di studio.

5. AuroraAI: previsione, profilazione e il gemello digitale dei giovani

L’espressione più chiara del paradigma dello scoring individuale è stata AuroraAI, il programma nazionale finlandese di IA per servizi pubblici incentrati sulla persona, avviato come programma nazionale nel 2020 e coordinato dal Ministero delle Finanze (Finnish Government, 2020). La sua idea animatrice era l'”evento di vita”: in momenti come l’uscita dalla scuola, la nascita di un figlio o la ripresa da un infortunio, AuroraAI avrebbe messo in contatto una persona con i servizi rilevanti tra fornitori pubblici, privati e comunitari, usando l’IA per indirizzare l’individuo verso l’aiuto giusto.

Letta attraverso l’apparato della CSS, AuroraAI era un sistema di raccomandazione e profilazione a livello individuale. Per indirizzare bene una persona, doveva inferire la situazione di quella persona e i suoi probabili bisogni a partire dai dati, il che è previsione supervisionata applicata alle circostanze di vita. Le critiche che si sono accumulate corrispondono con precisione alle modalità di fallimento note del metodo (The Mandarin, 2023). In primo luogo, l’autonomia: un sistema che inferisce gli obiettivi di una persona e la spinge verso percorsi di servizio determinati dall’IA sostituisce una preferenza modellata a una dichiarata. In secondo luogo, bias e deriva: le inferenze addestrate su dati storici rischiano di riprodurre i pattern sociali codificati in quei dati. In terzo luogo, e in modo decisivo nella pratica, l’aggregazione dei dati: assemblare un quadro coerente di una persona a partire da fonti municipali, nazionali, private e comunitarie frammentate si è scontrato esattamente con le barriere giuridiche che il diritto europeo in materia di protezione dei dati e il diritto amministrativo finlandese erigono contro il collegamento incontrollato dei dati.

La dimensione giovanile non è accidentale. Nel 2022 AuroraAI è stata sperimentata in Zekki, una piattaforma di autovalutazione e servizi per i giovani, e il risultato riportato è stato eloquente: le raccomandazioni erano “utili ma generiche” più che genuinamente personalizzate. Dal punto di vista della CSS questa è la firma del problema del cold-start e della sparsità: per un giovane la traccia informativa e longitudinale o non esiste ancora o è giuridicamente murata, sicché il modello ripiega sulle medie di popolazione. L’ambiente giuridico protettivo della privacy e i limiti tecnici puntavano dunque nella stessa direzione. AuroraAI è stata silenziosamente dismessa, e la manutenzione delle componenti centrali della rete è cessata il 31 dicembre 2023 (Digital and Population Data Services Agency, 2023).

La lettura istruttiva non è che il progetto sia fallito tecnicamente. È che un approccio di profilazione individuale alle decisioni giovanili si è scontrato con due vincoli indipendenti allo stesso tempo: un ordinamento di protezione dei dati che resiste al collegamento di cui tale profilazione ha bisogno, e la realtà evolutiva per cui i giovani sono precisamente il gruppo per il quale una previsione individuale accurata è più difficile e più eticamente carica. Quando il profilo è sottile, il sistema o rende meno del dovuto (consigli generici) o eccede il proprio mandato (inferendo ciò che non può sapere). Entrambi gli esiti sono visibili nella vicenda finlandese.

6. Processo decisionale automatizzato e l’audit sul giusto procedimento

Se AuroraAI mostra i limiti della raccomandazione, i casi di processo decisionale automatizzato mostrano che cosa accade quando la previsione viene fusa a un esito vincolante. Qui la Finlandia offre qualcosa di raro: un audit pubblico e quasi-giudiziario degli algoritmi statali condotto da un’istituzione costituzionale.

