Content uploaded by Paolo Costa
Author content
All content in this area was uploaded by Paolo Costa on May 26, 2021
Content may be subject to copyright.
1
LA COSTOLA MALANDATA.
FILTRI ALGORITMICI E PREGIUDIZI DI GENERE
1
di Paolo Costa
SOMMARIO: 1. Introduzione – 2. I gender script degli artefatti tecnologici – 3. Demistificare l’AI – 4. La
discriminazione nel ML – 5. Possibili soluzioni al problema
1. Introduzione
La riflessione che qui propongo si articola in quattro parti. La prima parte ha lo
scopo di ricordare due condizioni di ordine generale, sovente trascurate, che
connotano il nostro rapporto con la tecnologia: da un lato gli artefatti tecnologici non
sono neutrali, perché fin dalla loro progettazione contengono modelli di
rappresentazione dell’utente, e in particolare quelli che nell’ambito degli studi
femministi sono noti come gender script; dall’altro lato l’effetto di tali modelli non è
meccanico e deterministico, perché gli utenti rinegoziano continuamente i significati
degli artefatti tecnologici. Ogni tecnologia risulta dunque come il prodotto di un
negoziato culturale e politico fra progettisti e gruppi sociali. Nella seconda parte mi
concentro sulle tecnologie dell’intelligenza artificiale (artificial intelligence, d’ora in avanti
AI), con l’obiettivo di evidenziare come la rappresentazione più diffusa di tali
tecnologie non corrisponda alla loro effettiva evoluzione, ma tenda piuttosto a
sopravvalutarne le capacità. Con il risultato che si genera una dissonanza fra le
prestazioni dell’AI e le aspettative del pubblico. Una simile dissonanza predispone a
sua volta a una relazione disfunzionale fra le tecnologie medesime e gli utenti. Nella
terza parte mostro come, in particolare, questa relazione disfunzionale si manifesti
nell’ambito dei sistemi di apprendimento automatico (machine learning, d’ora in avanti
ML), che incorporano pregiudizi di genere di vario tipo. Nel tentativo di illustrare il
problema con qualche esempio, ho scelto l’ambito dei sistemi per il trattamento del
1
Intervento al convegno Parità di genere e nuove tecnologie, Università degli Studi di Pavia, 26 maggio 2021.
2
linguaggio naturale, che hanno un forte impatto sulla vita di tutti noi. Infine, nella
quarta parte accenno ad alcune possibili soluzioni al problema.
Un breve cenno al titolo di questo contributo. Si tratta di un omaggio a Eva non è
ancora nata, canzone composta nel 1978 da Giorgio Gaber e Sandro Luporini e inserita
nell’album Polli di allevamento
2
. Così recita infatti la sesta strofa: « Come son giusti i
giovani / Insieme alle loro ragazze / Coscienti che questa polemica è superata / Come
son più sensibili / Di fronte a una nuova realtà / Le idee sono buone ma la costola è
malandata / Eva non è ancora nata».
2. I gender script degli artefatti tecnologici
Riguardo al rapporto fra tecnologia e società esistono due posizioni altrettanto
diffuse ai giorni nostri. La prima si fonda sul mito della neutralità tecnologica, ossia
sull’idea che nessuna tecnologia abbia, in sé, qualcosa di buono o di cattivo. In base a
tale visione a essere più o meno corretto, semmai, sarebbe l’uso che facciamo della
tecnologia. La seconda posizione, al contrario, postula fra tecnologia e società un
rapporto di tipo deterministico: la tecnologia, appunto, determina i suoi effetti secondo
leggi di tipo meccanico: ciascuna tecnologia si comporta in un certo modo perché
quello è il suo modo di comportarsi, un po’ come l’acqua bolle a 100 °C e i salmoni
risalgono i fiumi, e noi possiamo farci ben poco.
Vi è una certa ingenuità nell’uno come nell’altro punto di vista. Quando –
evocando la prima legge di Kranzberg – affermiamo che la tecnologia non è in sé
buona o cattiva, ma non per questo è neutrale, ci riferiamo al fatto che gli sviluppi
tecnologici hanno in genere conseguenze sociali, economiche e ambientali che vanno
al di là dei loro obiettivi originari. D’altra parte, la medesima tecnologia può avere
conseguenze diverse, a seconda del contesto e delle circostanze che ne accompagnano
la diffusione [KRANZBERG 1986, pp. 545-546]. I fattori estrinseci, ossia non connessi
in modo diretto alle caratteristiche degli artefatti tecnologici, sono dunque decisivi per
comprendere la diffusione e l’impatto di tali artefatti.
