<\/em><\/p>\n\n\n\nPrima di esaminare i meccanismi attraverso cui tale migrazione si realizza, \u00e8 necessario chiarire una distinzione fondamentale che costituisce la premessa analitica di quanto segue: scelta e decisione non coincidono ontologicamente.<\/p>\n\n\n\n
La scelta \u00e8 un atto reattivo che opera all’interno di uno spazio di possibilit\u00e0 gi\u00e0 costituito. Scegliere tra A, B e C presuppone che qualcuno o qualcosa abbia gi\u00e0 determinato che A, B e C siano le opzioni rilevanti o, quantomeno, quelle che verranno mostrate in ultima istanza. La scelta avviene all’interno di un campo perimetrato.<\/p>\n\n\n\n
La decisione, al contrario, ha natura costitutiva: determina quali sono le opzioni, cosa merita considerazione, quale orizzonte di possibilit\u00e0 \u00e8 rilevante. Decidere significa stabilire i confini entro cui, successivamente, avverr\u00e0 la scelta. Chi controlla la decisione controlla quale mondo di opzioni diventa visibile.<\/p>\n\n\n\n
Si converr\u00e0 che non ci troviamo di fronte a una distinzione meramente terminologica<\/strong>. \u00c8 una differenza di livello<\/strong> nell’esercizio del potere decisionale; oserei dire che la distinzione ha carattere identitario. <\/p>\n\n\n\nUn soggetto che pu\u00f2 solo scegliere all’interno di confini decisi da altri possiede un\u2019autonomia cognitiva ridotta, anche se formalmente “libero” di scegliere. La libert\u00e0 di selezione non compensa la perdita della capacit\u00e0 costitutiva. Questa limitazione \u00e8 particolarmente insidiosa perch\u00e9 non \u00e8 percepita come tale. Il soggetto pu\u00f2 sentirsi cognitivamente autonomo perch\u00e9 sta effettivamente valutando, comparando, riflettendo, ma lo sta facendo in uno spazio gi\u00e0 delimitato. \u00c8 autonomo dentro i confini, ma non rispetto a questi.<\/p>\n\n\n\n
Il fenomeno documentato nelle pagine seguenti descrive esattamente questa scissione<\/strong>: gli algoritmi decidono<\/strong>, cosa appare, in quale ordine, con quale peso, quali impostazioni di fabbrica sono attive.<\/p>\n\n\n\nGli utenti scelgono<\/strong>, tra ci\u00f2 che \u00e8 stato reso visibile, secondo l’ordine imposto, lungo i percorsi resi pi\u00f9 fluidi. La \u201cmigrazione dell’agency<\/em>\u201d non elimina la scelta. Trasferisce la decisione su cosa scegliere. E, in questo trasferimento, l’autonomia viene compromessa prima ancora che la scelta venga esercitata.<\/p>\n\n\n\n2. <\/strong>Il meccanismo<\/strong><\/strong><\/p>\n\n\n\nPrincipalmente quattro meccanismi rendono possibile lo spostamento architetturale che abbiamo discusso in precedenza, una migrazione del punto di origine dall’umano al sistema. <\/p>\n\n\n\n
Le impostazioni predefinite come arbitri silenziosi<\/em>.<\/strong> Quando una piattaforma preseleziona un’opzione, sfrutta il bias<\/em> dello status quo: gli esseri umani resistono alla modifica delle impostazioni preconfigurate anche quando consapevoli del bias<\/em>. I sistemi europei di donazione degli organi dimostrano questa asimmetria. I paesi in cui l\u2019adesione alla donazione degli organi \u00e8 volontaria, raggiungono il 10-20% di partecipazione. I paesi in cui la donazione degli organi \u00e8 automatica e l\u2019uscita dal programma necessita di una manifestazione esplicita della volont\u00e0 dell\u2019individuo, raggiungono l’80-90%.