Nel novembre 2019 il Vice Ombudsman parlamentare ha dichiarato illegittimo il processo decisionale automatizzato dell’Amministrazione fiscale, su tre motivi che si leggono come una checklist del giusto procedimento per l’ADM (AlgorithmWatch, 2020). Il primo era la base giuridica: l’automazione poggiava su una legislazione generale che non aveva mai esplicitamente autorizzato a decidere per via algoritmica, e l’assenza di una procedura definita e ispezionabile vanificava lo scrutinio pubblico. Il secondo era l’accountability: la responsabilità era stata assegnata ad astratti “titolari di processo” anziché a funzionari identificabili, in contrasto con il requisito costituzionale e penalistico finlandese che una persona nominata risponda di un atto amministrativo. Il terzo era il buon andamento: i cittadini non venivano informati quando una decisione era automatizzata e non potevano ottenere la motivazione della decisione. In parallelo, il Cancelliere di Giustizia ha aperto un’indagine sull’Istituto di previdenza sociale, Kela, che liquida ogni anno benefici nell’ordine di 15,5 miliardi di euro, in merito all’opacità su quali delle sue decisioni fossero automatizzate. Il Servizio per l’immigrazione, Migri, ha incontrato obiezioni dalla Commissione per il diritto costituzionale del Parlamento quando ha cercato di automatizzare il trattamento dei permessi.

La lezione dal punto di vista della CSS è che questi non sono in primo luogo reclami sull’accuratezza del modello. Sono reclami sul collasso della distinzione tra previsione e decisione senza un corrispondente apparato giuridico e procedurale. Un modello accurato collegato a un processo privo di accountability è comunque illegittimo. La risposta della Finlandia è stata legislativa, e non meramente critica: una legislazione generale sul processo decisionale automatizzato nella pubblica amministrazione, insieme a modifiche alla legge sul procedimento amministrativo (Administrative Procedure Act), è entrata in vigore nel 2023, fornendo una base giuridica esplicita per l’ADM accanto a garanzie in materia di documentazione, trasparenza e accountability (Finnish Government, 2023).

Per i giovani il significato è concreto. Le decisioni con maggiore probabilità di essere automatizzate su larga scala – benefici per gli studenti, sostegni all’abitazione, misure di disoccupazione e di attivazione – ricadono pesantemente su persone all’inizio della vita adulta, che sono le meno attrezzate per individuare e contestare un esito automatizzato erroneo. Un diritto a sapere che una decisione è stata automatizzata, e a ottenerne la motivazione, è nella pratica un diritto che protegge i giovani in modo sproporzionato, perché essi sono sovrarappresentati proprio in quei flussi decisionali ad alto volume e a bassa discrezionalità che l’automazione prende di mira per primi.

7. Il contromodello incentrato sulla persona: MyData e Findata

La Finlandia non ha prodotto soltanto un ammonimento. Ha prodotto anche due tra le risposte istituzionali più coerenti al dilemma privacy contro utilità, ed entrambe sono analiticamente importanti perché cambiano la collocazione del controllo e della computazione.

MyData è un modello di gestione dei dati personali incentrato sulla persona, nato in Finlandia, articolato in un white paper del 2015 di Poikola, Kuikkaniemi e Honko e successivamente portato avanti da MyData Global, un’organizzazione con sede a Helsinki, attraverso la sua dichiarazione di principi (University of Helsinki research portal; MyData Declaration). La sua tesi centrale è che gli individui dovrebbero detenere un controllo azionabile sui dati che li riguardano, compresi i diritti di accesso, portabilità e la facoltà di autorizzare flussi verso terzi. In termini di CSS, MyData cerca di riposizionare il punto del consenso da una casella spuntata una tantum a un’autorizzazione continua, revocabile e leggibile dalla macchina, il che è una risposta diretta al ben documentato fallimento del modello notice-and-consent su larga scala.

Findata, l’autorità finlandese per le autorizzazioni sui dati sociali e sanitari (Finnish Social and Health Data Permit Authority) istituita nel 2020 in forza della legge sull’uso secondario dei dati sanitari e sociali (in vigore dal 2019), affronta l’altra metà del problema: come consentire ricerca e sviluppo computazionali su dati sensibili senza esporre individui identificati (Findata). Il meccanismo è un sistema basato su autorizzazioni in cui i dati sanitari e sociali collegati vengono pseudonimizzati e analizzati all’interno di un ambiente di elaborazione sicuro, così che i ricercatori ottengano risultati statistici anziché identità grezze. Questa è, di fatto, l’istituzionalizzazione della computazione che preserva la privacy: consente alla società di ragionare sugli esiti sanitari e sociali della sua popolazione giovanile al livello aggregato, di costruzione dei modelli, negando al tempo stesso strutturalmente agli analisti la re-identificazione individuale che la profilazione individuale richiede.