Il punto sembra risiedere nel fatto che gli artefatti tecnologici si inseriscono in una
2
Registrazione dell’omonimo spettacolo, effettuata al Teatro Duse di Bologna il 18 ottobre 1978 per l’etichetta Carosello
Records di Milano.
3
rete di relazioni che coinvolge esseri umani e macchine, competenze, interessi e
desideri. Ma in che modo l’artefatto opera all’interno di questa rete? In che modo,
segnatamente, l’artefatto condiziona le relazioni degli agenti umani – quelli che oggi
siamo soliti chiamare utenti – con sé stesso e con altri agenti? Secondo Madeleine
Akrich [1992] per rispondere a tale domanda è necessario comprendere in che misura
l’agente umano assunto nell’ambito della progettazione dell’artefatto corrisponde
all’agente reale. Nel momento in cui formula delle ipotesi sul suo utilizzo, chi disegna
una nuova tecnologia iscrive nel proprio progetto la visione del mondo in cui essa si
collocherà. Il/la designer produce degli script. Tali script sono incorporati nel
dispositivo tecnico e definiscono gli attori, lo spazio in cui si muovono e il modo in
cui interagiscono. Ma non è solo questo: il/la designer fornisce anche una chiave da
utilizzare per interpretare gli eventi futuri. L’artefatto tecnologico diventa uno
strumento di conoscenza e di controllo sociale, nel senso che stabilisce norme di
comportamento:
Nella misura in cui le scelte progettuali assumono la forma di decisioni su ciò che
deve essere delegato e a chi, questo significa che l’oggetto tecnico contiene e produce
una specifica geografia delle responsabilità […] L’innovazione tecnologica non solo può
portare a definire rapporti inediti fra le persone e le cose. In aggiunta, essa può anche
generare e “naturalizzare” nuovi ordini di casualità, e dunque nuove forme di
conoscenza del mondo. [AKRICH 1992, p. 207; traduzione mia]
Alcuni script iscritti nell’artefatto tecnologico hanno una connotazione di genere
(gender script). Questo può dipendere da due circostanze. Da un lato succede che
l’agente incorporato nel design di una determinata tecnologia rappresenti il modello
di un uomo, in termini di requisiti e preferenze, piuttosto che quello di una donna.
Spesso ciò è legato al fatto che tale tecnologia è stata progettata proprio da un uomo
e dunque si presenta come una tecnologia maschile [OUDSHOOM, ROMMES,
STIENSTRA, 2004]. Dall’altro lato, sempre in ragione del fatto che il design tecnologico
è stato affidato a uomini, esso incorpora un agente femminile che non trova riscontro
nella realtà, ma è piuttosto il frutto di stereotipi e pregiudizi. Cosicché abbiamo a che
fare con tecnologie rivolte alle donne o che rappresentano le donne, per le quali i loro
4
progettisti maschi potrebbero dire ciò che Gustave Flaubert disse a proposito di
Madame Bovary: «c’est moi». In passato è stata evidenziata, per esempio, la presenza
costante di bias di genere all’interno della rappresentazione del mondo fornita da
Wikipedia, la nota enciclopedia online curata da una comunità di utenti molto vasta
ma con un profilo demografico a predominanza maschile [WAGNER, GARCIA,
JADIDI, STROHMAIER 2015].
Un caso da manuale di tecnologie per donne progettate da uomini è quello delle
macchine per il supporto al lavoro domestico, descritto da Ruth Schwartz Cowan in
un memorabile studio del 1983. Schwartz Cowan ricostruisce la storia delle tecnologie
domestiche e dell’industrializzazione della casa, mettendo in evidenza il peculiare
percorso che ha condotto le donne a essere assunte all’interno di uno schema del
lavoro industrializzato sostanzialmente diverso da quello destinato agli uomini. Certo,
ci sono alcuni elementi in comune: il ricorso a risorse energetiche non umane, la
dipendenza da reti e istituzioni sociali, l’alienazione (nel senso di estraniazione
psicologica). Tuttavia, contrariamente al lavoro industrializzato degli uomini, il lavoro
industrializzato domestico non è svolto a fronte di un salario, si consuma in un
ambiente isolato e non richiede alcun tipo di specializzazione. L’industrializzazione
della casa – osserva Schwartz Cowan – è stata in parte determinata da processi sui
quali le casalinghe hanno potuto esercitare un controllo molto modesto o addirittura
nullo [SCHWARTZ COWAN 1983, p. 14].
