ID:
618N-EIA
Durata (ore):
72
CFU:
9
SSD:
ECONOMIA POLITICA
Sede:
PESCARA
Url:
ECONOMIA, IMPRESE E MERCATI FINANZIARI/CORSO GENERICO Anno: 3
Anno:
2026
Course Catalogue:
Dati Generali
Periodo di attività
Primo Semestre (01/10/2026 - 31/01/2027)
Syllabus
Obiettivi Formativi
L'insegnamento contribuisce all'obiettivo generale del Corso di Studio di fornire conoscenze e competenze per l'analisi economica dei mercati e delle imprese, con specifico riferimento alla trasformazione indotta dall'intelligenza artificiale. Il principale obiettivo del corso consiste nello sviluppare nello studente la capacità di collegare il funzionamento delle tecnologie di IA (predittiva e generativa) ai loro effetti economici, così da valutarne in modo critico le implicazioni per imprese, mercati, lavoro e politiche pubbliche. Al termine dell'insegnamento, coerentemente con l'obiettivo generale del Corso di Studio, gli studenti dovranno essere in grado di:
CONOSCENZA E CAPACITÀ DI COMPRENSIONE: descrivere a livello concettuale il funzionamento dei principali algoritmi di machine learning e dei modelli generativi; distinguere predizione e inferenza causale e riconoscere i rispettivi ambiti di applicazione in economia; individuare i principali canali attraverso cui l'IA incide su produttività, lavoro, concorrenza e disuguaglianze; conoscere il quadro regolatorio di riferimento (AI Act europeo) e i principali approcci internazionali.
AUTONOMIA DI GIUDIZIO: valutare criticamente le potenzialità e i limiti dei sistemi di IA in specifici contesti applicativi; analizzare gli effetti economici dell'adozione dell'IA in un settore, un'impresa o una politica pubblica, collegando l'aspetto tecnologico a quello economico.
ABILITÀ COMUNICATIVE: esporre in modo chiaro, con la terminologia appropriata, i temi trattati; presentare e discutere i risultati del progetto di gruppo davanti alla classe.
CAPACITÀ DI APPRENDIMENTO: aggiornare autonomamente le proprie conoscenze in un ambito in rapida evoluzione, attraverso la lettura critica di paper, rapporti istituzionali e fonti qualificate.
CONOSCENZA E CAPACITÀ DI COMPRENSIONE: descrivere a livello concettuale il funzionamento dei principali algoritmi di machine learning e dei modelli generativi; distinguere predizione e inferenza causale e riconoscere i rispettivi ambiti di applicazione in economia; individuare i principali canali attraverso cui l'IA incide su produttività, lavoro, concorrenza e disuguaglianze; conoscere il quadro regolatorio di riferimento (AI Act europeo) e i principali approcci internazionali.
AUTONOMIA DI GIUDIZIO: valutare criticamente le potenzialità e i limiti dei sistemi di IA in specifici contesti applicativi; analizzare gli effetti economici dell'adozione dell'IA in un settore, un'impresa o una politica pubblica, collegando l'aspetto tecnologico a quello economico.
ABILITÀ COMUNICATIVE: esporre in modo chiaro, con la terminologia appropriata, i temi trattati; presentare e discutere i risultati del progetto di gruppo davanti alla classe.
CAPACITÀ DI APPRENDIMENTO: aggiornare autonomamente le proprie conoscenze in un ambito in rapida evoluzione, attraverso la lettura critica di paper, rapporti istituzionali e fonti qualificate.
Prerequisiti
Conoscenze di base di microeconomia e macroeconomia; statistica introduttiva. Non è richiesta alcuna esperienza di programmazione.
Metodi didattici
Il corso alterna tre modalità didattiche: (i) lezioni frontali e partecipate, con struttura narrativa e momenti di interazione; (ii) laboratori pratici senza prerequisiti di programmazione, basati su strumenti no-code, notebook precompilati, simulazioni interattive utilizzabili dal browser e uso guidato e critico di modelli linguistici; i materiali di laboratorio sono utilizzabili in aula e a casa, con consegne per il lavoro individuale; (iii) seminari di discussione su casi applicativi e paper empirici recenti. Per ciascuna lezione vengono forniti una dispensa di studio (con teoria, esempi, glossario e domande di autoverifica) e il materiale di presentazione utilizzato in aula. Ogni parte del corso si chiude con un momento di verifica per consolidare l'apprendimento.