<\/p>\n\n\n\nL\u2019unica variabile \u00e8 l’impostazione predefinita. <\/p>\n\n\n\n
Negli strumenti digitali, le impostazioni predefinite proliferano invisibilmente. Gmail elimina email senza revisione dell’utente. Le piattaforme social preimpostano le opzioni per massimizzare la condivisione dei dati. I servizi di streaming abilitano l’autoplay. I siti di e-commerce preselezionano spedizioni premium e iscrizioni. In ciascun caso, il sistema ha deciso, e l’utente deve compiere uno sforzo per invertire la scelta.<\/p>\n\n\n\n
Le raccomandazioni come gerarchizzazioni preventive<\/em><\/strong>.<\/strong> Netflix riporta che l’80% dell’attivit\u00e0 di visione origina da suggerimenti algoritmici. L’algoritmo “Per Te” di TikTok genera 95 minuti di utilizzo quotidiano medio per utente.<\/p>\n\n\n\nIl meccanismo \u00e8 una restrizione attraverso l’amplificazione<\/em>. Le raccomandazioni aumentano le opzioni visibili ma diminuiscono l’effettiva diversit\u00e0 di consumo. Le gerarchizzazioni algoritmiche creano cascate di popolarit\u00e0. Gli elementi suggeriti precocemente accumulano engagement, rafforzando il loro posizionamento. Gli utenti vedono variet\u00e0 ma, all\u2019atto pratico, consumano da un sottoinsieme curato.<\/p>\n\n\n\nAmazon esemplifica questo. I cambiamenti nelle preferenze dei consumatori modificano le classifiche minimamente (meno dello 0,3%), ma l’identit\u00e0 del venditore, se Amazon possiede il prodotto, le modifica drasticamente. Il sistema ottimizza per il profitto della piattaforma.<\/p>\n\n\n\n
Il sequestro neurobiologico attraverso ricompense variabili<\/em><\/strong>. <\/strong>Nel corpo umano, la dopamina viene rilasciata quando una ricompensa diventa possibile<\/em>. Gli schemi di ricompensa variabile producono risposte pi\u00f9 forti rispetto a quelli prevedibili. Questo \u00e8 il fondamento della dipendenza dal gioco d’azzardo, ora incorporato nei social media (ma che si sta anche propagando in altri segmenti industriali e non).<\/p>\n\n\n\nLo \u201cscroll infinito\u201d ha rimosso i segnali di arresto naturali. L’incertezza sostiene l’anticipazione dopaminergica, mantenendo gli utenti in scorrimento senza consapevolezza del tempo. Le notifiche innescano cortisolo e dopamina, condizionando il controllo compulsivo.<\/p>\n\n\n\n
L’illusione della scelta attraverso la gerarchizzazione<\/em><\/strong>.<\/strong> Lo spostamento pi\u00f9 sofisticato non rimuove opzioni: rimodella ci\u00f2 che appare possibile. Gli algoritmi determinano visibilit\u00e0 e presentazione. Sui siti di e-commerce, gli utenti vedono centinaia di risultati gerarchizzati per popolarit\u00e0 e margini non divulgati. La maggior parte non scorre oltre la prima pagina.<\/p>\n\n\n\nL’algoritmo ha risposto alla domanda “cosa dovrei considerare?” L’utente sceglie da una lista preselezionata, credendo di aver esercitato piena autonomia decisionale. Facebook valuta oltre 100.000 variabili per gerarchizzare i post. I contenuti che confermano convinzioni esistenti si posizionano pi\u00f9 in alto, generano engagement, creando bolle filtranti.<\/p>\n\n\n\n
3. <\/strong>L’erosione quotidiana<\/strong><\/strong><\/p>\n\n\n\nL’email come accesso curato<\/em><\/strong>.<\/strong> Gmail elimina messaggi secondo criteri proprietari e opachi. Se un’email legittima viene classificata erroneamente, l’informazione \u00e8 persa. Gli utenti sperimentano convenienza; in realt\u00e0, un sistema ha deciso unilateralmente cosa qualificare come rilevante.<\/p>\n\n\n\nLo shopping come re-engagement automatizzato<\/em><\/strong>.<\/strong> L’e-commerce attiva email di promemoria entro minuti dall’abbandono del carrello. Queste email generano l’87% degli ordini automatizzati pur rappresentando il 2% del volume. L’utente aveva sospeso l\u2019azione; il sistema decide di sollecitare.