3. Demistificare l’AI
Quanto fin qui indicato a proposito della complessa interazione fra tecnologia,
individui e sistemi sociali ci aiuta a inquadrare, io credo, talune disfunzionalità che
caratterizzano il ruolo dell’AI oggi e, in particolare, il problema dei bias che connotano
gli algoritmi di ML sempre più utilizzati in ogni ambito della nostra vita. Il problema,
nella sua essenza, può essere formulato come segue: gli algoritmi sono disegnati da
esseri umani, i quali incorporano i loro pregiudizi inconsci all’interno degli algoritmi
stessi o – per meglio dire, come vedremo – nei dati con cui gli algoritmi stessi sono
addestrati. Dunque non dobbiamo stupirci quando il ML non lavora in modo
5
corretto: non vi è nulla di più o di meglio, nel codice software, di quanto vi possiamo
avere inserito noi esseri umani.
Invece l’AI viene caricata di aspettative incongrue. Come accade più in generale
nel caso del software, le tecnologie dell’AI nutrono il nostro immaginario. Per questo
oggi ci attendiamo dall’AI molto più di ciò che essa può darci, nel bene come nel
male. Abbiamo in mente qualcosa di molto simile al concetto astratto di general AI,
ma poi ci confrontiamo ogni giorno con un altro tipo di AI, quella che esiste e che
funziona, ossia la cosiddetta narrow AI. E fingiamo di non capire che essa è niente di
più di un metodo matematico per la predizione, intesa come la risposta numerica più
attendibile a qualunque domanda sia appunto gestibile in modo numerico. Il che, se
ci pensiamo, è moltissimo. Ma, al tempo stesso, pochissimo.
«Scusa, non ho capito» è il tipo di risposta che otteniamo da un assistente digitale
cui attribuiamo erroneamente un eccesso di intelligenza, se gli chiediamo di esercitarsi
in ciò che non gli compete: per esempio di individuarsi al di là del suo sé fisico, di
valutare l’ipotesi della reincarnazione, di interrogarsi sull’esistenza dell’aldilà o di
dichiarare la propria situazione emotiva. È il problema della coscienza dell’AI. Sia che
si affronti tale problema nella prospettiva del materialismo biologico, ovvero
riconoscendo la capacità di coscienza solo agli organismi biologici, sia che si propenda
per una visione tecno-ottimista, ossia si avvalori l’ipotesi che anche la coscienza sia
un fenomeno computazionale, come tutti i fenomeni che si manifestano nel nostro
cervello, ci si troverà costretti a concludere che oggi ci confrontiamo con una forma
sofisticata di AI priva di coscienza.
Susan Schneider ha mostrato come sia difficile appurare in modo incontrovertibile
se una determinata tecnologia di AI sia dotata di una propria soggettività e dunque sia
in grado di esprime una coscienza di sé, anche svolgendo prove ben più articolate
rispetto al fallibilissimo test di Turing, quali l’Artificial Consciousness Test (ACT), il
Chip Test o il test ispirato alla Integrated information Theory (IIT) [SCHNEIDER 2019,
pp. 46-71]. Anche in futuro, probabilmente, chi progetta AI dovrà confrontarsi con
una sorta di zona grigia e applicare un principio precauzionale: non sviluppare un
sistema di AI ogni volta che si sospetta che esso possa essere dotato di coscienza.
6
D’altronde siamo indotti a domandarci se, nell’eventualità di riuscire un giorno a
creare una macchina dotata di coscienza, saremo legittimati a venderla e sfruttarla
senza perpetrare una qualche forma di schiavitù [ivi, p. 36].
Demistificare l’AI significa riconoscere due cose. La prima è che la capacità di
manipolare simboli, di cui gli algoritmi di ML sono dotati, non equivale a
comprendere. Questo era un punto già chiaro a John Searle ed evidenziato nel suo
famoso argomento della Stanza Cinese [Searle 1980]. La seconda circostanza è che le
macchine funzionano e hanno senso solo quando operano insieme a esseri realmente
intelligenti, ossia noi umani [BROUSSARD 2019, pp. 38-39].
