Decision Science

See the english version

See the english version

See the english version

See the english version

Acquaintance and understanding of mathematical models for digital marketing and market data analysis.

Knowledge and understanding: familiarity with the basic notions of marketing models and marketing performances valuation provided by the course.

Applying knowledge and understanding: ability to apply the methodologies illustrated in the course to specific valuation problems in digital marketing analytics

Making judgement: ability to develop a critical approach to the choice of valuation methods for specific marketing performances.
Communication skills: familiarity with the language of marketing analytics, ability to illustrate rigorously methods and ideas.
Learning skills: ability to approach critically and autonomously new concepts and ideas related to the contents of the course.

Linear and Logistic Regression. Factor Models and Complexity Reduction. Principal Component Analysis. Historical time series of market data: the stationary case. AR, MA, ARMA models. The Bass model for marketing.
In the exercise sessions the applications to real data of the theoretical tools presented in the lectures will be provided with the use a statistical software.

Oral Exam with 3 questions (4 for “laude”) concerning the theoretical content of the course. The questions will be strongly aimed at verifying the achievement of the expected learning outcomes.

Grobner, D.F., Shannon, P.W. Business Statistics (A decision-based Approach), MacMillan, 2005.
Centrone, Goia, A., Salinelli, E., Demographic processes in a model of innovation diffusion with dynamic market, Technological Forecasting and Social Change, Elsevier, 2007.

Introduzione all’uso di equazioni dinamiche nello studio
dei sistemi biologici, nelle scienze sociali e psicologiche.
Introduzione ai processi di Markov e alla loro applicabilità in contesti psicologici e sociali.

o Conoscenza dei caratteri generali della dinamica di modelli di sistemi descritti da equazioni non-lineari e dei metodi che ne consentono lo studio
o Capacità di comprendere e formulare modelli probabilistici per interpretare e descrivere fenomeni di comportamento psicologico e sociale.

o Capacità di determinare le caratteristiche generali delle soluzioni di una vasta classe di sistemi dinamici non-lineari.
o Capacità di applicare il calcolo stocastico per la descrizione di processi dinamici che coinvolgono probabilità di transizione

Descrittore di Dublino 3: capacità critiche e di giudizio. Autonomia di giudizio
o Sviluppo di un corretto senso critico nei confronti delle ipotesi di base dei modelli teorici e della scelta delle metodologie più opportune da applicare per affrontarne lo studio analitico e numerico.

• Descrittore di Dublino 4: capacità di comunicare quanto si è appreso.
• Abilità comunicative
  o Capacità di presentare e discutere una modellizzazione matematica di un problema di dinamica sociale in modo logico, completo e formalmente corretto.
  o Capacità di presentare usando un linguaggio scientifico appropriato gli argomenti considerati
• Descrittore di Dublino 5: capacità di proseguire lo studio in modo autonomo nel corso della vita.
• Capacità di apprendere in modo autonomo
  o Costruzione di programmi complessi per simulare processi psicologici e sociali
  o Capacità di approfondire autonomamente processi dinamici in modo autonomo