<\/p>\n\n\n\nLo streaming come scoperta algoritmica<\/em><\/strong>.<\/strong> Il motore di Netflix vale 1 miliardo annui per la fidelizzazione. La “Pagina Per Te” di TikTok \u00e8 interamente algoritmica, non esiste alternativa di ricerca nell’interfaccia predefinita. Il sistema, non l’utente, \u00e8 il decisore primario su quali contenuti vengono incontrati.<\/p>\n\n\n\nL’input testuale come espressione anticipata.<\/strong> Il testo predittivo anticipa la parola successiva. Uno studio del 2023 ha rilevato che il 68% degli utenti esperti l’ha disabilitato. Empiricamente \u00e8 pi\u00f9 lento: risparmia 3,43 caratteri ma aggiunge due secondi. Eppure rimane abilitato. Il sistema assume l’autorit\u00e0 di anticipare l’espressione.<\/p>\n\n\n\n4. <\/strong>La finzione dell’human-in-the-loop<\/em><\/strong><\/strong><\/p>\n\n\n\nIl design \u201chuman-in-the-loop\u201d,<\/em><\/strong> ovvero quel sistema secondo cui, per proseguire lungo una sequenza di automazione, l\u2019umano \u00e8 chiamato di tanto in tanto in causa, \u00e8 presentato come soluzione<\/strong>.<\/p>\n\n\n\nIn pratica, istituzionalizza il bias di automazione<\/em><\/strong>: fare eccessivo affidamento sulle raccomandazioni delle macchine. I medici approvano l’86% delle raccomandazioni cliniche senza modifiche. L’algoritmo \u00e8 diventato il punto di partenza predefinito.<\/p>\n\n\n\nNelle assunzioni, gli algoritmi preselezionano i candidati. La ricerca mostra che vincoli di “rappresentanza equa” fanno poco per migliorare la diversit\u00e0, anche laddove questa porti un beneficio misurabile, perch\u00e9 gli umani selezionano da elenchi algoritmicamente vincolati riproducendo i bias<\/em>.<\/p>\n\n\n\nL’umano rimane nel ciclo. Ma il ciclo si \u00e8 ristretto: l’agency umana opera solo entro confini matematicamente definiti. Il risultato non \u00e8 “gli umani supervisionano”. E “le macchine filtrano, gli umani approvano meccanicamente”.<\/p>\n\n\n\n
5. <\/strong>La logica economica<\/strong><\/strong><\/p>\n\n\n\nLe piattaforme ottimizzano per coinvolgimento e ricavi, non per autonomia. Netflix<\/strong> vale 1 miliardo annui perch\u00e9<\/em> aumenta il tempo di visione. L’algoritmo \u00e8 addestrato su metriche di engagement, durata, completamento; non sull’autonomia.<\/p>\n\n\n\nTikTok<\/strong> ottimizza per il tempo speso sull’app. Entro ore, apprende quali contenuti sostengono l’attenzione. Risultato: 95 minuti quotidiani medi. Le email di carrello abbandonato recuperano ricavi ri-coinvolgendo utenti che avevano lasciato l\u2019operazione in sospeso.<\/p>\n\n\n\nQuesti obiettivi, engagement<\/em>, conversione, tempo, sono strutturalmente disallineati con l’autonomia dell’utente. Un sistema ottimizzato per l’autonomia raccomanderebbe meno aggressivamente, ridurrebbe le frizioni per l’opt-out (esclusione), darebbe priorit\u00e0 al controllo dell’utente. Nessuno di questi \u00e8 incentivato commercialmente n\u00e9, tanto meno, politicamente.<\/p>\n\n\n\nLo spostamento dell’agency<\/em> non \u00e8 un difetto o un effetto collaterale: \u00e8 un meccanismo consapevole e volontario di massimizzazione dell’engagement.<\/p>\n\n\n\n6. <\/strong>Perch\u00e9 questo \u00e8 rilevante<\/strong><\/strong><\/p>\n\n\n\nIl costo cognitivo<\/strong> \u00e8 invisibile<\/strong> perch\u00e9 i percorsi predefiniti sono cos\u00ec privi di frizioni che gli utenti non resistono mai. Non si sentono costretti, sentono di scegliere liberamente. Stanno scegliendo, s\u00ec, ma da un insieme pre-curato. L’origine di questo processo \u00e8 migrata a sistemi che non controllano e di cui non sono a conoscenza.<\/p>\n\n\n\nQuesto erode l’autonomia metacognitiva<\/em><\/strong>,<\/em> la capacit\u00e0 di riflettere su ci\u00f2 che si vuole. Quando i sistemi prevengono queste decisioni, restringono lo spazio per la riflessione. Gli utenti non chiedono “Cosa voglio guardare?” ma “Devo guardare questo suggerimento?”, una deliberazione molto pi\u00f9 ristretta.<\/p>\n\n\n\nNel tempo, questo rimodella le preferenze. Uno studio del 2025 ha rilevato che gli algoritmi creano un'”illusione di competenza”: gli utenti <\/p>\n\n\n\n
