{"id":143,"date":"2023-11-30T17:18:49","date_gmt":"2023-11-30T17:18:49","guid":{"rendered":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/chapter\/the-flip-side-of-als-some-paradigms-to-take-note-of\/"},"modified":"2024-01-31T11:38:51","modified_gmt":"2024-01-31T11:38:51","slug":"the-flip-side-of-als-some-paradigms-to-take-note-of","status":"publish","type":"chapter","link":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/chapter\/the-flip-side-of-als-some-paradigms-to-take-note-of\/","title":{"raw":"Il rovescio della medaglia della SLA: Alcuni paradigmi da tenere in considerazione","rendered":"Il rovescio della medaglia della SLA: Alcuni paradigmi da tenere in considerazione"},"content":{"raw":"<em>[Questo capitolo \u00e8 stato tradotto con strumenti di traduzione automatica]<\/em>\n<p class=\"no-indent\">Nonostante il potenziale promesso dai sistemi di apprendimento adattivi, molte domande rimangono senza risposta. Non ci sono ancora sufficienti ricerche o documentazioni di pratiche in classe che aiutino a risolvere questi problemi:<\/p>\n\n<ul>\n \t<li>I sistemi di raccomandazione sono utilizzati per suggerire film agli utenti di Netflix. Aiutano i consumatori a trovare la scelta giusta, ad esempio, di altoparlanti audio su Amazon. Ma possono effettivamente migliorare i risultati di apprendimento di ogni studente in classe<sup>1<\/sup>?<\/li>\n \t<li>Concentrarsi sempre sul rendimento e sull'individualizzazione influisce sul benessere psicologico dello studente<sup>2<\/sup>?<\/li>\n \t<li>L'individualizzazione richiede molta disciplina e autoregolazione da parte degli studenti. Gli studenti devono iniziare a lavorare da soli e continuare a farlo fino a completare tutte le attivit\u00e0 assegnate. Tutti gli studenti sono in grado di farlo senza aiuto<sup>2<\/sup>?<\/li>\n \t<li>Come bilanciare l'individualizzazione con le opportunit\u00e0 di apprendimento sociale<sup>3<\/sup>?<\/li>\n \t<li>Come passare dall'utilizzo degli ALS come supporto per un singolo argomento, all'utilizzo sistematico di questi sistemi, attraverso argomenti e materie<sup>2<\/sup>? E il cambiamento del curriculum che sar\u00e0 necessario per incorporare l'adattabilit\u00e0<sup>3<\/sup>?<\/li>\n \t<li>E le infrastrutture necessarie? Cosa bisogna fare per quanto riguarda i dati e la privacy, i pregiudizi e gli stereotipi rafforzati<sup>3<\/sup>?<\/li>\n<\/ul>\nNello sviluppo degli SLA, alcuni principi vengono utilizzati direttamente o implicitamente. Questi non sono sempre privi di conseguenze.\n<h3>Un paradigma di SLA: Il vecchio \u00e8 oro<\/h3>\n<p class=\"no-indent\">Cosa fanno i sistemi di apprendimento automatico quando prevedono o raccomandano qualcosa? Utilizzano le esperienze passate, le preferenze e le prestazioni dello studente per scegliere cosa consigliargli: Guardano al passato per prevedere il futuro. Pertanto, questi sistemi sono sempre orientati verso il passato<sup>4<\/sup>. <em>L'apprendimento automatico funziona meglio in un mondo statico e stabile, dove il passato assomiglia al futuro<\/em><sup>5<\/sup>. L'ALS basato su modelli di apprendimento automatico fa pi\u00f9 o meno la stessa cosa, ma ora con l'aggiunta di considerazioni pedagogiche.<\/p>\nDi conseguenza, questi sistemi non sono in grado di tenere conto delle fluttuazioni della normalit\u00e0, come la pandemia COVID, i problemi di salute e altri problemi. Tanto meno possono tenere conto dell'et\u00e0, della crescita, della padronanza di nuove competenze e dell'evoluzione personale dei giovani esseri umani.