Modulo A:
1. Introduzione ai modelli dinamici e quantitativi del comportamento sociale.
Esempi di modelli di dinamica evolutiva nelle scienze biologiche, sociali e fisico-matematiche. Caratteristiche generali della dinamica dei sistemi descritti da equazioni non lineari.
2. Teorie del comportamento di gruppo nelle scienze sociali: una panoramica
a. Il concetto di impatto sociale e i modelli correlati. Teoria dell’auto-attenzione. Autovalutazione e conoscenza sociale. Modello quantitativo basato sul principio di congruità.
b. Modelli per i processi di crescita e di diffusione. Crescita malthusiana e logistica. Il modello di Lotka-Volterra. L’equazione di Fisher-Kolmogorov. Modelli a tempi discreti. La mappa logistica e il suo comportamento dinamico. L’equazione di diffusione.
c. Teoria dei giochi. L’esempio del dilemma del prigioniero.
d. Modelli decisionali: l’approccio stocastico.
e. Applicazioni della teoria dei sistemi dinamici in psicologia e nell’analisi di dati psico-sociologici.
f. Semplicità e complessità nella dinamica delle mappe unidimensionali. Comportamento caotico della mappa a tenda. La mappa logistica e la cascata di biforcazioni. Aspetti generali del comportamento caotico. Il pendolo non lineare.
g. Transizioni nei sistemi complessi. Auto-organizzazione in psicologia e nelle scienze sociali.
3. Elementi di teoria dei sistemi dinamici
a. Sistemi dinamici con un numero finito di gradi di libertà. Caratteristiche generali dei ritratti di fase. Concetti di punto fisso, varietà invariante, attrattore. Sistemi conservativi e dissipativi. Moti caotici ed esponenti di Lyapunov.
b. Elementi di teoria della stabilità. Criteri di stabilità per sistemi con un numero finito di gradi di libertà. Matrici, autovettori e autovalori. Classificazione dei ritratti di fase di sistemi uni- e bidimensionali. Esempi di applicazioni della teoria della stabilità. Comportamento non lineare in prossimità dei punti fissi.
c. Esempi di analisi dei ritratti di fase per sistemi dinamici differenziabili. Il modello di Lotka-Volterra e il modello SIR. Studio numerico del comportamento dinamico in sistemi a tempo discreto. La mappa logistica.
4. Modelli dinamici in psicologia
a. Modelli per l’accelerazione dei processi decisionali. Modelli diadici per le relazioni sessuali. Il modello di Gottman-Murray per le relazioni coniugali. Il ritratto di fase del modello di Gottman-Murray.
b. Modelli per la dinamica del panico. Esempi di studi numerici dei ritratti di fase.
c. Modelli dinamici per singoli neuroni. Modelli di auto-organizzazione per reti neurali. Il modello di Hopfield.
d. Reti complesse e dinamica delle reti. Modelli di reti psicologiche.
Modulo B:
1. Richiami di teoria della probabilità
Definizione di probabilità per sistemi discreti. Unione, intersezione e indipendenza degli eventi. Probabilità condizionate. Legge della probabilità totale. Variabili aleatorie discrete e continue, distribuzione di probabilità (assegnata o empirica), media e varianza. Distribuzioni uniforme, esponenziale e gaussiana.
2. Introduzione ai processi stocastici
Passaggio da modelli deterministici a modelli stocastici per un semplice modello di crescita. Che cos’è un processo stocastico. Esempi di processi stocastici a stati discreti e continui nel tempo e nello spazio. Passeggiata aleatoria e rovina del giocatore.
3. Catene di Markov
Definizione di catena di Markov. Omogeneità temporale. Come costruire una matrice di transizione. Esempi di matrici di transizione: matrice di transizione empirica per una catena del tempo atmosferico, rovina del giocatore, passeggiata aleatoria su un grafo non pesato/pesato.
Evoluzione della realizzazione di una singola traiettoria rispetto all’evoluzione della distribuzione di probabilità tramite la matrice di transizione.
Comportamento a lungo termine: distribuzione limite, distribuzione stazionaria. Matrici regolari.
Reversibilità temporale e bilancio dettagliato. Distribuzione stazionaria per una passeggiata aleatoria su un grafo.
4. Equazioni differenziali stocastiche
Moto browniano. Come simulare un moto browniano. Moto browniano con drift. Moto browniano geometrico. Rumore bianco.
Equazioni differenziali stocastiche. Processi di diffusione. Metodo di Euler-Maruyama per l’integrazione di equazioni differenziali stocastiche.
Parte tutorial:
Introduzione alla programmazione in Python per la modellizzazione fisica.
Implementazione numerica di: mappa logistica, modello di Lotka-Volterra, passeggiata aleatoria, catena di Markov discreta, moto browniano.

Presentazione di un esercizio a scelta tra quelli assegnati, più domande teoriche sul materiale del corso.

Per il Modulo A:
Parte 1:
"Stochastic Methods and Models of Social Interaction Processes", Helbing (Springer), pagine 1-13
"Sociodynamics, a systematic approach to mathematical modelling in the social sciences", Weidlich (Dover), fino a pagina 21.
Parte 2:
"Theories of group behavior", Mullen-Goethals (Springer), capitolo 10
Parti 3-4:
"Mathematical biology I", Murray, J.D., Springer, per la parte sul modello SIR e sul modello di Gottman-Murray.
Per il Modulo B:
“Introduction to Stochastic Processes With R”, Dobrow, Robert P., Wiley, capitoli 1-3, 8-9. La maggior parte degli esempi è tratta da questo libro.
“Markov chains. From theory to implementation and experimentation”, Paul A. Gagniuc, Wiley. Per l’esempio della catena del tempo atmosferico; riferimento più elementare.
Per la parte tutorial su Python:
“A Student’s Guide to Python for Physical Modeling”, Kinder, Nelson, Princeton University Press (tutorial iniziale di programmazione in Python)
Riferimenti aggiuntivi
“Complex Systems Research in Psychology”, van der Maas, Han L. J. Molti esempi e applicazioni alla psicologia e alle scienze sociali.
“Models For Behavior”, Thomas D. Wickens, W.H. Freeman & Company
“Statistical physics of social dynamics”, Castellano et al., Rev. Mod. Phys. 81, 591, 2009.