credono di essere esperti perch\u00e9 gli algoritmi suggeriscono elementi che apprezzano. In realt\u00e0, hanno imparato ad apprezzare un sottoinsieme filtrato. Di fatto, sono stati addestrati.<\/p>\n\n\n\n
Per i sistemi democratici, le implicazioni aumentano esponenzialmente. Quando le piattaforme curano quali informazioni i cittadini vedono, elevando contenuti coinvolgenti indipendentemente dall’accuratezza, sopprimendo punti di vista, segregando o comprimendo in gruppi omogenei, migrano la capacit\u00e0 di valutare dal cittadino verso sistemi ottimizzati per altri scopi.<\/p>\n\n\n\n
Uno studio del 2024 ha rilevato che le raccomandazioni algoritmiche possono aumentare l’esposizione alla diversit\u00e0 politica se programmate per farlo<\/em>, ma per impostazione predefinita mostrano agli utenti pi\u00f9 di ci\u00f2 che gi\u00e0 credono.<\/p>\n\n\n\n7. <\/strong>La questione centrale<\/strong><\/strong><\/p>\n\n\n\nQual \u00e8, in ultima istanza, lo scopo<\/strong> della tecnologia nella vita umana? Se il suo compito fosse quello di amplificare l\u2019agency, la capacit\u00e0 dell\u2019individuo di essere il punto d\u2019origine decisionale, orientare e assumersi la responsabilit\u00e0 delle proprie azioni, allora gran parte dei design contemporanei fallirebbe clamorosamente. Essi non potenziano l\u2019autonomia: massimizzano engagement, estrazione di attenzione e profitti. L\u2019essere umano diventa una variabile del sistema, non il suo fine.<\/p>\n\n\n\nIn un paradigma alternativo<\/strong>, la tecnologia dovrebbe essere subordinata all\u2019intento umano. In quel contesto l\u2019agency non \u00e8 un dettaglio etico, ma la variabile pilastro di ogni altro elemento correlato in modo diretto o indiretto. Eppure, ci\u00f2 che osserviamo \u00e8 un silenzioso riordinamento: la mediazione algoritmica, presentata come comodit\u00e0, efficienza, personalizzazione, ribalta la gerarchia. Non siamo pi\u00f9 noi a usare gli strumenti; sono gli strumenti a ridefinire il perimetro del possibile per nostro conto.<\/p>\n\n\n\nL\u2019evidenza di questa inversione<\/strong> non \u00e8 accidentale n\u00e9 sporadica: \u00e8 sistematica, documentata, deliberata. Le piattaforme sanno che le impostazioni predefinite modellano il comportamento, che le raccomandazioni ancorano le decisioni, che le notifiche frammentano l\u2019attenzione, che l\u2019engagement infinito elimina i segnali di arresto. Nulla di tutto questo \u00e8 incidentale: sono obiettivi di ottimizzazione, metriche di successo.<\/p>\n\n\n\nIl fatto che questo spostamento<\/strong> sia difficilmente percepibile non ne smentisce l\u2019esistenza. Al contrario, ne certifica la raffinatezza. Un controllo efficace non si manifesta come costrizione, ma come scelta apparente. L\u2019erosione dell\u2019agency non si presenta come perdita, bens\u00ec come servizio: pi\u00f9 personalizzazione, pi\u00f9 convenienza, pi\u00f9 opzioni ma, paradossalmente, meno libert\u00e0 reale. \u201cConsapevolezza e volontariet\u00e0\u201d sono assenti: In questo spazio ambiguo, l\u2019autonomia non viene negata: viene lentamente resa irrilevante. <\/p>\n\n\n\n8. <\/strong>Nuove Architetture Decisionali<\/strong><\/p>\n\n\n\nLe dinamiche analizzate finora non implicano l\u2019inevitabilit\u00e0<\/strong> di un esito<\/strong>. Al contrario, mostrano che le architetture decisionali che governano l\u2019interazione uomo\u2013macchina<\/strong> sono tecnicamente configurabili<\/strong> e, dunque, implicitamente normative<\/strong>. Impostazioni predefinite, frizioni operative, segnali di arresto, criteri di ottimizzazione e livelli di trasparenza non sono semplici dettagli implementativi: costituiscono scelte progettuali<\/strong> che determinano, a monte, la distribuzione dell\u2019agency.