An Explainable and Interpretable Composite Indicator Based on Decision Rules

Questo articolo propone un nuovo framework per costruire indicatori compositi spiegabili e interpretabili basati su regole decisionali "if-then" indotte tramite l'Approccio agli Insiemi Grezzi Dominanti, applicabile a diverse modalità di aggregazione e in grado di gestire valori mancanti.

L'essenziale

🌟 Il "Cristallo Magico" al posto della "Scatola Nera"

Immagina che i Compositi Indicatori (come l'indice di sviluppo di un paese o il punteggio di un'azienda) siano dei giudici che devono dare un voto o una classe a delle persone o delle cose.

Fino ad oggi, questi giudici funzionavano come una Scatola Nera: ti davano il risultato finale (es. "Il paese A è 'Buono'"), ma non ti dicevano perché. Era come se un maestro ti desse un 6 in matematica senza spiegarti quali errori hai fatto o quali esercizi hai fatto bene. Non sapevi se il voto fosse giusto o se dipendesse da un calcolo segreto e complicato.

Questo articolo propone di trasformare quella Scatola Nera in una Scatola di Vetro (o un "Cristallo Magico"). L'obiettivo è rendere tutto trasparente: non solo il voto, ma anche la storia che porta a quel voto.

🧩 La nuova ricetta: Le Regole "Se... Allora..."

Invece di sommare numeri complessi con pesi segreti (come dire: "il 30% conta più del 20%"), gli autori usano delle Regole Logiche semplici, scritte in un linguaggio che tutti capiscono, tipo:

"SE il paese ha un'aspettativa di vita alta E l'istruzione è buona, ALLORA il paese è 'Sviluppato'."

È come avere un manuale di istruzioni chiaro, invece di un algoritmo misterioso.

🎮 Come funziona nella pratica? (4 Scenari)

Gli autori mostrano come usare queste regole in quattro situazioni diverse, usando delle analogie:

1. Il Medico e la Scala del Coma (Spiegare un voto già dato):
   Immagina un medico che usa una scala per valutare la gravità di un paziente. Di solito somma i punti di tre test. Se il totale è basso, il paziente è grave. Ma perché è grave? Con il nuovo metodo, il medico non ti dice solo il numero, ma ti dà una regola: "Se il paziente non risponde al dolore e non muove le gambe, allora è in condizioni gravi". È una spiegazione immediata e logica.

2. La Lente d'Ingrandimento (Capire un indice misterioso):
   Prendi l'indice di sviluppo umano (HDI) che classifica i paesi. È un numero complesso. Questo metodo agisce come una lente d'ingrandimento: ti mostra le regole nascoste dietro quel numero. Ti dice: "Il paese X è 'Alto' perché la sua speranza di vita supera i 73 anni e l'istruzione supera i 12 anni". Niente più numeri magici, solo cause ed effetti chiari.

3. L'Allenatore e la Squadra (Costruire un indice da zero):
   Immagina un allenatore di calcio che deve scegliere i giocatori per la squadra migliore. Invece di inventare una formula matematica, l'allenatore dice: "Io metto in questa categoria i giocatori che hanno fatto almeno 10 gol e hanno un'età sotto i 25 anni". Il computer prende queste preferenze dell'allenatore e crea automaticamente le regole per classificare tutti gli altri giocatori. È come se l'allenatore insegnasse al computer a pensare come lui.

4. Il Traduttore (Spiegare metodi complessi):
   A volte usiamo metodi matematici molto avanzati (come l'ELECTRE-Score) che sono difficili da capire. Questo metodo funziona come un traduttore: prende il risultato complicato di quel metodo e lo riscrive in regole semplici "Se... Allora...", rendendolo comprensibile a tutti.

🧩 Il problema dei "Buchi" nei dati (Valori Mancanti)

Nella vita reale, i dati spesso non sono perfetti: mancano informazioni (come un voto mancante in un registro).
Molti metodi tradizionali dicono: "Non posso lavorare, manca un dato!" e ti chiedono di inventare un numero a caso (un trucco che può falsare il risultato).

Questo metodo è come un investigatore intelligente: se manca un pezzo di informazione, dice: "Ok, guardiamo solo le regole che non hanno bisogno di quel pezzo mancante". Se una regola dice "Se il giocatore corre veloce E ha forza, allora è bravo", e manca il dato sulla forza, il sistema ignora quella regola specifica ma usa le altre che si basano solo sulla velocità. Non inventa nulla, non sbaglia, e continua a lavorare con quello che ha.