\n\nIl comportamento degli studenti \u00e8 prevedibile? Quante volte possiamo ripetere una formula che ha funzionato bene in passato prima che diventi noiosa e ripetitiva e impedisca il progresso<sup>6<\/sup>? Anche se si potesse fare una tale previsione, \u00e8 prudente esporre gli studenti solo a cose che gli piacciono e con cui si sentono a proprio agio? D'altra parte, quante novit\u00e0 sono eccessive e controproducenti<sup>6<\/sup>?\n\nIn sintesi, \u00e8 difficile stabilire quanto ogni attivit\u00e0 consigliata debba essere simile all'altra, quanti nuovi tipi di attivit\u00e0 introdurre in una sessione e quando sia produttivo spingere uno studente ad affrontare le sfide ed esplorare nuovi interessi. E le risposte non si trovano solo nel passato degli studenti.\n<h3>Un paradigma di SLA: L'esplicito riflette l'implicito<\/h3>\n<p class=\"no-indent\">Anche quando il passato pu\u00f2 essere usato in modo affidabile per prevedere il futuro, il passato stesso potrebbe essere difficile da catturare con precisione. Come fa Youtube a sapere che un utente ha apprezzato un video? \u00c8 pi\u00f9 facile se ha cliccato sul pulsante Mi piace o si \u00e8 iscritto al canale principale dopo averlo visto. Ma questi comportamenti espliciti sono spesso rari. I sistemi di raccomandazione devono ricorrere regolarmente a segnali impliciti che possono riflettere o meno la verit\u00e0<sup>4<\/sup>. Ad esempio, Youtube utilizza il tempo trascorso dall'utente a guardare il video come segnale implicito che il video gli \u00e8 piaciuto e che vorrebbe guardare contenuti simili. Ma il fatto che un video sia stato riprodotto sul computer di qualcuno fino alla fine non significa che gli sia piaciuto o che lo abbia guardato<sup>7<\/sup>.<\/p>\nE come viene registrato il feedback in un sistema di apprendimento adattivo? Per valutare, ad esempio, se uno studente \u00e8 stato attento durante un'attivit\u00e0, il sistema potrebbe registrare il numero di risorse digitali su cui ha fatto clic, quando e per quanto tempo vi ha fatto accesso. Ma questi dati non possono riflettere accuratamente il livello di attenzione dello studente1.\n\nAd esempio, se lo studente ha le idee chiare su cosa fare per un'attivit\u00e0, potrebbe consultare poche risorse e individuare rapidamente i punti critici. Chi non ha le idee chiare potrebbe aprire e dedicare tempo a tutte le risorse elencate senza imparare molto1. \u00c8 possibile che il primo studente venga erroneamente segnalato per mancanza di motivazione e costretto a fare del lavoro supplementare.\n\nVa inoltre tenuto presente che i modelli di apprendimento automatico possono solo notare che due cose - uno studente che fa clic su una risorsa e uno studente che ottiene un punteggio elevato nell'esercizio associato - si sono verificate entrambe. Non possono dedurre che lo studente abbia ottenuto un punteggio elevato perch\u00e9 ha consultato la risorsa - possono dedurre la correlazione, ma non la causalit\u00e05.\n\nL'aspettativa ingiusta di alcuni SLA \u00e8 che l'insegnante intervenga per rimediare a questi errori. In altri sistemi, l'insegnante non ha nemmeno la possibilit\u00e0 di farlo.\n<h3>Il paradigma della SLA: Tutto pu\u00f2 essere sostituito da questa domanda<\/h3>\n<p class=\"no-indent\">I sistemi di raccomandazione non sono in grado di gestire obiettivi multipli. L'obiettivo dell'ALS \u00e8 spesso presentato sotto forma di un'unica domanda: la domanda surrogata. Che voto ha dato un utente a un film, per quanto tempo ha guardato un video, qual \u00e8 il punteggio dello studente in un quiz, quanto ha soddisfatto i criteri utilizzati dalla macchina per misurare l'attenzione... I sistemi vengono quindi addestrati per raggiungere questo obiettivo e testati in base al suo raggiungimento. Le loro prestazioni sono costantemente regolate per massimizzare il loro punteggio rispetto a questo obiettivo.