L'insegnamento esamina come le persone formulano giudizi e prendono decisioni, e come questi processi possano essere descritti, spiegati e migliorati. È organizzato in due moduli sequenziali e complementari. Il primo modulo fornisce le basi cognitive e teoriche del giudizio e della scelta: modelli normativi e descrittivi, i meccanismi che generano scostamenti sistematici da tali modelli e i metodi usati per studiarli. Il secondo modulo trasferisce queste basi ai contesti professionali e organizzativi, esaminando come opera il giudizio in presenza di vincoli reali e quali metodi strutturati ne migliorano trasparenza, affidabilità ed equità.
I due moduli condividono un lessico comune e sono progettati in modo che i concetti introdotti nel primo vengano applicati, e non ripetuti, nel secondo.
Modulo 1 — Decision Making (PSIC-01/A) — Gabriele Russo, PhD
Il modulo introduce i processi psicologici e cognitivi che guidano le decisioni individuali. Gli studenti confrontano approcci normativi e descrittivi, esaminano il ruolo di attenzione, memoria, fiducia (confidence), emozione, contesto e framing, e imparano a valutare le evidenze su cui si fondano le affermazioni sul comportamento decisionale umano.
Modulo 2 — Judgment in Applied Contexts (PSIC-03/B) — Michele Vivilecchia
Il modulo applica i principali concetti e modelli del giudizio a contesti professionali, organizzativi e sociali caratterizzati da incertezza, informazioni incomplete, vincoli di tempo ed esiti rilevanti. Gli studenti esaminano come si formano i giudizi in contesti reali, con particolare attenzione al ruolo dell'expertise, del contesto, dei processi individuali e collettivi e delle fonti sistematiche di bias. Il modulo introduce inoltre approcci strutturati al giudizio e strumenti di supporto alla decisione volti a migliorare l'affidabilità, la trasparenza, l'equità e la responsabilità (accountability) delle valutazioni e delle decisioni professionali.

Gli studenti conosceranno le principali teorie normative e descrittive del giudizio e della scelta, i meccanismi cognitivi, emotivi e contestuali che spiegano gli andamenti sistematici del comportamento decisionale, e il modo in cui questi processi operano nei contesti professionali e organizzativi.

Gli studenti saranno in grado di analizzare problemi decisionali, riconoscere bias ed effetti di framing, interpretare evidenze comportamentali e selezionare metodi proporzionati per migliorare le decisioni individuali e collettive.

Autonomia di giudizio: valutare criticamente evidenze, spiegazioni e interventi proposti, con consapevolezza di potenza statistica, replicabilità e implicazioni etiche.
Abilità comunicative: presentare con chiarezza un'analisi decisionale in inglese e giustificarne le conclusioni.
Capacità di apprendimento: collegare in autonomia teorie, risultati empirici e casi applicati.

Modulo 1 — Decision Making
1. Fondamenti e utilità attesa: approcci normativo, descrittivo e prescrittivo; la struttura di un problema decisionale; decisioni ed esiti; valore atteso, utilità attesa e atteggiamenti verso il rischio.
2. Dove l'utilità attesa non regge: i paradossi di Allais ed Ellsberg; ambiguità; razionalità limitata e satisficing.
3. Prospect theory: dipendenza dal punto di riferimento, avversione alla perdita, sensibilità decrescente, ponderazione delle probabilità e contabilità mentale.
4. Euristiche, bias e probabilità di base: disponibilità, rappresentatività e ancoraggio; trascuratezza delle probabilità di base (base-rate neglect) e frequenze naturali; la razionalità ecologica come spiegazione alternativa.
5. Framing, rischio e comunicazione del rischio: effetti di framing, default, decisioni da descrizione e decisioni da esperienza.
6. Evidenza, fiducia e metacognizione: teoria della detezione del segnale, accumulo di evidenza, giudizi di fiducia, overconfidence e caratterizzazione delle differenze individuali.
7. Emozione, motivazione e contesto nella scelta: affect heuristic, emozioni integrali e incidentali, influenze contestuali.
8. Dalla descrizione alla prescrizione: giudizio clinico e attuariale, condizioni in cui l'intuizione esperta è affidabile, cosa un modello predittivo può e non può promettere.
9. Attività di laboratorio guidate: somministrazione alla classe di compiti decisionali classici, analisi quantitativa dei dati raccolti e lettura critica di risultati empirici.
Modulo 2 — Judgment in Applied Contexts
1. Dal giudizio in laboratorio ai contesti applicati: differenze tra il giudizio in condizioni sperimentali e nei contesti reali; complessità, ambiguità, informazioni incomplete, pressione temporale, responsabilità e conseguenze dei giudizi professionali.
2. Giudizio professionale ed expertise: ruolo dell'esperienza e dell'expertise nel giudizio; intuizione professionale; condizioni che sostengono o limitano l'affidabilità del giudizio esperto; esperienza e qualità delle evidenze.
3. Giudizio individuale e collettivo nelle organizzazioni: processi di giudizio nei gruppi e nelle organizzazioni; influenza sociale, conformismo, polarizzazione, groupthink, leadership, conflitto e responsabilità condivisa.
4. Il giudizio nella valutazione delle persone: selezione del personale, colloqui, assessment, valutazione delle prestazioni, promozioni e gestione delle risorse umane; errori sistematici di valutazione e ruolo di criteri di giudizio espliciti.
5. Giudizio, rischio e incertezza: percezione e valutazione del rischio nei contesti professionali; probabilità, conseguenze, ambiguità e comunicazione del rischio; differenze tra rischio percepito e rischio stimato.
6. Giudizio strutturato e strumenti di supporto alla decisione: metodi per strutturare i processi di giudizio, tra cui criteri espliciti, checklist, scale di valutazione, procedure di punteggio, protocolli standardizzati e strumenti di supporto decisionale; benefici e limiti dei modelli e dei sistemi algoritmici.
7. Bias, equità ed etica del giudizio: bias e disuguaglianze nei processi valutativi; equità, trasparenza, accountability e responsabilità professionale; implicazioni etiche del giudizio strutturato e dei sistemi automatizzati di supporto alla decisione.
8. Giudizio e intelligenza artificiale: sistemi basati sull'IA come supporto alla decisione; opportunità e limiti del giudizio supportato dall'IA; bias algoritmico, spiegabilità, supervisione umana e ripartizione della responsabilità tra professionisti e sistemi di IA.
9. Applicare e migliorare il giudizio: analisi di casi professionali e organizzativi; individuazione delle fonti di errore nei processi di giudizio; progettazione e valutazione di strategie per migliorare affidabilità, trasparenza, coerenza ed equità del giudizio professionale.