🚀 Perché è importante?

• Trasparenza: Nessuno può dire "è un algoritmo segreto". Le regole sono a vista.
• Giustizia: Se un paese o un'azienda viene classificato male, sai esattamente quale "pezzo" del puzzle ha fatto mancare il voto. Puoi migliorare proprio quello.
• Semplicità: Non servono pesi matematici complicati. Basta logica.
• Flessibilità: Funziona anche se i dati sono incompleti o se le valutazioni sono qualitative (es. "Basso", "Medio", "Alto") invece che numeri precisi.

In sintesi

Questo paper ci insegna che per valutare il mondo non serve per forza una "scatola nera" matematica che spaventa e confonde. Possiamo usare regole logiche semplici, come quelle che usiamo ogni giorno per prendere decisioni, per creare indicatori che siano non solo precisi, ma anche giusti, chiari e comprensibili per tutti. È come passare da un codice segreto incomprensibile a una ricetta di cucina che chiunque può leggere e seguire.

Sommario tecnico

Titolo

Un Indicatore Composito Esplicabile e Interpretabile Basato su Regole Decisionali

1. Il Problema

Gli indicatori compositi (CI) sono strumenti ampiamente utilizzati per valutare e classificare unità (es. paesi, aziende, pazienti) basandosi su molteplici criteri. Tuttavia, la loro costruzione tradizionale presenta diverse criticità:

• Opacità ("Black Box"): I metodi convenzionali aggregano i criteri tramite funzioni matematiche (spesso con pesi arbitrari e procedure compensative), producendo un punteggio finale senza spiegare perché un'unità riceve quel determinato risultato.
• Mancanza di Trasparenza: Le decisioni di assegnazione dei pesi e la natura compensativa o non compensativa dell'aggregazione sono spesso fonte di controversie e difficili da giustificare agli stakeholder.
• Limiti dell'AI spiegabile: Mentre l'Intelligenza Artificiale si muove verso la spiegabilità (post-hoc) e l'interpretabilità (ante-hoc), i CI tradizionali rimangono spesso inaccessibili nella loro logica interna.
• Gestione dei dati: Molti metodi faticano a gestire valori mancanti o dati qualitativi/ordinali senza ricorrere a imputazioni artificiali che distorcono l'informazione originale.

L'obiettivo del paper è proporre un nuovo framework per costruire indicatori compositi che siano intrinsecamente esplicabili (spiegano il risultato ottenuto) e interpretabili (il modello stesso è comprensibile), basandosi su regole logiche "se... allora..." invece che su aggregazioni numeriche opache.

2. Metodologia

Il cuore della proposta è l'uso della Dominance-based Rough Set Approach (DRSA), un'estensione della teoria degli insiemi approssimati (Rough Sets) applicata al Supporto alle Decisioni Multi-Criterio (MCDA).

Concetti Chiave:

• Regole Decisionali: Le relazioni tra i criteri elementari e la valutazione globale sono espresse tramite regole di tipo:
  • Almeno (At-least): "Se la valutazione su $g_1$ è $\ge$ soglia e su $g_2$ è $\ge$ soglia, allora l'unità appartiene ad almeno la classe $C_t$".
  • Al massimo (At-most): "Se la valutazione su $g_1$ è $\le$ soglia e su $g_2$ è $\le$ soglia, allora l'unità appartiene al massimo alla classe $C_t$".
• Approccio Ante-hoc e Post-hoc:
  • Ante-hoc: Costruzione dell'indicatore partendo dalle preferenze di un decisore (DM) su unità di riferimento.
  • Post-hoc: Spiegazione di un indicatore composito già esistente (o di un punteggio numerico) derivando regole che giustificano le classificazioni ottenute.
• Gestione dei Valori Mancanti: A differenza dei metodi statistici che richiedono imputazione, la DRSA gestisce i dati mancanti considerando che una regola è soddisfatta se le condizioni sono verificate dai valori noti, assumendo che i valori mancanti non violino la condizione.
• Algoritmo di Induzione: Il paper introduce un nuovo algoritmo che induce tutte le regole decisionali minime e non contraddittorie in un'unica esecuzione. Questo permette di trattare indicatori compositi continui (trattando ogni punteggio distinto come una classe ordinata) senza predefinizioni sul numero di classi.