Poste fianco a fianco, MyData, Findata e SISU formano un’alternativa coerente al paradigma di AuroraAI. Laddove AuroraAI cercava di computare sull’individuo identificato per orientare le decisioni di quell’individuo, questa seconda famiglia computa o con l’autorizzazione revocabile dell’individuo (MyData) o su una popolazione protetta e de-identificata (Findata, SISU) per informare decisioni collettive. La differenza di privacy non è di grado ma di architettura. È la differenza tra integrità contestuale preservata e integrità contestuale violata, nel senso di Nissenbaum: dati raccolti per la cura o l’amministrazione, che confluiscono verso un uso statistico secondo norme controllate e leggibili, contro dati raccolti in un contesto e riutilizzati per profilare e spingere in un altro.

8. Dinamiche specifiche dei giovani: consenso, privacy calculus e autonomia in rete

Perché trattare i giovani come un caso a sé anziché come ordinari soggetti dei dati? Tre risultati della letteratura comportamentale e computazionale lo giustificano.

In primo luogo, il cosiddetto paradosso della privacy è più forte tra gli utenti giovani: la preoccupazione dichiarata per la privacy predice debolmente il comportamento di divulgazione, perché la divulgazione è guidata dalla ricompensa sociale immediata in condizioni di razionalità limitata (il privacy calculus). Un modello addestrato sul comportamento giovanile apprende dunque da scelte compiute sotto incentivi sistematicamente distorti, e trattare quelle scelte come preferenze rivelate e autonome trasforma una condizione strutturale in un segnale individuale, ripulendola.

In secondo luogo, la privacy per i giovani è in rete, non individuale (danah boyd). I dati di un adolescente sono co-prodotti da coetanei, genitori, scuole e piattaforme, sicché il consenso individuale non può in linea di principio proteggerli; l’unità rilevante è la rete, non la persona. È esattamente questa la proprietà che rende fattibile la profilazione – i dati mancanti su un giovane possono essere inferiti dai suoi contatti – ed esattamente la proprietà che gli strumenti fondati sui diritti individuali non riescono a cogliere. I registri di welfare finlandesi sono una versione formale di questo substrato in rete, ragione per cui la questione giuridica tornava di continuo al collegamento dei dati e alla base giuridica, più che a qualsiasi singolo consenso.

In terzo luogo, l’autonomia evolutiva è un bersaglio mobile. I giovani sono, per definizione, impegnati a diventare diversi dai loro sé passati. Un sistema che prevede un giovane a partire dalla sua traccia storica e poi agisce su quella previsione rischia di congelare un’identità che la persona ha diritto di superare, una preoccupazione che si collega al diritto europeo alla cancellazione ma va oltre di esso. L’intuizione di AuroraAI di inferire gli obiettivi di una persona è più problematica proprio per coloro i cui obiettivi non sono ancora definiti.

Questi tre risultati convergono in un unico avvertimento metodologico. Per gli adulti si può quantomeno sostenere che i dati comportamentali riflettano preferenze consolidate sotto incentivi normali. Per i giovani, i dati riflettono preferenze che sono instabili, socialmente co-prodotte e formate sotto strutture di ricompensa ottimizzate proprio dalle piattaforme che effettuano la misurazione. Il terreno inferenziale è dunque più debole esattamente dove la tentazione interventista è più forte.

9. Ciò che le scienze sociali computazionali possono e non possono vedere

Un’analisi onesta deve rivolgere la lente su se stessa, perché la CSS non è un osservatore neutrale di questo sistema; ne è uno strumento.

La CSS è forte nella descrizione e nella previsione. Può mostrare, a partire da dati registrali e di traccia, come gli esiti dei giovani si raggruppino, come l’uso dei servizi fluisca attraverso una popolazione e come una riforma dei benefici ridistribuirebbe il reddito (il caso d’uso di SISU). Questi sono usi legittimi e preziosi e, notevolmente, sono gli usi che possono essere realizzati sotto una protezione in stile Findata senza profilazione individuale.

La CSS è debole, e pericolosa, quando l’accuratezza predittiva viene scambiata per comprensione causale o per un mandato ad agire sugli individui. Un modello che prevede con alta accuratezza il disimpegno giovanile non lo spiega comunque, e impiegarlo per prendere di mira individui converte uno strumento descrittivo in una decisione che esige l’apparato del giusto procedimento su cui ha insistito l’Ombudsman finlandese. La distinzione metodologica tra previsione e causazione non è qui igiene accademica; è la linea che separa l’analisi dalla governance priva di accountability.