<\/p>\nSe l'obiettivo \u00e8 il punteggio nel quiz, alcuni contenuti vengono consigliati in un certo modo. Il rendimento all'esame \u00e8 il problema surrogato che viene risolto. Se l'obiettivo \u00e8 solo quello di farli cliccare su molte risorse, la raccomandazione sar\u00e0 fatta su misura per spingerli a fare proprio questo. Il problema \u00e8 rendere le risorse attraenti: la domanda a cui ci si rivolge.\n\nLa scelta della domanda ha un'importanza spropositata sul funzionamento dell'ALS<sup>4<\/sup>. Inoltre, contrariamente alla promozione degli ALS come sistemi oggettivi, c'\u00e8 pi\u00f9 arte che scienza nella selezione del problema surrogato per le raccomandazioni<sup>4<\/sup>.\n<h3>Tutta la tecnologia non \u00e8 Hi-Tech<\/h3>\n<p class=\"no-indent\">Come abbiamo visto finora, sono molte le decisioni che entrano in gioco nella realizzazione degli ALS: Quali dati vengono misurati, come questi dati vengono utilizzati per valutare il feedback e altre informazioni, quali obiettivi vengono ottimizzati, quali algoritmi vengono utilizzati per ottimizzare questi obiettivi... Il pi\u00f9 delle volte, sono programmatori, scienziati dei dati, esperti di finanza e di marketing a prendere queste decisioni. Il contributo di insegnanti ed esperti di pedagogia al processo di sviluppo \u00e8 raro e spesso arriva dopo il processo di progettazione<sup>2<\/sup>. I prodotti non vengono testati sul campo prima di essere adottati nelle scuole e spesso la loro efficacia si basa su testimonianze e aneddoti, anzich\u00e9 sulla ricerca scientifica<sup>2<\/sup>.<\/p>\nDi conseguenza, ci\u00f2 di cui una scuola ha bisogno e con cui ha familiarit\u00e0 ha un impatto limitato su ci\u00f2 che le aziende stanno costruendo. Infine, il costo, la disponibilit\u00e0 e l'infrastruttura hanno un peso notevole su ci\u00f2 che le scuole possono acquistare. \u00c8 importante tenerlo presente quando si decide se o come utilizzare un determinato prodotto: Forse \u00e8 meglio non pensare a tutti i sistemi di apprendimento adattivo o AI, ma a singoli sistemi con obiettivi, design e capacit\u00e0 molto diversi.\n\nGli ALS nel loro insieme possono essere utilizzati per personalizzare il feedback, lo scaffolding e la pratica. Possono trovare lacune nell'apprendimento e porvi rimedio entro i limiti della programmazione e della progettazione. Non sono in grado di individuare i \"momenti di insegnamento\" o quando \u00e8 giusto sfruttare l'umore della classe per introdurre una nuova idea o un nuovo esempio. Queste capacit\u00e0 che rendono magico l'apprendimento e che aiutano la lezione a rimanere impressa nella mente dello studente sono esclusivamente il forte dell'insegnante.\n\n&nbsp;\n\n<hr>\n<p class=\"hanging-indent\" style=\"text-align: left\"><sup>1<\/sup> Bulger M., <em>Personalised Learning: The Conversations We\u2019re Not Having,<\/em> Data &amp; Society Working Paper, 2016.<\/p>\n<p class=\"hanging-indent\" style=\"text-align: left\"><sup>2 <\/sup>Groff, J., <em>Personalized Learning: The state of the field and future directions<\/em>, Center for curriculum redesign, 2017.<\/p>\n<p class=\"hanging-indent\" style=\"text-align: left\"><sup>3 <\/sup>Holmes, W., Anastopoulou S., Schaumburg, H &amp; Mavrikis, M.