La verifica consiste in due esami orali individuali in lingua inglese, uno per modulo, della durata di circa 20-30 minuti ciascuno. Ciascun esame verte sul programma del rispettivo modulo e comprende l'analisi di un breve scenario decisionale o di un risultato sperimentale. I due esami si sostengono nella stessa sessione d'esame.
Si tratta di un insegnamento integrato con un unico voto registrato: il voto finale è la media dei voti ottenuti nei due moduli. Le esercitazioni formative e le attività di laboratorio supportano la preparazione ma non determinano da sole il voto finale.
Criteri di valutazione:

• Conoscenza e capacità di comprensione: accuratezza e padronanza di teorie ed evidenze.
• Conoscenza applicata: corretta analisi di scenari, bias e possibili interventi.
• Autonomia di giudizio: confronto critico tra spiegazioni alternative.
• Abilità comunicative: chiarezza, struttura e terminologia appropriata in inglese.
• Capacità di apprendimento: capacità di stabilire collegamenti e ragionare in autonomia.
  Criteri di misurazione e attribuzione del voto finale: il voto è espresso in trentesimi. Il voto di 18/30 richiede un'adeguata padronanza del programma di base; i voti più alti riflettono precisione, integrazione, ragionamento critico e applicazione efficace. La lode è riservata a una prova eccellente e originale.

Modulo 1 — Decision Making (PSIC-01/A) — Gabriele Russo, PhD
Hastie, R., & Dawes, R. M. Rational Choice in an Uncertain World (2nd ed.). Sage, 2010 (selected chapters).
Baron, J. Thinking and Deciding (4th ed.). Cambridge University Press, 2008 (selected chapters).
Kahneman, D. Thinking, Fast and Slow. Farrar, Straus and Giroux, 2011 (selected chapters).
Tversky, A., & Kahneman, D. Judgment under uncertainty: heuristics and biases. Science, 185, 1124-1131, 1974.
Kahneman, D., & Tversky, A. Prospect theory: an analysis of decision under risk. Econometrica, 47, 263-291, 1979.
Gigerenzer, G., & Gaissmaier, W. Heuristic decision making. Annual Review of Psychology, 62, 451-482, 2011.
Lerner, J. S., Li, Y., Valdesolo, P., & Kassam, K. S. Emotion and decision making. Annual Review of Psychology, 66, 799-823, 2015.
I capitoli e gli articoli richiesti sono indicati a lezione. Slide, dataset, esercitazioni e ulteriori letture open access sono resi disponibili sulla piattaforma e-learning di Ateneo.
Modulo 2 — Judgment in Applied Contexts (PSIC-03/B) — Michele Vivilecchia
Kahneman, D., Sibony, O., & Sunstein, C. R. Noise: A Flaw in Human Judgment. Little, Brown Spark, 2021.
Kahneman, D., Lovallo, D., & Sibony, O. Before you make that big decision. Harvard Business Review, June 2011.
Klein, G. Sources of Power: How People Make Decisions. MIT Press, 1998.
Gigerenzer, G. Risk Savvy: How to Make Good Decisions. Viking, 2014.
Tetlock, P. E., & Gardner, D. Superforecasting: The Art and Science of Prediction. Crown, 2015.
Grove, W. M., Zald, D. H., Lebow, B. S., Snitz, B. E., & Nelson, C. Clinical versus mechanical prediction: a meta-analysis. Psychological Assessment, 12, 19-30, 2000.
Milkman, K. L., Chugh, D., & Bazerman, M. H. How can decision making be improved? Perspectives on Psychological Science, 4, 379-383, 2009.
I capitoli e gli articoli richiesti sono indicati a lezione. Materiali sui casi, strumenti di valutazione strutturata e letture integrative sono resi disponibili sulla piattaforma e-learning di Ateneo.