Verifica Apprendimento
La verifica dell'apprendimento si articola nelle seguenti componenti:
1) Due prove intermedie scritte (settimane 4 e 8), ciascuna con peso del 15% sul voto finale, su domande chiuse e aperte relative rispettivamente alla Parte I e alla Parte II del corso.
2) Progetto di gruppo con presentazione finale (peso 30%): analisi economica di un'applicazione reale dell'IA a scelta (un settore, un'impresa, una politica pubblica), con l'obbligo di collegare l'aspetto tecnologico (come funziona il sistema) a quello economico (quali effetti produce e perché). Rubrica di valutazione: rigore dell'analisi economica 30%; correttezza della comprensione tecnologica 25%; qualità delle evidenze e delle fonti 20%; efficacia della presentazione 15%; contributo individuale (peer assessment) 10%.
3) Esame finale scritto (peso 40%), durata 90 minuti: tre domande aperte (una per ciascuna parte del corso) e un mini-caso applicativo che richiede di integrare aspetti tecnologici ed economici. È ammessa una pagina di appunti personali (formato "cheat sheet") per incoraggiare la sintesi attiva in fase di studio.
4) Consegne di laboratorio: le quattro consegne a casa dei laboratori sono valutate idoneo/non idoneo; chi consegna tutte e quattro le prove idonee ottiene fino a 2 punti bonus sul voto finale.
Il voto finale è espresso in trentesimi e risulta dalla media ponderata delle componenti, secondo criteri di coerenza, completezza, padronanza tecnica e capacità argomentativa. Si considera frequentante lo studente che sostiene entrambe le prove intermedie, partecipa al progetto di gruppo e consegna almeno 3 delle 4 prove di laboratorio; non è richiesta alcuna registrazione delle presenze. Per gli studenti che non soddisfano tali condizioni (non frequentanti) la valutazione si basa su un esame scritto esteso all'intero programma, integrato da un colloquio orale sui testi di riferimento.
1) Due prove intermedie scritte (settimane 4 e 8), ciascuna con peso del 15% sul voto finale, su domande chiuse e aperte relative rispettivamente alla Parte I e alla Parte II del corso.
2) Progetto di gruppo con presentazione finale (peso 30%): analisi economica di un'applicazione reale dell'IA a scelta (un settore, un'impresa, una politica pubblica), con l'obbligo di collegare l'aspetto tecnologico (come funziona il sistema) a quello economico (quali effetti produce e perché). Rubrica di valutazione: rigore dell'analisi economica 30%; correttezza della comprensione tecnologica 25%; qualità delle evidenze e delle fonti 20%; efficacia della presentazione 15%; contributo individuale (peer assessment) 10%.
3) Esame finale scritto (peso 40%), durata 90 minuti: tre domande aperte (una per ciascuna parte del corso) e un mini-caso applicativo che richiede di integrare aspetti tecnologici ed economici. È ammessa una pagina di appunti personali (formato "cheat sheet") per incoraggiare la sintesi attiva in fase di studio.
4) Consegne di laboratorio: le quattro consegne a casa dei laboratori sono valutate idoneo/non idoneo; chi consegna tutte e quattro le prove idonee ottiene fino a 2 punti bonus sul voto finale.
Il voto finale è espresso in trentesimi e risulta dalla media ponderata delle componenti, secondo criteri di coerenza, completezza, padronanza tecnica e capacità argomentativa. Si considera frequentante lo studente che sostiene entrambe le prove intermedie, partecipa al progetto di gruppo e consegna almeno 3 delle 4 prove di laboratorio; non è richiesta alcuna registrazione delle presenze. Per gli studenti che non soddisfano tali condizioni (non frequentanti) la valutazione si basa su un esame scritto esteso all'intero programma, integrato da un colloquio orale sui testi di riferimento.