Vi è inoltre un costo riflessivo per la privacy specifico della misurazione. Per studiare computazionalmente il comportamento in materia di privacy, occorre raccogliere dati comportamentali, sicché la ricerca stessa si colloca all’interno del fenomeno che studia. La risposta finlandese – analisi pseudonimizzata e vincolata ad autorizzazione in ambienti sicuri – è tanto un modello per una CSS responsabile quanto per un’amministrazione responsabile. La stessa architettura che protegge il cittadino dalla profilazione dello Stato protegge il soggetto della ricerca dalla profilazione del ricercatore.

Infine, la CSS dovrebbe essere schietta sulla rappresentatività. I dati registrali catturano la popolazione in contatto con le istituzioni, il che sovrarappresenta i visibili e i governati. Costruire modelli sui giovani su tale base rischia il loop di retroazione di Eubanks: i giovani che il sistema vede più chiaramente diventano i giovani che esso scruta più intensamente, e i dati che ne risultano confermano il focus originario. Nessun grado di sofisticazione del modello corregge un quadro campionario che è esso stesso il prodotto di un’attenzione istituzionale diseguale.

10. Conclusione

Analizzato attraverso i metodi delle scienze sociali computazionali, il problema privacy-IA-decisioni per le nuove generazioni si risolve in un’unica distinzione dalle grandi conseguenze: computare sull’individuo identificato per orientarlo, contro computare con autorizzazione revocabile o su una popolazione protetta per informare scelte collettive. La Finlandia ha condotto entrambi gli esperimenti in pubblico. Il primo, AuroraAI, ha incontrato i limiti della profilazione di una popolazione i cui dati sono sottili, in rete e giuridicamente protetti, ed è stato dismesso. Il secondo – l’insistenza dell’Ombudsman sulla base giuridica e sull’accountability, la legislazione del 2023 sul processo decisionale automatizzato e le architetture MyData e Findata – mostra come si possa preservare la potenza analitica della computazione negandole al tempo stesso la re-identificazione individuale e il decidere privo di accountability che la rendono pericolosa.

La lezione non è che i giovani debbano essere esclusi dai servizi datificati, cosa né possibile né desiderabile, ma che il metodo va commisurato alla posta in gioco. La simulazione e l’analisi de-identificata possono e devono informare le regole che plasmano le scelte di una generazione. La profilazione individuale e il processo decisionale automatizzato, laddove toccano i giovani, devono portare l’intero peso della trasparenza, della contestabilità e dell’accountability nominale, perché i giovani sono la popolazione meno in grado di individuare un errore e più titolata a diventare qualcuno che i loro dati passati non avevano previsto. Le scienze sociali computazionali forniscono sia gli strumenti che creano questa tensione sia la disciplina necessaria a governarla. Il decennio di tentativi della Finlandia è la cosa più vicina che abbiamo a un test controllato sul fatto che una società possa avere il primo senza cedere al secondo.

Sources

• Finnish Government, The AuroraAI national artificial intelligence programme begins (2020)
• Digital and Population Data Services Agency, Maintenance of the AuroraAI network will end on 31 December 2023
• The Mandarin, What Australia can learn from Finland’s AI disaster (2023)
• AlgorithmWatch, Automating Society Report 2020 – Finland
• Finnish Government, Digital and Population Data Services Agency in 2023: automated decision-making and new digital services
• Findata, Finnish Social and Health Data Permit Authority and legislation on secondary use
• MyData, About the MyData Declaration; University of Helsinki, MyData: an Introduction to Human-Centric Use of Personal Data
• Statistics Finland, SISU microsimulation model

Nota: gli inquadramenti analitici richiamati nel testo attingono a un corpus consolidato di studi in scienze sociali computazionali ed etica dei dati – tra cui Lazer e colleghi sulle scienze sociali computazionali, Bit by Bit di Salganik, Kleinberg e colleghi sui prediction policy problems, l’integrità contestuale di Nissenbaum, danah boyd sulla networked privacy, Sonia Livingstone sui diritti dei minori in materia di dati e Automating Inequality di Virginia Eubanks. Sono citati a livello di concetto e di autore; per le formulazioni esatte i lettori dovrebbero consultare le opere originali.

Questo è un saggio analitico a fini di discussione; non costituisce consulenza legale.