Il corso introduce gli approcci computazionali alla misurazione psicologica attraverso l'apprendimento per rinforzo e le decisioni guidate dalla ricompensa. Esamina come le scelte osservate prova per prova possano essere utilizzate per inferire processi psicologici latenti e in quali condizioni i parametri derivati dai modelli possano essere interpretati come misure delle differenze individuali. Gli studenti impareranno a collegare i principali fenomeni dell'apprendimento, della motivazione e della decisione a modelli generativi; a interpretare il significato psicologico e i limiti dei parametri più comuni; a distinguere i processi di apprendimento dai processi di scelta; a confrontare meccanismi alternativi che possono produrre comportamenti simili; e a valutare le misure computazionali in termini di identificabilità, affidabilità, validità e utilità predittiva. Il corso privilegia la comprensione concettuale, il ragionamento basato sui modelli e l'interpretazione critica, più che la programmazione.

Gli studenti comprenderanno i principali concetti psicologici e i principi computazionali alla base dell'apprendimento per rinforzo e delle scelte guidate dalla ricompensa; l'interpretazione e i limiti dei parametri più comuni dei modelli; e i requisiti psicometrici necessari per utilizzare quantità derivate dai modelli come misure delle differenze individuali.

Gli studenti saranno in grado di interpretare pattern comportamentali prova per prova, equazioni, manipolazioni dei parametri e output dei modelli; distinguere meccanismi di apprendimento, scelta, esplorazione, perseverazione e pianificazione; confrontare spiegazioni computazionali concorrenti; e valutare o progettare un semplice compito computazionale finalizzato alla misurazione di un costrutto psicologico.

Autonomia di giudizio: valutare criticamente affermazioni basate sui modelli, identificarne le assunzioni e le spiegazioni alternative, e distinguere evidenze consolidate, assunzioni del modello e inferenze ragionevoli.
Abilità comunicative: spiegare con chiarezza in lingua inglese concetti psicologici e computazionali e giustificare le proprie interpretazioni utilizzando terminologia ed evidenze appropriate.
Capacità di apprendimento: collegare autonomamente teoria psicologica, disegno sperimentale, previsioni dei modelli e criteri di misurazione.

1. Dal comportamento al processo latente: costrutti psicologici, prestazione osservata, impurità del compito, modelli generativi e problema inverso.
2. Rinforzo e apprendimento associativo: ricompensa, rinforzatore, punizione, contingenza, apprendimento pavloviano e strumentale, errore di predizione e modello di Rescorla-Wagner.
3. Valori d'azione e scelta: Q-learning, tasso di apprendimento, scelta softmax, temperatura inversa, lapse, bias di risposta e perseverazione.
4. Esplorazione e sfruttamento: multi-armed bandit, incertezza, esplorazione casuale ed esplorazione diretta, e regret.
5. Apprendimento in condizioni di cambiamento: reversal learning, ambienti stabili e volatili, decadimento dei valori, apprendimento adattivo e flessibilità comportamentale.
6. Apprendimento lungo la dimensione temporale: temporal-difference learning, ricompensa differita, sconto temporale, rappresentazione degli stati e attribuzione del credito.
7. Sistemi multipli di controllo: apprendimento model-free e model-based, abitudini, comportamento diretto a uno scopo, controllo ibrido e two-step task.
8. Influenze pavloviane e motivazione incentivante: bias di approccio-evitamento, trasferimento pavloviano-strumentale, vigore motivazionale, salienza incentivante e fenotipi orientati verso gli indizi.
9. Stima e valutazione dei modelli: verosimiglianza, stima individuale e gerarchica, confronto tra modelli, overfitting, predizione fuori campione e posterior predictive checks.
10. Misurazione computazionale: parameter recovery e model recovery, identificabilità, affidabilità, validità, utilità predittiva e interpretazione responsabile dei fenotipi computazionali.