Anche se parliamo di apprendimento quando ci riferiamo ai sistemi di ML, dovremmo
essere consapevoli che stiamo usando tale espressione in senso metaforico, poiché un
sistema di ML non apprende nello stesso modo in cui apprende un essere umano. La
macchina migliora nell’esecuzione di compiti programmati e automatizzati, ma non
acquisisce una conoscenza e una capacità di agire nuove. I dizionari definiscono il ML
come «la capacità di un computer di apprendere dall’esperienza» (Oxford English
Dictionary, 2000) o «il ramo dell’AI relativo alla costruzione di programmi che
imparano dall’esperienza» (A Dictionary of Computer Science, 2016). Sarebbe più corretto
affermare che il ML consiste nell’abilità della macchina di riconoscere alcune proprietà
all’interno di un insieme di dati (data set) e applicare tali proprietà a un nuovo insieme
di dati. L’intelligenza della macchina si limita alla capacità di migliorare le proprie
prestazioni con riferimento a uno specifico compito – per esempio distinguere
l’immagine di una cellula sana da quella di una cellula tumorale – sulla base di uno
specifico criterio di misurazione definito da un essere umano [MITCHELL 2006].
5. La discriminazione nel ML
Per comprendere in che modo la discriminazione di genere agisce nell’ambito del
ML occorre tornare alla definizione delle tecniche di apprendimento automatico
fornita poc’anzi: gli algoritmi analizzano un insieme di dati, riconoscono al suo interno
alcune proprietà e quindi applicano tali proprietà a un nuovo insieme di dati. In altri
termini, gli algoritmi formulano ipotesi sul mondo basandosi sulla rappresentazione
7
del mondo stesso che ricevono in input. Dove si insinua dunque la discriminazione?
Nel data set di partenza, il quale fornisce una rappresentazione del mondo che
incorpora pregiudizi di genere. Il gender gap dell’AI si configura dunque nella sua
essenza come un gender data gap. Va detto che la questione non è del tutto nuova. Sono
numerose le scelte tecnologiche compiute a partire da una rappresentazione parziale
del mondo, nella quale il mondo appare abitato solo da uomini, preferibilmente
bianchi ed eterosessuali. Il problema, ad esempio, si è posto fino a poco tempo fa – e
forse si pone ancora oggi – nel campo della ricerca farmacologica e della terapia
medica: nella misura in cui i grandi studi clinici coinvolgono un numero insufficiente
di pazienti di sesso femminile, ossia lavorano su un data set sbilanciato dal punto di
vista del genere, non deve sorprendere come gli indirizzi terapeutici che da tali studi
dipendono si rivelino meno efficaci per le donne, con costi sociali enormi [GRIGLIÉ,
ROMEO 2021, pp. 11-32].
In conseguenza dell’uso sempre più estensivo del ML il problema sta assumendo
proporzioni nuove, perché impatta su servizi universali e di uso quotidiano. Ancora
nel 2017, per esempio, l’efficacia della tecnologia di Google per il riconoscimento
della voce risultava inferiore del 13% per le utenti donne rispetto agli uomini
[TATMAN 2017]. In altri termini, una donna aveva il 13% di probabilità in più di non
essere compresa dall’assistente vocale di Google, un servizio popolare per chiunque
possegga un dispositivo con sistema operativo Android sul proprio telefono, nel
navigatore dell’auto o nell’altoparlante intelligente di casa. Analoghe disparità di
genere, connesse a una inferiore accuratezza degli algoritmi, si riscontrano nell’ambito
dei sistemi per il riconoscimento facciale, che sono largamente usati – anche se sempre
più discussi – sia nell’ambito della videosorveglianza sia in quello del marketing
[BUOLAMWINI, GEBRU 2018].
Ovviamente l’argomento si presta a essere ribaltato. Da un lato le donne sono
discriminate nell’uso di determinate tecnologie, dal momento che tali tecnologie sono
progettate per funzionare meglio con gli uomini. Dall’altro lato esistono tecnologie
progettate per funzionare solo con le donne, delle quali però sospetto che le donne
stesse farebbero volentieri a meno. Come valutare, per esempio, un algoritmo
8
progettato per calcolare – con l’analisi di specifiche tracce, lasciate inconsapevolmente
online attraverso applicazioni personali per la gestione del calendario mestruale, come
Maya o MIA Fem – le probabilità che una donna sia incinta o addirittura per stabilire
in quale fase del ciclo mestruale ella si trovi, per poi sottoporle proposte commerciali
personalizzate? Il passaggio di dati da queste applicazioni a Facebook è stato
documentato da Privacy International in uno studio pubblicato nel 2018, il quale ha
avuto se non altro il merito di costringere Maya, MIA Fem e la stessa Facebook a
interrompere questa forma di sorveglianza intima (rimando al documento No Body’s
Business But Mine: How Menstruation Apps Are Sharing Your Data, disponibile sul sito web
di Privacy International: https://www.privacyinternational.org/long-read/3196/no-
bodys-business-mine-how-menstruations-apps-are-sharing-your-data).
