Collaboration by Mandate: How Shared Data Infrastructure Shapes Coordination and Control in U.S. Homelessness Services

Questo studio esamina come i sistemi di dati condivisi obbligatori, come l'HMIS negli Stati Uniti, facilitino il coordinamento nei servizi per i senzatetto ma allo stesso tempo rafforzino asimmetrie di potere, trasformando alcuni partecipanti in ruoli focalizzati sulla conformità a causa di risorse e capacità analitiche disuguali.

L'essenziale

Immaginate di dover organizzare una grande festa di quartiere per aiutare le persone senza casa. Ci sono molti gruppi diversi: alcuni gestiscono i rifugi, altri offrono pasti caldi, altri ancora aiutano a trovare lavoro. Ognuno di questi gruppi è un "non-profit" (un'associazione no-profit) e lavora sodo.

Il problema è che, senza un piano comune, potrebbero esserci confusione: due gruppi potrebbero aiutare la stessa persona senza saperlo, o una persona potrebbe cadere nel buco e non ricevere aiuto da nessuno.

Per risolvere questo, il governo americano ha detto: "Deve esserci collaborazione obbligatoria". E come si fa a collaborare? Attraverso un grande database digitale chiamato HMIS (un po' come un'enorme rubrica telefonica condivisa e sicura).

Ecco cosa dice questo studio, spiegato in modo semplice:

1. Il Database è sia un Ponte che un Freno

Il sistema HMIS funziona così: se una persona senza casa acconsente, i lavoratori sociali inseriscono i suoi dati nel sistema. Così, se un rifugio vede che quella persona è già stata aiutata da un altro gruppo, può coordinarsi meglio.

• Il lato positivo (Il Ponte): È come avere una mappa condivisa. Aiuta a non perdere nessuno e a capire dove servono più aiuti.
• Il lato negativo (Il Freno): Il governo ha detto: "Per ricevere i soldi, dovete usare questo modo preciso di scrivere i dati". Questo crea un problema.

2. La Metafora del "Gioco da Tavolo"

Immaginate che tutti questi gruppi stiano giocando a un gioco da tavolo complesso.

• Il Governo è il "Giudice" che ha scritto le regole del gioco.
• I Gruppi Grandi e Ricchi (come le grandi associazioni o le agenzie governative) hanno i soldi per assumere esperti che conoscono le regole a memoria, hanno computer veloci e sanno come "giocare" per vincere (ottenere più fondi).
• I Gruppi Piccoli (come piccole chiese o associazioni di quartiere) spesso hanno solo volontari stanchi che lavorano con carta e penna. Per loro, il gioco non è un modo per aiutare meglio, ma un compito scolastico obbligatorio da fare per non perdere i soldi.

3. Cosa succede nella realtà?

Lo studio ha intervistato persone che lavorano in Florida e ha scoperto tre cose importanti:

• La trappola della conformità: I piccoli gruppi passano così tanto tempo a compilare i moduli digitali per soddisfare le regole del governo che non hanno tempo per aiutare davvero le persone. Diventano "dipendenti del database" invece che "aiutanti umani".
• Chi capisce i numeri? I grandi gruppi hanno esperti che analizzano i dati e dicono: "Guardate, questo numero significa che abbiamo bisogno di più soldi!". I piccoli gruppi spesso non hanno chi sa leggere quei numeri, quindi non hanno voce in capitolo nelle decisioni importanti. È come se solo chi ha la calcolatrice più potente decidesse come si divide la torta.
• La sfiducia: Le persone senza casa a volte hanno paura di dare i loro dati. Pensano: "Se metto il mio nome qui, la polizia o il mio datore di lavoro lo vedranno?". Se non si fidano, non danno i dati, e il database diventa incompleto e inutile.

4. Il Paradosso

Il sistema è stato creato per coordinare tutti, ma alla fine ha creato una disuguaglianza.

• Chi ha più risorse (soldi, computer, esperti) usa i dati per prendere decisioni intelligenti.
• Chi ha meno risorse usa i dati solo per "non essere punito" e seguire le regole.