Testi
- Agrawal A., Gans J., Goldfarb A., Prediction Machines: The Simple Economics of Artificial Intelligence, Harvard Business Review Press (edizione aggiornata), capitoli selezionati.
- Acemoglu D., Johnson S., Power and Progress, PublicAffairs, capitoli selezionati.
- Mullainathan S., Spiess J., "Machine Learning: An Applied Econometric Approach", Journal of Economic Perspectives, 2017.
- Brynjolfsson E., Rock D., Syverson C., "Artificial Intelligence and the Modern Productivity Paradox", NBER Working Paper, 2017 (sezioni scelte).
- Kleinberg J. et al., "Prediction Policy Problems", American Economic Review P&P, 2015.
- Rapporti istituzionali aggiornati su IA, produttività e lavoro (OCSE, FMI, Banca d'Italia), indicati a lezione.
- Dispense del docente, distribuite lezione per lezione, con letture di approfondimento specifiche per ciascuna lezione (articoli scientifici, casi applicativi, materiali video consigliati).
- Acemoglu D., Johnson S., Power and Progress, PublicAffairs, capitoli selezionati.
- Mullainathan S., Spiess J., "Machine Learning: An Applied Econometric Approach", Journal of Economic Perspectives, 2017.
- Brynjolfsson E., Rock D., Syverson C., "Artificial Intelligence and the Modern Productivity Paradox", NBER Working Paper, 2017 (sezioni scelte).
- Kleinberg J. et al., "Prediction Policy Problems", American Economic Review P&P, 2015.
- Rapporti istituzionali aggiornati su IA, produttività e lavoro (OCSE, FMI, Banca d'Italia), indicati a lezione.
- Dispense del docente, distribuite lezione per lezione, con letture di approfondimento specifiche per ciascuna lezione (articoli scientifici, casi applicativi, materiali video consigliati).
Contenuti
Il corso fornisce una comprensione consapevole del funzionamento degli algoritmi di intelligenza artificiale, sia predittiva sia generativa, e degli strumenti per analizzarne gli effetti economici su mercati, imprese, lavoro e politiche pubbliche. Il corso si articola in tre parti. La prima parte (fondamenti tecnologici dell'IA) introduce la storia e le determinanti dell'IA contemporanea, il machine learning supervisionato e non supervisionato, le reti neurali e il deep learning, i modelli linguistici di grandi dimensioni (LLM) e l'IA generativa, con attenzione a capacità e limiti dei sistemi. La seconda parte (IA applicata all'analisi economica) affronta il rapporto tra econometria e machine learning, l'inferenza causale e la predizione, la previsione macroeconomica e il nowcasting con big data, e le principali applicazioni dell'IA a credito, finanza, pricing e piattaforme digitali. La terza parte (economia dell'IA) analizza gli effetti dell'IA su produttività e crescita, mercato del lavoro, salari e disuguaglianze, struttura di mercato e concorrenza, regolazione (AI Act europeo) e geopolitica dell'IA, fino ai temi di frontiera. Il corso comprende laboratori pratici senza prerequisiti di programmazione e un progetto di gruppo.
Lingua Insegnamento
Italiano
Altre informazioni
La frequenza è fortemente consigliata, in particolare per le attività di laboratorio e per il progetto di gruppo. Non è previsto alcun rilevamento formale delle presenze: ai fini della valutazione, si considera frequentante lo studente che sostiene entrambe le prove intermedie, partecipa al progetto di gruppo e consegna almeno 3 delle 4 prove di laboratorio. Si raccomanda di portare in aula un notebook o un dispositivo con accesso al browser per le sessioni di laboratorio. Il materiale didattico (dispense, slide, materiali di laboratorio e schede di consegna) è distribuito lezione per lezione attraverso la piattaforma di e-learning dell'Ateneo. Gli studenti ERASMUS sono invitati a contattare il docente per concordare il programma.
Corsi
Corsi
3 anni
No Results Found