La verifica dell'apprendimento consiste in un esame orale individuale in lingua inglese, della durata indicativa di 20-30 minuti, relativo all'intero programma. L'esame può includere domande concettuali; l'interpretazione di un'equazione, di una sequenza di prove, di un grafico o dell'output di un modello; il confronto tra meccanismi alternativi; e la valutazione critica di una misura computazionale o di un disegno di studio.
Il voto finale è determinato esclusivamente dall'esame orale ed è espresso in trentesimi. Il superamento richiede una votazione minima di 18/30. Le votazioni più elevate riflettono maggiore accuratezza, integrazione tra gli argomenti, ragionamento critico e capacità di applicare i concetti a esempi non familiari. La lode può essere attribuita a una prova eccellente, caratterizzata da precisione, profondità, originalità e rigore argomentativo costante. Le attività laboratoriali e gli esercizi formativi sostengono l'apprendimento e la preparazione all'esame, ma non sono oggetto di una valutazione separata.

Materiali didattici forniti dal docente durante il corso.

Il corso mira a fornire agli studenti le basi concettuali e metodologiche necessarie per comprendere, selezionare, costruire e interpretare criticamente dati e indicatori ambientali ai fini di un processo decisionale basato su evidenze. Particolare attenzione è rivolta al monitoraggio ambientale, alla valutazione della sostenibilità, ai servizi ecosistemici, alle dinamiche di uso e copertura del suolo, alla resilienza climatica, ai sistemi urbani e territoriali e alla dimensione ambientale degli Obiettivi di Sviluppo Sostenibile.

Al termine del corso, gli studenti avranno acquisito conoscenze e comprensione in merito a:
le principali tipologie e fonti di dati ambientali, tra cui statistiche ufficiali, prodotti di Osservazione della Terra, dataset geospaziali, misurazioni sul campo e piattaforme di dati aperti (open-data);
il ruolo degli indicatori ambientali nella valutazione della sostenibilità, nella governance ambientale e nei processi decisionali;
i principali quadri concettuali per la valutazione ambientale, inclusi gli Obiettivi di Sviluppo Sostenibile (SDGs), il modello DPSIR, i servizi ecosistemici, la resilienza e le prospettive dei sistemi socio-ecologici;
la relazione tra monitoraggio ambientale, definizione degli indicatori, incertezza e interpretazione dei dati ai fini delle politiche;
l'uso di indicatori spaziali e temporali per valutare i cambiamenti nell'uso del suolo, lo stato degli ecosistemi, i rischi legati al clima e la sostenibilità urbana e ambientale.

Gli studenti saranno in grado di:
individuare fonti di dati ambientali idonee per uno specifico problema decisionale;
costruire e interpretare indicatori ambientali di base utilizzando approcci quantitativi, spaziali e comparativi;
valutare i punti di forza, i limiti e le incertezze degli indicatori in relazione agli obiettivi di politica, pianificazione o gestione;
applicare gli indicatori ambientali a casi di studio reali, quali infrastrutture verdi urbane, adattamento ai cambiamenti climatici, cambiamenti nell'uso del suolo, servizi ecosistemici o monitoraggio degli SDG;
tradurre le evidenze ambientali in elaborati sintetici e orientati al processo decisionale, inclusi cruscotti di indicatori, brevi rapporti o raccomandazioni rilevanti per le politiche.

Gli studenti svilupperanno la capacità di:
valutare criticamente l'affidabilità, la rilevanza e i limiti di dati e indicatori ambientali;
selezionare gli indicatori in base al contesto decisionale, alla scala spaziale e temporale e alle esigenze degli stakeholder;
riconoscere i compromessi (trade-off) tra le dimensioni ambientale, sociale ed economica della sostenibilità;
interpretare le evidenze ambientali in condizioni di incertezza e incompletezza delle informazioni;
formulare giudizi autonomi e basati su evidenze in merito a priorità ambientali, opzioni di pianificazione e strategie di sostenibilità.

Dati ambientali e processi decisionali
Problemi ambientali come problemi decisionali; politiche basate sull'evidenza; monitoraggio ambientale; incertezza, scala e complessità nei sistemi socio-ecologici.
Fonti di dati ambientali
Statistiche ambientali ufficiali; osservazione della Terra e telerilevamento; GIS e dati geospaziali; monitoraggio in campo; reti di sensori; citizen science; piattaforme di dati ambientali aperti (open data).
Indicatori ambientali e quadri di valutazione
Progettazione e selezione degli indicatori; logica pressione-stato-risposta; modello DPSIR; indicatori ambientali degli SDG; servizi ecosistemici; indicatori di resilienza e vulnerabilità.
Indicatori spaziali per la valutazione del territorio e degli ecosistemi
Cambiamenti nell'uso e nella copertura del suolo; struttura del paesaggio; frammentazione; indici di vegetazione; stato dell'ecosistema; infrastrutture verdi urbane; indicatori di esposizione ambientale e accessibilità.
Indicatori per la sostenibilità, la resilienza climatica e la pianificazione
Indicatori di rischio climatico; indicatori relativi al calore urbano e agli spazi verdi; soluzioni basate sulla natura (Nature-based Solutions); metriche per la biodiversità e i servizi ecosistemici; giustizia ambientale e disuguaglianze socio-spaziali.
Dagli indicatori alle decisioni
Interpretazione multicriterio; dashboard di indicatori; confronto tra scenari; comunicazione dell'incertezza; traduzione delle evidenze ambientali in raccomandazioni per la pianificazione e le politiche.
Casi studio pratici ed esercitazioni progettuali
Gli studenti analizzeranno dataset ambientali selezionati e svilupperanno un elaborato sintetico a supporto delle decisioni, basato su indicatori, interpretazione dei dati e raccomandazioni per un caso reale o simulato.