<em>,Technology-enhanced personalised learning: untangling the evidence,<\/em>\u00a0Stuttgart: Robert Bosch Stiftung, 2018.<\/p>\n<p class=\"hanging-indent\" style=\"text-align: left\"><sup>4 <\/sup>Covington, P., Adams, J., Sargin, E., <em>Deep neural networks for Youtube Recommendations<\/em>, Proceedings of the 10th ACM Conference on Recommender Systems, ACM, New York, 2016.<\/p>\n<p class=\"hanging-indent\" style=\"text-align: left\"><sup>5 <\/sup>Barocas, S.,\u00a0 Hardt, M., Narayanan, A., <em><a href=\"https:\/\/fairmlbook.org\/\" target=\"_blank\" rel=\"noopener\" data-cke-saved-href=\"https:\/\/fairmlbook.org\/\">Fairness and machine learning Limitations and Opportunities<\/a>, <\/em>2022.<\/p>\n<p class=\"hanging-indent\" style=\"text-align: left\"><sup>6 <\/sup>Konstan, J., Terveen, L., <em>Human-centered recommender systems: Origins, advances, challenges, and opportunities<\/em>, AI Magazine, 42(3), 31-42, 2021.<\/p>\n<p class=\"hanging-indent\" style=\"text-align: left\"><sup>7 <\/sup>Davidson, J., Liebald, B., Liu, J., Nandy, P., Vleet, T., <em>The Youtube Video Recommendation System<\/em>, Proceedings of the 4th ACM Conference on Recommender Systems, Barcelona, 2010.<\/p>","rendered":"<p><em>[Questo capitolo \u00e8 stato tradotto con strumenti di traduzione automatica]<\/em><\/p>\n<p class=\"no-indent\">Nonostante il potenziale promesso dai sistemi di apprendimento adattivi, molte domande rimangono senza risposta. Non ci sono ancora sufficienti ricerche o documentazioni di pratiche in classe che aiutino a risolvere questi problemi:<\/p>\n<ul>\n<li>I sistemi di raccomandazione sono utilizzati per suggerire film agli utenti di Netflix. Aiutano i consumatori a trovare la scelta giusta, ad esempio, di altoparlanti audio su Amazon. Ma possono effettivamente migliorare i risultati di apprendimento di ogni studente in classe<sup>1<\/sup>?<\/li>\n<li>Concentrarsi sempre sul rendimento e sull&#8217;individualizzazione influisce sul benessere psicologico dello studente<sup>2<\/sup>?<\/li>\n<li>L&#8217;individualizzazione richiede molta disciplina e autoregolazione da parte degli studenti. Gli studenti devono iniziare a lavorare da soli e continuare a farlo fino a completare tutte le attivit\u00e0 assegnate. Tutti gli studenti sono in grado di farlo senza aiuto<sup>2<\/sup>?<\/li>\n<li>Come bilanciare l&#8217;individualizzazione con le opportunit\u00e0 di apprendimento sociale<sup>3<\/sup>?<\/li>\n<li>Come passare dall&#8217;utilizzo degli ALS come supporto per un singolo argomento, all&#8217;utilizzo sistematico di questi sistemi, attraverso argomenti e materie<sup>2<\/sup>? E il cambiamento del curriculum che sar\u00e0 necessario per incorporare l&#8217;adattabilit\u00e0<sup>3<\/sup>?<\/li>\n<li>E le infrastrutture necessarie? Cosa bisogna fare per quanto riguarda i dati e la privacy, i pregiudizi e gli stereotipi rafforzati<sup>3<\/sup>?<\/li>\n<\/ul>\n<p>Nello sviluppo degli SLA, alcuni principi vengono utilizzati direttamente o implicitamente. Questi non sono sempre privi di conseguenze.<\/p>\n<h3>Un paradigma di SLA: Il vecchio \u00e8 oro<\/h3>\n<p class=\"no-indent\">Cosa fanno i sistemi di apprendimento automatico quando prevedono o raccomandano qualcosa? Utilizzano le esperienze passate, le preferenze e le prestazioni dello studente per scegliere cosa consigliargli: Guardano al passato per prevedere il futuro. Pertanto, questi sistemi sono sempre orientati verso il passato<sup>4<\/sup>. <em>L&#8217;apprendimento automatico funziona meglio in un mondo statico e stabile, dove il passato assomiglia al futuro<\/em><sup>5<\/sup>. L&#8217;ALS basato su modelli di apprendimento automatico fa pi\u00f9 o meno la stessa cosa, ma ora con l&#8217;aggiunta di considerazioni pedagogiche.