In sintesi

Questo studio ci dice che la tecnologia (il database) da sola non risolve i problemi sociali. Se le regole sono troppo rigide e solo alcuni hanno gli strumenti per usarle, il sistema finisce per dare potere a chi è già potente e rende la vita difficile a chi sta cercando di aiutare sul campo.

La lezione finale: Per far funzionare davvero la collaborazione, non basta costruire il database. Bisogna assicurarsi che tutti i giocatori, anche quelli piccoli, abbiano gli strumenti per capire le regole, partecipare alle decisioni e non sentirsi solo come "esecutori" di un compito noioso. Bisogna trasformare il database da un "controllore" a un "strumento di apprendimento" per tutti.

Sommario tecnico

Ecco un riepilogo tecnico dettagliato del paper "Collaboration by Mandate: How Shared Data Infrastructure Shapes Coordination and Control in U.S. Homelessness Services", tradotto e adattato in italiano.

Titolo

Collaborazione per Mandato: Come l'Infrastruttura Dati Condivisa Modella il Coordinamento e il Controllo nei Servizi per i Senzatetto negli USA

1. Il Problema

Nel settore delle politiche sociali frammentate (come i servizi per i senzatetto, il benessere minorile e la risposta ai disastri), la collaborazione è spesso imposta ("mandated collaboration") da autorità esterne tramite leggi, regolamenti e requisiti di finanziamento. Negli Stati Uniti, queste mandati operano principalmente attraverso infrastrutture dati.
Il problema centrale affrontato dallo studio è la tensione tra due funzioni opposte dei sistemi dati condivisi:

• Strumenti di coordinamento: Facilitano la condivisione delle informazioni tra fornitori di servizi per garantire cure coordinate.
• Strumenti di controllo: Incorporano standard e regole di governance che definiscono chi può raccogliere, accedere, interpretare i dati e prendere decisioni, rischiando di centralizzare l'autorità e riprodurre asimmetrie di potere.

Mentre i policymaker assumono che i mandati di condivisione dati favoriscano intrinsecamente la collaborazione, la ricerca suggerisce che questi possano invece erodere l'autonomia dei fornitori non profit, creare "deriva dei dati" (data drift) e frammentazione, trasformando i fornitori in ruoli focalizzati sulla mera conformità piuttosto che sulla collaborazione strategica.

2. Metodologia

Lo studio adotta un approccio qualitativo basato su un caso studio specifico:

• Contesto: Il sistema dei servizi per i senzatetto negli USA, focalizzato sulla rete "Continuum of Care" (CoC) della Florida Centrale (FL-507), che coordina 47 agenzie partner.
• Oggetto di studio: Il Homeless Management Information System (HMIS), un sistema di dati condiviso e obbligatorio gestito dal Dipartimento per l'Alloggio e lo Sviluppo Urbano (HUD).
• Raccolta Dati: Sono state condotte 6 interviste semi-strutturate (durata di un'ora) tra agosto e settembre 2025 con stakeholder chiave che gestiscono e utilizzano l'HMIS.
  • Campionamento: Campionamento a valanga (snowball sampling).
  • Partecipanti: 4 membri dello staff dell'agenzia coordinatrice principale (Lead Agency) e 2 membri dello staff di fornitori di servizi partecipanti.
• Analisi: Le interviste sono state trascritte, anonimizzate e analizzate tramite un'analisi tematica induttiva. È stato utilizzato un protocollo strutturato attorno alle quattro fasi della catena del valore dei dati:
  1. Raccolta (Collection)
  2. Archiviazione (Storage)
  3. Analisi (Analysis)
  4. Utilizzo (Usage)

3. Risultati Chiave

L'analisi delle quattro fasi rivela come l'infrastruttura dati modelli la collaborazione e il potere:

A. Raccolta Dati (Collection)

• Tensione tra conformità ed equità: La raccolta è guidata dagli obblighi di finanziamento e reporting. Sebbene la standardizzazione garantisca equità procedurale, l'adesione rigida alle regole limita la capacità di catturare dettagli necessari per valutare risultati equi o strutturale.
• Fiducia e Privacy: La mancanza di fiducia (da parte dei clienti verso il sistema e tra agenzie e forze dell'ordine) ostacola la raccolta. I clienti temono che i dati siano usati contro di loro, portando a sottoregistri.
• Capacità Disuguale: I fornitori più piccoli, spesso privi di risorse tecniche, priorizzano la consegna diretta dei servizi rispetto alla documentazione, vedendo la raccolta dati come un onere burocratico piuttosto che uno strumento strategico.