La valutazione finale consisterà in una prova orale e nella discussione di un caso di studio pratico. Agli studenti sarà richiesto di dimostrare la propria capacità di comprendere le fonti di dati ambientali, selezionare indicatori appropriati, interpretare i risultati e comunicarne le implicazioni ai fini del processo decisionale.

OECD. Environmental Indicators: Development, Measurement and Use.
United Nations. Framework for the Development of Environment Statistics.
United Nations. System of Environmental-Economic Accounting.
European Environment Agency reports on environmental indicators, land systems and urban sustainability.
Selected peer-reviewed articles on Earth Observation, ecosystem services, urban resilience, land-use change and sustainability indicators.

Il corso mira ad approfondire le conoscenze di base sulla metodologia LCA e sulla sua applicazione in diversi contesti.

Il corsista di Life cycle assessment conosce i fondamenti per la realizzazione di uno studio di valutazione ambientale. Una base indispensabile sarà costituita dalla padronanza della metodologia di analisi e dalle applicazioni software. Al raggiungimento di tali capacità concorrerà la partecipazione alle lezioni in aula, alle attività di laboratorio e l’impegno di studio personale previsto dalle attività formative.

Lo studente sarà in grado di comprendere gli attuali sviluppi nazionali ed internazionali in tema di politiche ambientali di prodotto. Dovrà inoltre acquisire padronanza degli strumenti di valutazione ambientale. Al raggiungimento di tali capacità concorre lo studio individuale dei testi proposti e l’esame di casi di studio illustrati nel corso delle attività proposte.

Lo studente avrà acquisito, con la partecipazione alle attività di aula e ai laboratori e infine con l’elaborazione della prova finale, la capacità di approfondire autonomamente con approccio critico i temi relativi alle politiche ambientali di prodotto e alla implementazione di un sistema di valutazione ambientale di prodotto in un contesto produttivo.

Introduzione ai fondamenti scientifici della LCA.
Principi metodologici e caratteristiche fondamentali del metodo. Le norme della serie ISO 14040.
Definizione dell'obiettivo e del campo di applicazione: scelta dell'unità funzionale e dei confini del sistema.
Inventario del ciclo di vita (LCI).
Valutazione degli impatti del ciclo di vita (LCIA): indicatori di impatto e metodi di valutazione.
Interpretazione dei risultati: analisi dell'incertezza, analisi di sensibilità, analisi di rilevanza e analisi del contributo.
Applicazioni della LCA a diversi sistemi, tra cui la produzione di energia elettrica da fonti convenzionali e rinnovabili, alimenti e materiali da costruzione.

Esame orale

Appunti delle lezioni a cura del docente

L'insegnamento fornisce una comprensione integrata dei meccanismi neurali e psicologici attraverso cui le emozioni influenzano le scelte basate sul valore. Gli studenti impareranno a collegare le evidenze delle neuroscienze affettive e cognitive con i modelli formali della decisione in condizioni di rischio, incertezza, ritardo e interazione sociale. Particolare attenzione è dedicata all'apprendimento basato sulla ricompensa, alla regolazione emotiva, alle differenze individuali e alle alterazioni rilevanti per i principali disturbi psichiatrici.

Gli studenti conosceranno le principali teorie, i paradigmi e i sistemi neurali coinvolti nell'emozione e nelle decisioni basate sul valore, e sapranno distinguere i livelli di spiegazione normativo, comportamentale, computazionale e neuroscientifico.

Gli studenti saranno in grado di interpretare compiti sperimentali, risultati di neuroimaging/MEG e costrutti computazionali di base; di confrontare spiegazioni alternative; e di applicare i concetti del corso a problemi decisionali clinici e reali.

Autonomia di giudizio: valutare criticamente metodi, inferenze, riproducibilità e implicazioni etiche.
Abilità comunicative: esporre con chiarezza evidenze complesse in inglese, con una terminologia scientifica appropriata.
Capacità di apprendimento: individuare, leggere e sintetizzare in autonomia la letteratura scientifica pertinente.