<\/p>\n<p>Di conseguenza, questi sistemi non sono in grado di tenere conto delle fluttuazioni della normalit\u00e0, come la pandemia COVID, i problemi di salute e altri problemi. Tanto meno possono tenere conto dell&#8217;et\u00e0, della crescita, della padronanza di nuove competenze e dell&#8217;evoluzione personale dei giovani esseri umani.<\/p>\n<p>Il comportamento degli studenti \u00e8 prevedibile? Quante volte possiamo ripetere una formula che ha funzionato bene in passato prima che diventi noiosa e ripetitiva e impedisca il progresso<sup>6<\/sup>? Anche se si potesse fare una tale previsione, \u00e8 prudente esporre gli studenti solo a cose che gli piacciono e con cui si sentono a proprio agio? D&#8217;altra parte, quante novit\u00e0 sono eccessive e controproducenti<sup>6<\/sup>?<\/p>\n<p>In sintesi, \u00e8 difficile stabilire quanto ogni attivit\u00e0 consigliata debba essere simile all&#8217;altra, quanti nuovi tipi di attivit\u00e0 introdurre in una sessione e quando sia produttivo spingere uno studente ad affrontare le sfide ed esplorare nuovi interessi. E le risposte non si trovano solo nel passato degli studenti.<\/p>\n<h3>Un paradigma di SLA: L&#8217;esplicito riflette l&#8217;implicito<\/h3>\n<p class=\"no-indent\">Anche quando il passato pu\u00f2 essere usato in modo affidabile per prevedere il futuro, il passato stesso potrebbe essere difficile da catturare con precisione. Come fa Youtube a sapere che un utente ha apprezzato un video? \u00c8 pi\u00f9 facile se ha cliccato sul pulsante Mi piace o si \u00e8 iscritto al canale principale dopo averlo visto. Ma questi comportamenti espliciti sono spesso rari. I sistemi di raccomandazione devono ricorrere regolarmente a segnali impliciti che possono riflettere o meno la verit\u00e0<sup>4<\/sup>. Ad esempio, Youtube utilizza il tempo trascorso dall&#8217;utente a guardare il video come segnale implicito che il video gli \u00e8 piaciuto e che vorrebbe guardare contenuti simili. Ma il fatto che un video sia stato riprodotto sul computer di qualcuno fino alla fine non significa che gli sia piaciuto o che lo abbia guardato<sup>7<\/sup>.<\/p>\n<p>E come viene registrato il feedback in un sistema di apprendimento adattivo? Per valutare, ad esempio, se uno studente \u00e8 stato attento durante un&#8217;attivit\u00e0, il sistema potrebbe registrare il numero di risorse digitali su cui ha fatto clic, quando e per quanto tempo vi ha fatto accesso. Ma questi dati non possono riflettere accuratamente il livello di attenzione dello studente1.<\/p>\n<p>Ad esempio, se lo studente ha le idee chiare su cosa fare per un&#8217;attivit\u00e0, potrebbe consultare poche risorse e individuare rapidamente i punti critici. Chi non ha le idee chiare potrebbe aprire e dedicare tempo a tutte le risorse elencate senza imparare molto1. \u00c8 possibile che il primo studente venga erroneamente segnalato per mancanza di motivazione e costretto a fare del lavoro supplementare.<\/p>\n<p>Va inoltre tenuto presente che i modelli di apprendimento automatico possono solo notare che due cose &#8211; uno studente che fa clic su una risorsa e uno studente che ottiene un punteggio elevato nell&#8217;esercizio associato &#8211; si sono verificate entrambe. Non possono dedurre che lo studente abbia ottenuto un punteggio elevato perch\u00e9 ha consultato la risorsa &#8211; possono dedurre la correlazione, ma non la causalit\u00e05.