Il caso d’uso più interessante dal mio punto di vista riguarda però le tecniche di AI
che si sforzano di inseguire le competenze semantiche dell’essere umano, ossia di
comprendere il significato delle espressioni formulate nei linguaggi naturali. Robert
(Munro) Monarch e Alex (Carmen) Morrison hanno dimostrato che ancora alla fine
del 2019 tecnologie di NLP (Natural Language Processing) molto popolari, come
Amazon Comprehend, Google Natural Language API e Stanford Parser, non
riescono a riconoscere l’espressione inglese hers come un pronome femminile
[MONARCH, MORRISON 2020]. In una frase come «the car is hers», ossia «l’auto è sua
(di lei)», Amazon e Google classificano hers come nome, Stanford Parser come
aggettivo. Anche BERT (Bidirectional Encoder Representations), l’algoritmo
introdotto da Google proprio nel 2019, che potenzia molto le capacità semantiche del
motore di ricerca, sembra affetto dallo stesso problema. Il quale tuttavia non si
manifesta con il corrispondente pronome maschile his, a conferma del fatto che esiste
un pregiudizio di genere iscritto in tutte queste tecnologie. I due autori formulano
diverse ipotesi in merito alle possibili cause di questa evidente disfunzionalità. Il
problema potrebbe essere connesso all’addestramento svolto su data set squilibrati dal
punto di vista della diversità di genere o poveri di informazioni utili (per esempio gli
articoli di giornale, in cui prevalgono le forme non connotate dal punto di vista del
genere), oppure al mancato coinvolgimento di esperti di dominio (ovvero linguisti).
9
Vengono invece escluse altre ipotesi: la presenza di bias intrinseci al linguaggio (in
questo caso la grammatica inglese) o agli algoritmi, oppure l’esistenza di pregiudizi
inconsci nella cultura di chi ha programmato tali algoritmi. In sostanza, il difetto non
starebbe negli algoritmi né nei loro autori, ma nel modo in cui gli algoritmi stessi sono
stati addestrati. A risultati non dissimili sono pervenuti anche altri studi, più o meno
recenti [BOLUKBASI ET AL. 2016].
5. Possibili soluzioni al problema
Proprio il fatto che il problema sembra risiedere principalmente nella metodologia
di addestramento e quindi nei data set impiegati a tale scopo suggerisce quale strada
intraprendere per cercare una soluzione. Si tratta, in sostanza, di identificare i bias
presenti nei dati di training, anche nel caso in cui essi sono più difficili da riconoscere.
Impresa particolarmente complessa, ovviamente, quando si tratta di sistemi di NLP.
D’altra parte il linguaggio ha un ruolo fondamentale, come sappiamo, nella
costruzione e nel rafforzamento di una prospettiva di genere. Pensiamo a espressioni
come donna in carriera o ragazza madre, che non trovano un corrispettivo maschile nella
lingua italiana e sono entrambe connotate in senso tendenzialmente negativo.
Un approccio interessante – ancorché suscettibile, con ogni probabilità, di
provocare profonde discussioni – è stato formulato recentemente da Susan Leavy et
al. Esso si fonda sull’applicazione della linguistica femminista e degli studi di genere
per snidare i bias all’interno di un data set. Il metodo introduce una serie di metriche
relative alla presenza proporzionale, nel corpus di training, di nomi/pronomi maschili
e femminili, così come di termini, professioni, caratteristiche (per esempio modestia,
potere, fragilità) e riferimenti anatomici connotati [LEAVY, MEANEY, WADE, GREENE
2020].
Non sappiamo se questa o altre proposte, animate dallo stesso obiettivo, possano
contribuire in concreto a risolvere un problema che ha anche risvolti industriali, dato
che il dominio sulle tecnologie di ML è esercitato da uno sparuto gruppi di provider
globali, i quali difficilmente adotteranno nei propri processi metodologie non scalabili.
Quello che è certo è che la strada da percorrere è ancora lunga. Come cantava Gaber,
10
le idee sono buone ma la costola è malandata.
