Uno sguardo al futuro: l’etica del digitale e la cyberpsicologia

Nel capitolo precedente è stato più volte presentato il concetto di personalizzazione, in quanto si trova alla base del funzionamento delle filter bubbles. Esso si lega ad altri concetti, quali la profilazione e la diversificazione. Perciò, ritengo utile fare chiarezza su tali contenuti prima di andare ad analizzare come essi si sviluppano nella pratica in molti settori della vita quotidiana.
Innanzitutto, la definizione di personalizzazione si può costruire mettendo insieme le espressioni che la riguardano. Essa significa adattare qualcosa ai gusti e alle esigenze di una persona. Fa riferimento altresì al modo di avvicinarsi al singolo per entrare nella sua sfera di conosciuto e perciò familiare, riconoscibile e comodo. Con questo termine si intende l’attività di conferire carattere personale per avvicinare una certa cosa a qualcuno in particolare.
Il concetto di profilazione è descritto chiaramente all’interno del GDPR del 2016 come «qualsiasi forma di trattamento automatizzato di dati personali consistente nell’utilizzo di tali dati per valutare determinati aspetti personali relativi a una persona fisica, in particolare per analizzare o prevedere aspetti riguardanti il rendimento professionale, la situazione economica, la salute, le preferenze personali, gli interessi, l’affidabilità, il comportamento, l’ubicazione o gli spostamenti di detta persona fisica» (GDPR, 2016). Il processo di profilazione dell’utente consiste in tre fasi principali: la raccolta dei dati, la costruzione di un profilo sulla base delle informazioni accumulate precedentemente, elaborate e analizzate e, infine, usare il profilo costruito. Quando l’utente offre direttamente le proprie informazioni e i propri dati personali, la profilazione avviene esplicitamente. Quando, invece, il sistema determina ciò a cui l’utente è interessato sulla base di altri fattori, non dichiarati apertamente, allora la profilazione è detta implicita. In entrambi i casi, sorgono delle problematiche. Infatti, nella prima situazione, il soggetto può scegliere deliberatamente di non condividere determinati dati e, di conseguenza, il sistema non può ottenere le informazioni in maniera diretta ed esplicita; quindi, potrebbe non essere in grado di effettuare un processo di profilazione adeguato. Nel caso in cui ci sia una raccolta implicita dei dati, questa potrebbe essere non del tutto trasparente ed essere quindi portata avanti senza la consapevolezza dell’utente.
Da queste due definizioni si evince che personalizzazione e profilazioni non sono due sinonimi. Al contrario, essi sono diversi, in quanto la profilazione delinea una descrizione sintetica dell’utente in base ai dati; mentre la personalizzazione adatta qualsiasi tipo di contenuto al profilo dell’utente a cui ci si vuole rivolgere (Bianca, 2019). In entrambi i casi, torna in gioco l’intelligenza artificiale con i suoi sistemi di apprendimento basati sugli algoritmi, per predire future correlazioni. Qui possono agire diverse problematiche legate alla causalità, poiché la capacità predittiva di un algoritmo non sempre trova corrispondenza con i comportamenti effettivi degli utenti (Breidbach & Maglio, 2020). L’IA si pone al servizio di tutte quelle attività di personalizzazione del servizio e dell’esperienza per un cliente.
Le trasformazioni digitali portano innovazioni e le aziende stanno mettendo in atto dei miglioramenti nel fornire servizi di grande qualità. Questo implica porre al centro l’utente-cliente e le sue aspettative, che riguardano specialmente servizi personalizzati durante le loro attività online. D’altro canto, le imprese, per offrire questa prestazione fatta su misura, devono predisporre un piano per ottenere le informazioni sui propri clienti. Perciò, nascono i servizi di data mining, personalizzazione e profilazione precedentemente descritti.
Affinché tali attività vengano messe in atto, è importante fornire all’utente-cliente un'esperienza unica e personalizzata, utilizzando un approccio real-time (Lay, 2018). Tutto ciò può essere sintetizzato in un’unica espressione: iper-personalizzazione. Questo modello è stato descritto come il pilastro fondamentale per costruire l’esperienza esclusiva, di cui sopra, attraverso un’attività mirata sull’acquisizione dei big data (Jain et al., 2021).
Conseguentemente, all'aumentare della quantità di informazioni digitali registrate, aumenta il bisogno di avere sistemi di raccomandazione flessibili, al fine di incorporare fonti di dati riccamente strutturate per migliorare il servizio di personalizzazione. In termini tecnici, questo si traduce nella costruzione di un sistema che utilizzi il linguaggio di programmazione probabilistico, che sia allo stesso tempo intuitivo ed efficiente, chiamato logica soft probabilistica (Bach et al., 2017). Tuttavia, la tecnologia da sola non basta per poter effettuare un miglioramento anche da un punto di vista più umano. Infatti, i sistemi probabilistici devono tenere in considerazione il contesto di riferimento e la situazione per non diventare limitante, come ad esempio le filter bubbles, ma, al contrario, per offrire un suggerimento d’aiuto per il cliente. Tutto ciò deve passare attraverso l’accuratezza dell’essere umano sulla revisione degli algoritmi (Kouki et al., 2015).