<\/p>\n<p>L&#8217;aspettativa ingiusta di alcuni SLA \u00e8 che l&#8217;insegnante intervenga per rimediare a questi errori. In altri sistemi, l&#8217;insegnante non ha nemmeno la possibilit\u00e0 di farlo.<\/p>\n<h3>Il paradigma della SLA: Tutto pu\u00f2 essere sostituito da questa domanda<\/h3>\n<p class=\"no-indent\">I sistemi di raccomandazione non sono in grado di gestire obiettivi multipli. L&#8217;obiettivo dell&#8217;ALS \u00e8 spesso presentato sotto forma di un&#8217;unica domanda: la domanda surrogata. Che voto ha dato un utente a un film, per quanto tempo ha guardato un video, qual \u00e8 il punteggio dello studente in un quiz, quanto ha soddisfatto i criteri utilizzati dalla macchina per misurare l&#8217;attenzione&#8230; I sistemi vengono quindi addestrati per raggiungere questo obiettivo e testati in base al suo raggiungimento. Le loro prestazioni sono costantemente regolate per massimizzare il loro punteggio rispetto a questo obiettivo.<\/p>\n<p>Se l&#8217;obiettivo \u00e8 il punteggio nel quiz, alcuni contenuti vengono consigliati in un certo modo. Il rendimento all&#8217;esame \u00e8 il problema surrogato che viene risolto. Se l&#8217;obiettivo \u00e8 solo quello di farli cliccare su molte risorse, la raccomandazione sar\u00e0 fatta su misura per spingerli a fare proprio questo. Il problema \u00e8 rendere le risorse attraenti: la domanda a cui ci si rivolge.<\/p>\n<p>La scelta della domanda ha un&#8217;importanza spropositata sul funzionamento dell&#8217;ALS<sup>4<\/sup>. Inoltre, contrariamente alla promozione degli ALS come sistemi oggettivi, c&#8217;\u00e8 pi\u00f9 arte che scienza nella selezione del problema surrogato per le raccomandazioni<sup>4<\/sup>.<\/p>\n<h3>Tutta la tecnologia non \u00e8 Hi-Tech<\/h3>\n<p class=\"no-indent\">Come abbiamo visto finora, sono molte le decisioni che entrano in gioco nella realizzazione degli ALS: Quali dati vengono misurati, come questi dati vengono utilizzati per valutare il feedback e altre informazioni, quali obiettivi vengono ottimizzati, quali algoritmi vengono utilizzati per ottimizzare questi obiettivi&#8230; Il pi\u00f9 delle volte, sono programmatori, scienziati dei dati, esperti di finanza e di marketing a prendere queste decisioni. Il contributo di insegnanti ed esperti di pedagogia al processo di sviluppo \u00e8 raro e spesso arriva dopo il processo di progettazione<sup>2<\/sup>. I prodotti non vengono testati sul campo prima di essere adottati nelle scuole e spesso la loro efficacia si basa su testimonianze e aneddoti, anzich\u00e9 sulla ricerca scientifica<sup>2<\/sup>.<\/p>\n<p>Di conseguenza, ci\u00f2 di cui una scuola ha bisogno e con cui ha familiarit\u00e0 ha un impatto limitato su ci\u00f2 che le aziende stanno costruendo. Infine, il costo, la disponibilit\u00e0 e l&#8217;infrastruttura hanno un peso notevole su ci\u00f2 che le scuole possono acquistare. \u00c8 importante tenerlo presente quando si decide se o come utilizzare un determinato prodotto: Forse \u00e8 meglio non pensare a tutti i sistemi di apprendimento adattivo o AI, ma a singoli sistemi con obiettivi, design e capacit\u00e0 molto diversi.<\/p>\n<p>Gli ALS nel loro insieme possono essere utilizzati per personalizzare il feedback, lo scaffolding e la pratica. Possono trovare lacune nell&#8217;apprendimento e porvi rimedio entro i limiti della programmazione e della progettazione. Non sono in grado di individuare i &#8220;momenti di insegnamento&#8221; o quando \u00e8 giusto sfruttare l&#8217;umore della classe per introdurre una nuova idea o un nuovo esempio. Queste capacit\u00e0 che rendono magico l&#8217;apprendimento e che aiutano la lezione a rimanere impressa nella mente dello studente sono esclusivamente il forte dell&#8217;insegnante.