Abstract
Our relationship with technology reflects two general conditions: on one side, technological
artifacts are not neutral. Their design contains user representations, and in particular those models
that in feminist studies are known as gender scripts; on the other hand, the effect of these models is
not mechanical and deterministic, because users continuously negotiate the meanings of
technological artifacts. Each technology thus turns out to be the product of a cultural and political
negotiation between designers and social groups. Focusing on artificial intelligence, we can see how
the most widespread representation of these technologies does not correspond to their actual
evolution, but rather tends to overestimate their capabilities. The result is a dissonance between AI
performance and public expectations. This dissonance in turn predisposes to a dysfunctional
relationship between the technologies themselves and the users. This dysfunctional relationship is
evident in the context of machine learning systems, which incorporate gender biases of various kinds.
To illustrate the problem with a few examples, I have chosen the domain of natural language
processing systems, which have a strong impact on the lives of all of us. In the last part of this paper
I mention some possible solutions to the problem.
Bibliografia
Madeline Akrich, The De-Scription of Technical Objects, in Wiebe E. Bijker, John Law (a cura di),
Shaping Technology / Building Society: Studies in Sociotechnical Change, Cambridge MA, The MIT Press,
1992, pp. 205-224.
Tolga Bolukbasi, Kai-Wei Chang, James Zou, Venkatesh Saligrama, Adam Kalai, Man is to
Computer Programmer as Woman is to Homemaker? Debiasing Word Embeddings, in Proceedings of the
30th International Conference on Neural Information Processing Systems (dicembre 2016), pp.
4356–4364.
Joy Buolamwini, Timmit Gebru, Gender Shades: Intersectional Accuracy Disparities in Commercial Gender
Classification, in Proceedings of Machine Learning Research. Conference on Fairness, Accountability, and
Transparency, 81 (2018), pp. 1-15.
Meredith Broussard, Artificial Unintelligence. How Computers Misunderstand the World, Cambridge MA
- London, The MIT Press, 2019.
Emanuela Griglié, Guido Romeo, Per soli uomini. Il maschilismo dei dati, dalla ricerca scientifica al design,
Torino, Codice, 2021.
Melvin Kranzberg, Technology and History: “Kranzberg’s Laws”, in «Technology and Culture», 27, 3
(luglio 1986), pp. 544-560, DOI: https://doi.org/10.2307/3105385.
Susan Leavy, Gerardine Meaney, Karen Wade, Derek Greene, Mitigating Gender Bias in Machine
11
Learning Data Sets, in Ludovico Boratto, Stefano Faralli, Mirko Marras, Giovanni Stilo (a cura di),
Bias and Social Aspects in Search and Recommendation. BIAS 2020. Communications in Computer and
Information Science, Cham, Springer, 2020, pp. 12-26, DOI. https://doi.org/10.1007/978-3-030-
52485-2_2.
Tom M. Mitchell, The Discipline of Machine Learning, Pittsburg PA, School of Computer Science,
Carnegie Mellon University. 2006: http://www.cs.cmu.edu/~tom/pubs/MachineLearning.pdf.
Robert (Munro) Monarch, Alex (Carmen) Morrison, Detecting Independent Pronoun Bias with Partially-
Synthetic Data Generation, in The 2020 Conference on Empirical Methods in Natural Language Processing
(EMNLP): http://robertmunro.com/research/MonarchMorrison2020IDP_Bias.pdf.
Nelly Oudshoom, Els Rommes, Marcelle Stienstra, Configuring the User as Everybody: Gender and
Design Cultures in Information and Communication Technologies, in «Science, Technology, & Human
Values», 29, 1 (gennaio 2004), pp. 30-63, DOI: https://doi.org/10.1177%2F0162243903259190.
Susan Schneider, Artificial You. AI and the Future of Your Mind, Princeton NJ - Oxford, Princeton
University Press, 2019.
Ruth Schwartz Cowan, More Work for Mother: The ironies of household technology from the open hearth to
the microwave, New York NY, Basic Books, 1983.
John Searle, Minds, Brains and Programs, in «Behavioral and Brain Sciences», 31 (1980), pp. 417-
457.
Rachel Tatman, Gender and Dialect Bias in YouTube’s Automatic Captions, in Proceedings of the First
Workshop on Ethics in Natural Language Processing, Valencia (4 aprile 2017), pp. 53-59:
http://www.ethicsinnlp.org/workshop/pdf/EthNLP06.pdf.
Claudia Wagner, David Garcia, Mohsen Jadidi, Markus Strohmaier, It’s a Man’s Wikipedia?
Assessing Gender Inequality in an Online Encyclopedia, in The International AAAI Conference on Web and
Social Media (ICWSM2015), Oxford, 2015.