<\/p>\n\n\n\nDa un punto di vista tecnico, esistono gi\u00e0 modalit\u00e0 alternative di progettazione<\/strong>. Le impostazioni predefinite<\/strong> potrebbero riflettere le preferenze dichiarate dell\u2019utente anzich\u00e9 gli incentivi economici della piattaforma. Le frizioni potrebbero essere distribuite simmetricamente tra percorsi predefiniti e non predefiniti, rendendo reversibile una scelta senza richiedere uno sforzo sproporzionato. I cicli di engagement potrebbero includere segnali di arresto deliberati, reintroducendo momenti di riflessione e scelta esplicita. Gli algoritmi di raccomandazione potrebbero essere ottimizzati per criteri diversi dal coinvolgimento immediato, includendo variet\u00e0, soddisfazione a lungo termine e benessere cognitivo. Infine, i sistemi potrebbero rendere esplicito quando una gerarchizzazione algoritmica ha gi\u00e0 ristretto lo spazio delle opzioni disponibili.<\/p>\n\n\n\nIl fatto che tali configurazioni rimangano marginali non sembra riconducibile a limiti tecnologici, bens\u00ec a vincoli strutturali di natura economica, politica, organizzativa e strategica. Questo aspetto \u00e8 cruciale per qualsiasi riflessione normativa. Le leve che determinano l\u2019effettiva allocazione dell\u2019agency operano a un livello pre-giuridico, incorporato nell\u2019architettura stessa dei sistemi, e risultano spesso invisibili se osservate esclusivamente attraverso categorie normative tradizionali focalizzate sugli output o sui comportamenti osservabili.<\/p>\n\n\n\n
Ne deriva una criticit\u00e0 sistemica<\/strong>: interventi regolatori che non tengano conto di tali livelli rischiano di agire ex post<\/em>, quando la decisione rilevante \u00e8 gi\u00e0 stata presa dal sistema. In assenza di un coordinamento strutturato tra competenze giuridiche, competenze strategiche e tecnico-progettuali, il rischio non \u00e8 soltanto l\u2019inefficacia della norma, ma la produzione di assetti formalmente conformi e sostanzialmente disallineati dall\u2019obiettivo dichiarato di tutela dell\u2019autonomia intellettuale umana.<\/p>\n\n\n\nIn questo senso, la questione non riguarda la legittimit\u00e0 dell\u2019uso di sistemi algoritmici nel supporto decisionale, ma la localizzazione del locus<\/em> decisionale primario.<\/p>\n\n\n\nStabilire dove e come tale locus<\/em> venga definito \u00e8 una condizione preliminare per qualsiasi intervento normativo che ambisca a incidere sulle cause, e non soltanto sui sintomi, della migrazione dell\u2019agency descritta in questo lavoro.<\/p>\n\n\n\n
Fonti e Citazioni<\/strong><\/p>\n\n\n\nImpostazioni predefinite per la donazione di organi: Johnson, E. J., & Goldstein, D. G. (2003). “Do Defaults Save Lives?” Science, 302(5649), 1338-1339.<\/p>\n\n\n\n
Statistiche sui consigli di Netflix: Gomez-Uribe, C. A., & Hunt, N. (2016). “The Netflix Recommender System.” ACM Transactions on Management Information Systems, 6(4), 1-19. Rapporti di settore confermano che la cifra dell’80% rimane attuale al 2024.<\/p>\n\n\n\n
Performance delle email per carrelli abbandonati: Omnisend (2024). “E-commerce Statistics Report 2024.” Dati: 87% degli ordini da email automatizzate, 37% delle vendite totali da email provenienti da sequenze per carrelli abbandonati.<\/p>\n\n\n\n
Orientamento dei prodotti Amazon: Chen, L., Mislove, A., & Wilson, C. (2024). “An Empirical Analysis of Algorithmic Pricing on Amazon Marketplace.” RAND Journal of Economics. Riscontrata una diminuzione di otto punti percentuali nei consigli di terze parti quando Amazon \u00e8 esaurito.