<\/p>\n<p>&nbsp;<\/p>\n<hr \/>\n<p class=\"hanging-indent\" style=\"text-align: left\"><sup>1<\/sup> Bulger M., <em>Personalised Learning: The Conversations We\u2019re Not Having,<\/em> Data &amp; Society Working Paper, 2016.<\/p>\n<p class=\"hanging-indent\" style=\"text-align: left\"><sup>2 <\/sup>Groff, J., <em>Personalized Learning: The state of the field and future directions<\/em>, Center for curriculum redesign, 2017.<\/p>\n<p class=\"hanging-indent\" style=\"text-align: left\"><sup>3 <\/sup>Holmes, W., Anastopoulou S., Schaumburg, H &amp; Mavrikis, M.<em>,Technology-enhanced personalised learning: untangling the evidence,<\/em>\u00a0Stuttgart: Robert Bosch Stiftung, 2018.<\/p>\n<p class=\"hanging-indent\" style=\"text-align: left\"><sup>4 <\/sup>Covington, P., Adams, J., Sargin, E., <em>Deep neural networks for Youtube Recommendations<\/em>, Proceedings of the 10th ACM Conference on Recommender Systems, ACM, New York, 2016.<\/p>\n<p class=\"hanging-indent\" style=\"text-align: left\"><sup>5 <\/sup>Barocas, S.,\u00a0 Hardt, M., Narayanan, A., <em><a href=\"https:\/\/fairmlbook.org\/\" target=\"_blank\" rel=\"noopener\" data-cke-saved-href=\"https:\/\/fairmlbook.org\/\">Fairness and machine learning Limitations and Opportunities<\/a>, <\/em>2022.<\/p>\n<p class=\"hanging-indent\" style=\"text-align: left\"><sup>6 <\/sup>Konstan, J., Terveen, L., <em>Human-centered recommender systems: Origins, advances, challenges, and opportunities<\/em>, AI Magazine, 42(3), 31-42, 2021.<\/p>\n<p class=\"hanging-indent\" style=\"text-align: left\"><sup>7 <\/sup>Davidson, J., Liebald, B., Liu, J., Nandy, P., Vleet, T., <em>The Youtube Video Recommendation System<\/em>, Proceedings of the 4th ACM Conference on Recommender Systems, Barcelona, 2010.<\/p>\n","protected":false},"author":1,"menu_order":7,"template":"","meta":{"pb_show_title":"","pb_short_title":"","pb_subtitle":"","pb_authors":[],"pb_section_license":""},"chapter-type":[],"contributor":[],"license":[],"part":114,"_links":{"self":[{"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/pressbooks\/v2\/chapters\/143"}],"collection":[{"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/pressbooks\/v2\/chapters"}],"about":[{"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/wp\/v2\/types\/chapter"}],"author":[{"embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/wp\/v2\/users\/1"}],"version-history":[{"count":1,"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/pressbooks\/v2\/chapters\/143\/revisions"}],"predecessor-version":[{"id":144,"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/pressbooks\/v2\/chapters\/143\/revisions\/144"}],"part":[{"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/pressbooks\/v2\/parts\/114"}],"metadata":[{"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/pressbooks\/v2\/chapters\/143\/metadata\/"}],"wp:attachment":[{"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/wp\/v2\/media?parent=143"}],"wp:term":[{"taxonomy":"chapter-type","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/pressbooks\/v2\/chapter-type?post=143"},{"taxonomy":"contributor","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/wp\/v2\/contributor?post=143"},{"taxonomy":"license","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/wp-json\/wp\/v2\/license?post=143"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}