Secondo una nuova ricerca, gli algoritmi di apprendimento automatico possono prevedere il benessere umano meglio dei tradizionali modelli econometrici. Lo studio dimostra come il machine learning (ML) sia più efficace nel predire il benessere umano rispetto ai modelli econometrici tradizionali.

I ricercatori hanno applicato algoritmi di machine learning a dati raccolti tra il 2010 e il 2018 in Germania, Regno Unito e Stati Uniti, analizzando centinaia di variabili legate al benessere soggettivo. A differenza dei modelli tradizionali, che spesso si basano su ipotesi lineari e un numero limitato di variabili, gli algoritmi ML hanno permesso di individuare interazioni complesse tra diversi fattori.

Lo studio ha confermato che condizioni materiali, salute, tratti della personalità e relazioni sociali significative sono determinanti importanti del benessere. Tuttavia, anche con modelli avanzati, solo il 30% della variazione del benessere individuale è stato spiegato, suggerendo che una parte significativa dei fattori che influenzano il benessere rimane sconosciuta.

Il professor Caspar Kaiser, co-autore dello studio, definisce questa incognita come “materia oscura del benessere”, sottolineando la necessità di esplorare nuove fonti di dati al di là dei tradizionali sondaggi per comprendere meglio cosa influisce sulla felicità delle persone.

In sintesi, la ricerca evidenzia come il machine learning possa offrire un’analisi più sofisticata e accurata del benessere umano rispetto ai modelli econometrici classici, aprendo nuove possibilità di studio in questo ambito.

Scarica lo studio