B. Archiviazione Dati (Storage)

• Centralizzazione vs. Personalizzazione: Sebbene l'archiviazione sia centralizzata nell'HMIS, i fornitori raccolgono dati aggiuntivi localmente per esigenze operative. Tentativi di integrare questi dati non standardizzati nell'HMIS spesso causano duplicazioni e lacune, danneggiando la conoscenza collettiva.
• Doppio Sistema: Per garantire l'inclusività (a causa della scarsa alfabetizzazione digitale dei clienti), molti fornitori mantengono un sistema parallelo cartaceo, complicando l'unificazione dell'infrastruttura dati.

C. Analisi Dati (Analysis)

• Interpretazione e Narrazione: L'analisi richiede sia competenze tecniche che conoscenza contestuale profonda. Senza un quadro interpretativo condiviso, gli stessi dati possono generare narrazioni opposte (es. bassi tassi di accettazione possono indicare fallimento o successo nel filtrare i casi non idonei).
• Divario di Capacità: Le organizzazioni più grandi e consolidate hanno la capacità analitica per interpretare i dati strategicamente e influenzare gli standard. Le organizzazioni più piccole dipendono da report predefiniti e non possono generare "intelligence" azionabile, limitando la loro partecipazione alla fase di analisi.

D. Utilizzo Dati (Usage)

• Comunicazione e Decisioni: L'uso dei dati avviene attraverso riunioni comunitarie e comitati. Una comunicazione coerente aiuta a costruire fiducia, ma le diverse assunzioni tra fornitori e finanziatori rendono difficile la curatela dei dati.
• Narrazione vs. Metriche: La comunicazione efficace richiede storytelling e contestualizzazione qualitativa, specialmente quando mancano dati chiave (es. lo status di identificazione dei clienti). Senza questo contesto, i dati possono rafforzare stereotipi.

4. Contributi Principali

Lo studio contribuisce alla ricerca su tecnologie civiche e infrastrutture dati di interesse pubblico in tre modi:

1. Studio Qualitativo Approfondito: Fornisce una visione dettagliata di come l'HMIS plasmi la collaborazione, la responsabilità e il potere tra attori governativi e non profit.
2. Oltre la Raccolta: Esamina non solo come i dati vengono raccolti, ma come vengono analizzati collettivamente e trasformati in narrazioni comunitarie, evidenziando come le frizioni (es. il passaggio a ruoli focalizzati sulla conformità) concentrino l'autorità.
3. Contesto Politico: Colloca la ricerca HCI (Human-Computer Interaction) sui senzatetto nel suo contesto politico e organizzativo più ampio, mostrando come la governance dei dati e le infrastrutture modellino congiuntamente la produzione, l'interpretazione e l'equità dei dati.

5. Significato e Implicazioni

Il paper conclude che le infrastrutture dati condivise non sono neutrali: istituzionalizzano una logica di governance che definisce di chi conta la conoscenza.

• Rischio: La standardizzazione, sebbene necessaria per l'interoperabilità, può limitare la personalizzazione locale e spostare il potere verso le agenzie principali e le organizzazioni più ricche di risorse.
• Raccomandazioni: Per avanzare verso una collaborazione equa, è necessario ripensare la governance dei dati:
  • Spostare il focus da un regime di conformità a un'infrastruttura di apprendimento.
  • Espandere le capacità analitiche dei fornitori più piccoli.
  • Incorporare le voci della comunità negli standard dei dati.
  • Progettare cicli di feedback che distribuiscano le intuizioni attraverso i livelli di governance.
  • Utilizzare standard stratificati: un nucleo di reporting stabile, estensioni locali autorizzate e percorsi chiari per la sperimentazione.

In sintesi, lo studio avverte che senza un'attenzione deliberata alla distribuzione delle capacità, dell'autorità interpretativa e delle risorse, i mandati di collaborazione basati sui dati rischiano di esacerbare le disuguaglianze esistenti invece di risolverle.