Corso di Data Science per le Politiche Pubbliche

Lezione 1 • Il Ciclo delle Decisioni di Policy

Illustra come l'evidenza entra nelle fasi di definizione dell'agenda, formulazione, attuazione e valutazione. Mostra dove gli strumenti di data science aggiungono il maggior valore.

Lezione 2 • Tipologie di Dati del Settore Pubblico

Passa in rassegna le fonti di dati amministrativi, survey, geospaziali e in tempo reale utilizzate nel settore pubblico. Prepara gli studenti a identificare i dati appropriati per una determinata questione di policy.

Lezione 3 • Fondamenti Etici del Lavoro sui Dati nelle Politiche Pubbliche

Introduce equità, privacy e rendicontazione pubblica come vincoli non negoziabili. Stabilisce una lente etica applicata durante l'intero corso.

Lezione 1 • Documentazione dei Dati e Metadati

Insegna la creazione di codebook, dizionari dati e il tracciamento della provenienza. Una documentazione adeguata garantisce riproducibilità e verificabilità nei contesti di policy.

Lezione 2 • Ricerca e Accesso a Set di Dati Pubblici

Tratta portali di open data, richieste di accesso civico generalizzato e accesso tramite API. Gli studenti si esercitano nell'individuare fonti autorevoli per ambiti comuni di politica pubblica.

Lezione 3 • Governance dei Dati e Conformità

Affronta accordi di condivisione dati, controlli di accesso e requisiti di conformità normativa. Gli studenti imparano a operare all'interno dei quadri istituzionali di governance dei dati.

Lezione 1 • Diagnosticare i Problemi di Qualità dei Dati

Introduce completezza, coerenza, accuratezza e tempestività come dimensioni della qualità. Gli studenti imparano a profilare un set di dati prima di iniziare qualsiasi pulizia.

Lezione 2 • Standardizzare e Trasformare le Variabili

Insegna la ricodifica, la normalizzazione e l'armonizzazione delle unità tra fonti governative eterogenee. Prepara i dati per confronti validi tra diversi enti pubblici.

Lezione 3 • Flussi di Lavoro Riproducibili per la Preparazione dei Dati

Introduce pipeline scriptate e controllo di versione per rendere verificabili le fasi di pulizia. La riproducibilità è inquadrata come uno standard professionale nell'analisi del settore pubblico.

Lezione 4 • Gestire Dati Mancanti e Incoerenti

Tratta strategie di eliminazione, imputazione e segnalazione per i valori mancanti. Collega ogni strategia al suo effetto sulle conclusioni di policy a valle.

Lezione 1 • Principi di Progettazione della Visualizzazione

Applica principi di chiarezza, accuratezza e accessibilità alla progettazione dei grafici. Gli studenti imparano a evitare visualizzazioni fuorvianti comuni nella reportistica pubblica.

Lezione 2 • Comunicare i Risultati a un Pubblico di Policy

Adatta gli output esplorativi per briefing esecutivi, dashboard pubbliche e rapporti legislativi. Enfatizza una narrazione in linguaggio chiaro accanto agli elementi visivi.

Lezione 3 • Esplorazione Univariata e Bivariata

Insegna istogrammi, box plot, diagrammi di dispersione e analisi di correlazione. Gli studenti identificano le relazioni che meritano di essere approfondite prima della modellizzazione formale.

Lezione 1 • Test Comuni per i Dati sulle Politiche Pubbliche

Applica t-test, test chi-quadrato e ANOVA a tipici set di dati governativi. Gli studenti selezionano il test appropriato in base al tipo di variabile e al disegno di ricerca.

Lezione 2 • Fondamenti di Probabilità e Campionamento

Ripassa le regole di probabilità, le distribuzioni campionarie e il teorema del limite centrale. Fornisce la base teorica per tutti i metodi inferenziali che seguono.

Lezione 3 • Verifica di Ipotesi nei Contesti di Policy

Tratta la logica dell'ipotesi nulla, i p-value e gli errori di I e II tipo con esempi di policy. Gli studenti imparano a formulare domande di policy verificabili in modo rigoroso.

Lezione 4 • Molteplicità dei Test e Problemi di Replicazione

Affronta il p-hacking, le correzioni per confronti multipli e gli standard di replicazione. Li inquadra come questioni di integrità specifiche dell'uso dell'evidenza nel settore pubblico.

Lezione 1 • Regressione con Variabili Categoriali

Tratta la codifica dummy, i termini di interazione e l'analisi per sottogruppi. Permette il confronto tra gruppi demografici o geografici nei dati sulle politiche pubbliche.

Lezione 2 • Regressione Lineare Semplice

Introduce l'equazione di regressione, la stima dei minimi quadrati ordinari e la bontà di adattamento. Gli studenti interpretano i coefficienti in unità significative per gli stakeholder delle politiche pubbliche.

Lezione 3 • Regressione Logistica per Esiti Binari

Applica la regressione logistica a esiti di policy binari come la partecipazione a programmi o la recidiva. Gli studenti interpretano gli odds ratio e le probabilità previste.

Lezione 4 • Regressione Multipla e Confondimento

Estende a predittori multipli e affronta il bias da variabile omessa. Gli studenti imparano a controllare per fattori confondenti quando stimano relazioni rilevanti per le politiche pubbliche.

Lezione 1 • Disegno a Regressione Discontinua

Sfrutta le soglie di eleggibilità per stimare gli effetti locali del trattamento vicino ai cutoff. Gli studenti applicano l'RDD a programmi con regole di eleggibilità basate su punteggi.

Lezione 2 • Analisi Difference-in-Differences

Insegna l'assunzione di trend paralleli e la stima DiD utilizzando dati panel. Applicato a implementazioni di policy prima-dopo con gruppi di confronto.

Lezione 3 • Trial Controllati Randomizzati nel Settore Pubblico

Tratta il disegno degli RCT, i meccanismi di randomizzazione e i vincoli etici nei programmi pubblici. Gli studenti valutano quando gli RCT sono fattibili e quando sono necessarie alternative.

Lezione 4 • Variabili Strumentali e Matching

Introduce la stima IV e il propensity score matching come alternative quando la randomizzazione è impossibile. Tratta le assunzioni e i limiti di ciascun approccio.

Lezione 1 • Apprendimento Non Supervisionato e Segmentazione

Utilizza il clustering e la riduzione della dimensionalità per identificare segmenti di popolazione nei dati amministrativi. Supporta la valutazione dei bisogni e il targeting delle risorse nei programmi di policy.

Lezione 2 • Apprendimento Supervisionato per Esiti di Policy

Applica alberi decisionali, random forest e gradient boosting a compiti di classificazione e regressione. Gli studenti valutano i modelli utilizzando accuratezza, precisione, richiamo e AUC.

Lezione 3 • Implementare e Monitorare Modelli di Policy

Tratta pipeline di deployment dei modelli, monitoraggio della performance e cicli di aggiornamento del modello. Affronta i requisiti di governance pubblica per il processo decisionale algoritmico nel settore pubblico.

Lezione 4 • Equità e Bias nei Modelli Predittivi

Esamina come i modelli predittivi possano codificare e amplificare le disuguaglianze storiche nei servizi pubblici. Gli studenti applicano metriche di equità e strategie di mitigazione agli output dei modelli.