Processo di Costruzione (Algoritmo 3):

1. Induzione di tutte le regole possibili (At-least e At-most) dai dati di riferimento.
2. Selezione di un sottoinsieme massimo di regole che garantisca una classificazione non contraddittoria (dove il limite inferiore della classe è $\le$ al limite superiore).
3. Risoluzione di un problema di Programmazione Lineare Intera Mista (MILP) per identificare il sottoinsieme minimo di regole necessario a spiegare le classificazioni finali, massimizzando la parsimonia senza perdere informazioni.

3. Contributi Chiave

Il paper apporta diversi contributi metodologici significativi:

1. Nuovo Framework per CI: È la prima proposta metodologica per costruire indicatori compositi basati esclusivamente su regole decisionali, eliminando la necessità di pesi espliciti e funzioni di aggregazione compensative.
2. Trasparenza e Giustizia: Le regole forniscono una giustificazione logica e linguistica per ogni classificazione, rispondendo ai principi di "Mind the assumptions" e "Mind the framing" proposti da Saltelli et al. (2020).
3. Algoritmo di Induzione Esauriente: A differenza di algoritmi euristici come DOMLEM, il nuovo algoritmo proposto genera in modo esaustivo l'insieme completo delle regole minime consistenti, garantendo completezza.
4. Gestione Nativa dei Dati Mancanti: La metodologia permette di costruire indicatori robusti anche in presenza di dati incompleti, senza alterare la struttura informativa originale tramite imputazioni.
5. Estensibilità ai Dati Continui: Il framework tratta naturalmente i punteggi continui come classi ordinate, permettendo l'applicazione a scenari complessi dove le classi non sono predefinite.
6. Gestione delle Contraddizioni: Introduce procedure per risolvere le situazioni in cui un'unità soddisfa regole che portano a classi inferiori e superiori in modo contraddittorio (es. "almeno classe 3" e "al massimo classe 2"), adattando le classificazioni in modo coerente.

4. Risultati e Applicazioni

Il paper dimostra l'efficacia del metodo attraverso quattro scenari applicativi e diversi casi di studio:

• Scalabilità Medica (Glasgow Coma Scale): Spiegazione delle classificazioni di gravità basate sulla somma di punteggi ordinali, trasformando un calcolo numerico in regole cliniche comprensibili.
• Indice di Sviluppo Umano (HDI): Spiegazione post-hoc delle classificazioni dei paesi in quartili di sviluppo, identificando le combinazioni minime di indicatori (aspettativa di vita, istruzione, reddito) che determinano l'appartenenza a una classe.
• Selezione di Portafogli Azionari: Costruzione ante-hoc di un CI per classificare azioni in base alle preferenze di un decisore, gestendo anche casi di classificazione contraddittoria tra unità di riferimento e nuove.
• Valutazione di Siti per Hotel (ELECTRE-Score): Spiegazione dei punteggi generati da un metodo MCDA complesso tramite regole semplici.
• Dati PISA con Valori Mancanti: Applicazione su dati educativi reali con valori mancanti, dimostrando come le regole possano essere indotte e applicate senza imputazione, mantenendo la coerenza logica.

In tutti i casi, il metodo è riuscito a ridurre un gran numero di regole potenziali a un sottoinsieme minimo (spesso molto piccolo) che spiega completamente le classificazioni, rendendo il processo decisionale trasparente e verificabile.

5. Significato e Implicazioni

Questo lavoro rappresenta un ponte fondamentale tra la teoria della decisione multi-criterio (MCDA) e l'Intelligenza Artificiale spiegabile (XAI).

• Cambiamento di Paradigma: Sposta il focus dagli indicatori compositi come semplici "punteggi numerici" a strumenti di supporto decisionale basati su ragionamenti causali (cause-effetto).
• Accountability: Fornisce agli stakeholder la possibilità di contestare o validare le valutazioni, poiché le regole sono espresse in linguaggio naturale e sono direttamente verificabili.
• Robustezza Operativa: La capacità di gestire dati incompleti e qualitativi rende il metodo applicabile in contesti reali dove la qualità dei dati è spesso un problema, superando i limiti delle tecniche statistiche tradizionali.
• Futuro: Il framework apre la strada all'integrazione di fonti dati non convenzionali (testi, immagini) negli indicatori compositi, mantenendo la trasparenza necessaria per le politiche pubbliche e il supporto alle decisioni strategiche.

In sintesi, il paper propone una soluzione elegante e rigorosa al problema della "scatola nera" negli indicatori compositi, offrendo un metodo che non solo classifica, ma spiega il perché di ogni classificazione, garantendo equità, trasparenza e comprensibilità.