Massimi artificiali: Variabilit\u00e0 e frequenza della ricompensa come prerequisiti delle dipendenze comportamentali. Brain Research Bulletin, 196, 156-168, Clark, L., & Zack, M. (2023).<\/p>\n\n\n\n
Effetti precoci dell’anticipazione della ricompensa sono modulati dalla stimolazione dopaminergica. PLOS ONE, Abler, B., et al. (2014).<\/p>\n\n\n\n
Dopamina nel controllo motivazionale: gratificante, avversiva e di allerta. Bromberg-Martin, E. S., et al. (2010). Neuron, 68(5), 815-834<\/p>\n\n\n\n
Algoritmi per la diversit\u00e0 politica: Allen, J., et al. (2024). “Reranking Partisan Animosity in Algorithmic Social Media Feeds Alters Affective Polarization.” Science, 386(6723).<\/p>\n\n\n\n
Design dello scorrimento infinito: Raskin, A. (2006). Designer originale dello scorrimento infinito; commenti successivi sugli impatti comportamentali documentati in varie fonti di giornalismo tecnologico (2017-2019).<\/p>\n\n\n\n
Performance del testo predittivo: Vertanen, K., & Kristensson, P. O. (2011). “The Imagination of Crowds: Conversational AAC Language Modeling using Crowdsourcing and Large Data Sources.” Cambridge University Engineering Department. Ricerca che mostra come la previsione delle parole aggiunga tempo nonostante risparmi caratteri.
<\/strong><\/p>\n\n\n\ndi Simone Dongu<\/strong>
Imprenditore seriale internazionale, specializzato in Business Strategy (University of Virginia). Autore, speaker e progettista di sistemi informatici, sviluppa soluzioni AI\/AR\/VR per l\u2019automazione aziendale<\/em><\/p>\n\n\n\n<\/p>\n","protected":false},"excerpt":{"rendered":"
Sommario: 1. Prefazione \u2013 2. Il meccanismo \u2013 3. L\u2019erosione quotidiana \u2013 4. La finzione dell’human-in-the-loop \u2013 5. La logica economica \u2013 6. Perch\u00e9 questo \u00e8 rilevante \u2013 7. La questione centrale \u2013 8. Nuove Architetture […]<\/p>\n","protected":false},"author":10431,"featured_media":1186,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_coblocks_attr":"","_coblocks_dimensions":"","_coblocks_responsive_height":"","_coblocks_accordion_ie_support":"","footnotes":""},"categories":[1],"tags":[],"class_list":["post-1159","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-news-ed-eventi"],"_links":{"self":[{"href":"https:\/\/sites.unica.it\/ict4lawforensics\/wp-json\/wp\/v2\/posts\/1159","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/sites.unica.it\/ict4lawforensics\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/sites.unica.it\/ict4lawforensics\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/sites.unica.it\/ict4lawforensics\/wp-json\/wp\/v2\/users\/10431"}],"replies":[{"embeddable":true,"href":"https:\/\/sites.unica.it\/ict4lawforensics\/wp-json\/wp\/v2\/comments?post=1159"}],"version-history":[{"count":43,"href":"https:\/\/sites.unica.it\/ict4lawforensics\/wp-json\/wp\/v2\/posts\/1159\/revisions"}],"predecessor-version":[{"id":1206,"href":"https:\/\/sites.unica.it\/ict4lawforensics\/wp-json\/wp\/v2\/posts\/1159\/revisions\/1206"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/sites.unica.it\/ict4lawforensics\/wp-json\/wp\/v2\/media\/1186"}],"wp:attachment":[{"href":"https:\/\/sites.unica.it\/ict4lawforensics\/wp-json\/wp\/v2\/media?parent=1159"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/sites.unica.it\/ict4lawforensics\/wp-json\/wp\/v2\/categories?post=1159"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/sites.unica.it\/ict4lawforensics\/wp-json\/wp\/v2\/tags?post=1159"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}