1. Fondamenti di neuroscienze affettive e della decisione: livelli di spiegazione, paradigmi sperimentali, evidenze causali e correlazionali.
2. Sistemi neurali per affetto, motivazione, ricompensa e attribuzione di valore; network della salienza e del controllo cognitivo.
3. Apprendimento per rinforzo, errori di predizione e costruzione del valore soggettivo.
4. Interazioni emozione–cognizione: attenzione, memoria, appraisal, segnali corporei e regolazione emotiva.
5. Decisioni in condizioni di rischio e incertezza: framing, avversione alla perdita, ambiguità e variabilità individuale.
6. Decisioni intertemporali e sociali: ritardo, fiducia, cooperazione, equità (fairness) e contesto sociale.
7. Prospettive traslazionali: disturbi dell'umore, depressione resistente al trattamento, psicosi e scelte disadattive.
8. Metodi e riproducibilità: fMRI, MEG, neuromodulazione non invasiva, connettività, modellizzazione computazionale e interpretazione critica delle evidenze.
9. Attività pratiche guidate: analisi di compiti sperimentali, interpretazione di figure e risultati, discussione critica di articoli scientifici.

Esame orale individuale in lingua inglese (circa 20–30 minuti). L'esame verte sull'intero programma e comprende la discussione di concetti teorici, l'interpretazione di un risultato sperimentale o di una figura e l'applicazione a uno scenario decisionale. Le esercitazioni formative supportano la preparazione ma non determinano da sole il voto finale.
Criteri di valutazione:

• Conoscenza e capacità di comprensione: accuratezza, completezza e integrazione tra psicologia e neuroscienze.
• Conoscenza e capacità di comprensione applicate: corretta interpretazione di paradigmi, evidenze e implicazioni pratiche.
• Autonomia di giudizio: qualità del ragionamento critico e consapevolezza dei limiti metodologici.
• Abilità comunicative: chiarezza, organizzazione e uso appropriato del lessico scientifico in inglese.
• Capacità di apprendimento: capacità di collegare le fonti e di sviluppare autonomamente una risposta argomentata.
  Criteri di misurazione e attribuzione del voto finale: il voto è espresso in trentesimi. Il voto di 18/30 richiede una conoscenza adeguata dei concetti fondamentali; i voti più alti premiano integrazione, analisi critica, precisione e applicazione autonoma. La lode è attribuita a una prova eccellente, completa e originale.

Glimcher, P. W., & Fehr, E. (Eds.). Neuroeconomics: Decision Making and the Brain (2nd ed.). Academic Press, 2014 (selected chapters).
Phelps, E. A., Lempert, K. M., & Sokol-Hessner, P. Emotion and decision making. Annual Review of Psychology, 65, 263–292, 2014.
Rangel, A., Camerer, C., & Montague, P. R. A framework for studying the neurobiology of value-based decision making. Nature Reviews Neuroscience, 9, 545–556, 2008.
Ruff, C. C., & Fehr, E. The neurobiology of rewards and values in social decision making. Nature Reviews Neuroscience, 15, 549–562, 2014.
Sanfey, A. G. Social decision-making: insights from game theory and neuroscience. Science, 318, 598–602, 2007.
Sono richiesti solo i capitoli e gli articoli indicati durante il corso. Slide, dataset e ulteriori letture open access saranno resi disponibili sulla piattaforma e-learning di Ateneo.

Metodi di ottimizzazione.

• VARIAZIONI: Problemi di minimizzazione senza vincoli, Vincoli di uguaglianza
• OTTIMIZZAZIONE LINEARE: Teoria, Algoritmo del simplesso, Teorema di dualità, Applicazioni
• CONVESSITÀ: Geometria convessa, Funzioni convesse
• OTTIMIZZAZIONE NON LINEARE: Vincoli di disuguaglianza, Moltiplicatori di Lagrange, Programmazione quadratica
• OTTIMIZZAZIONE CONVESSA: Disuguaglianze variazionali, Convessità e moltiplicatori di Lagrange, Dualità e convessità, Minimax e dualità.

Colloquio orale con contestuale risoluzione di uno o più esercizi.
Saranno valutate:

• Conoscenza e capacità di comprensione;
• Conoscenza e capacità di comprensione applicate;
• Autonomia di giudizio;
• Abilità comunicative;
• Capacità di apprendere.
  Il voto finale e attribuito in trentesimi. L’esame si
  intende superato quando il voto e maggiore o uguale a
  18.

Lawrence C. Evans, MATHEMATICAL METHODS FOR
OPTIMIZATION - Finite Dimensional Optimization, 2021.