logseq/pages/KaraKeep-Highlights.md

icon:: ✏️
generation_time:: [[2026-02-12]] T08:00:32Z

- # **TODOs and IDEAs**
	- {{query (and [[TODO]] [[KaraKeep-Highlights]] (or [[Ideas]] [[KaraKeep-Highlights]]))}}
	  query-table:: true
	  query-properties:: [:block]
- ## **Open - Le regole del gioco**
  source:: https://www.open.online/le-regole-del-gioco/
  url:: https://karakeep.diruscio.org/dashboard/preview/au4h7zjntjdakspb0gcl51bd
  tags:: [[behavioral addiction]] [[digital addiction]] [[gaming disorder]] [[mental health]] [[youth risk]]
	- Le cosiddette New Addiction sono capaci di diventare l’obiettivo primario della nostra mente finché l’opzione di smettere non rappresenta più una scelta libera.
	  background-color:: green
	- in Italia tra il 10 e il 15% della popolazione presenti comportamenti che rientrano, in forma più o meno manifesta, nei criteri delle nuove dipendenze
	  background-color:: green
	- Durante il primo lockdown uno studio pubblicato su Frontiers in Psychiatry, condotto dall’Istituto di Neuroscienze di Firenze in collaborazione con il Dipartimento di Psichiatria e Scienze del Comportamento della Albert Einstein College of Medicine di New York, ha rilevato che il 23,6% dei soggetti coinvolti mostrava sintomi compatibili con una forma di gioco d’azzardo patologico.
	  background-color:: green
	- Nello studio condotto su studenti delle scuole superiori pubblicato su CNS Spectrums, i ricercatori hanno registrato il 5,4% degli studenti nella categoria di “internet addicted”; percentuali preoccupanti sono emerse anche per altre dipendenze: il 16% degli studenti ha ottenuto per esempio punteggi talmente alti nella scala dedicata al gioco d’azzardo da essere classificato nella fascia clinica definita come “problema estremo”
	  background-color:: green
		- > **Note:** #card

- ## **How Agent Handoffs Work in Multi-Agent Systems | Towards Data Science**
  source:: https://search.app/TLKfg
  url:: https://karakeep.diruscio.org/dashboard/preview/biijh0k3p2kzivskr2b16t1c
  tags:: [[Artificial Intelligence]] [[Multi-Agent Systems]] [[agent handoffs]] [[large language models]] [[workflow orchestration]]
	- This is why multi-agent systems have grown in popularity, as they allow us to tackle use cases of increasing complexity.
	  background-color:: green
	- Multi-agent systems connect numerous specialized agents that work together, each focusing on a specific task, while the system routes queries to the right expert.
	  background-color:: green
	- LangGraph is an open-source orchestration framework for building stateful, LLM-based agentic systems that reliably handle complex tasks.
	  background-color:: green
	- It allows developers to design workflows as graphs, where each graph consists of nodes (representing tasks or LLM calls) and edges (representing control flow).
	  background-color:: blue
	- precise control over transitions, states, and how each agent executes.
	  background-color:: green
	- An agentic handoff is the moment when an agent directly and dynamically passes control to another agent after finishing its work.
	  background-color:: blue
	- supervisor pattern
	  background-color:: blue
	- a handoff occurs when one agent transfers control, responsibility, or conversational context to another agent to ensure continuity and relevance in the interaction.
	  background-color:: green
	- The supervisor agent, being aware of the nature of the user query and the worker agents at its disposal, will hand off the task to the research agent to carry out the next turn.
	  background-color:: blue
		- > **Note:** This is MOSAICO :-)
	- multi-agent system’s short-term memory
	  background-color:: green
	- The routing has been simplified to be one-way i.e. once the worker agent completes its task, the conversation ends.
	  background-color:: green
	- Notice that the instructions for the handoff criteria are explicitly defined in the prompt.
	  background-color:: green
	- this GitHub repo.
	  background-color:: red
		- > **Note:** It does not work.
	- Conditional edges
	  background-color:: blue
	- Command object
	  background-color:: blue

- ## **Crans-Montana, la fine dell’illusione del controllo: noi genitori “geolocalizzatori” spiazzati davanti al caso e alla morte**
  source:: https://www.famigliacristiana.it/attualita/mondo/strage-crans-montana-commento-alberto-pellai-c14e8w5a
  url:: https://karakeep.diruscio.org/dashboard/preview/etrrlkwkha6j81s1nakgzqui
  tags:: [[Adolescence]] [[Safety]] [[Trauma]] [[mental health]] [[parenting]]
	- che quasi sempre sa accoglierti con opportunità che non coglieresti mai se rinunciassi ad andarlo a cercare, rimanendo nel territorio ultraprotetto della tua comfort zone.
	  background-color:: green
		- > **Note:** Il Coraggio di vivere

- ## **LangChain Unveils Four Multi-Agent Architecture Patterns for AI Development**
  source:: https://blockchain.news/news/langchain-multi-agent-architecture-patterns-guide
  url:: https://karakeep.diruscio.org/dashboard/preview/fiaojtcvh7y42zbs9f5qt7ul
  tags:: [[Artificial Intelligence]] [[Developer-Tools]] [[Machine Learning]] [[Multi-Agent Systems]] [[Software-Architecture]]
	- detailed framework for building multi-agent AI systems, arriving as the AI infrastructure space heats up with competing approaches from Google and Microsoft in recent weeks
	  background-color:: green
	- Context management becomes the first bottleneck. Specialized knowledge for multiple capabilities simply won't fit in a single prompt. The second constraint is organizational—different teams need to develop and maintain capabilities independently, and monolithic agent prompts become unmanageable across team boundaries
	  background-color:: green
	- Anthropic's research validates the approach. Their multi-agent system using Claude Opus 4 as lead agent with Claude Sonnet 4 subagents outperformed single-agent Claude Opus 4 by 90.2% on internal research evaluations. The key advantage: parallel reasoning across separate context windows.
	  background-color:: green
		- > **Note:** This is important to support the seminar at Milano Bicocca
	- The Four Patterns
	  background-color:: blue
		- > **Note:** #IMPORTANT #MOSAICO
	- A supervisor agent calls specialized subagents as tools, maintaining conversation context while subagents remain stateless
	  background-color:: blue
	- Routers classify input and dispatch to specialized agents in parallel, synthesizing results. Enterprise knowledge bases querying multiple sources simultaneously benefit here. Stateless by design, which means consistent per-request performance but repeated routing overhead for conversations
	  background-color:: green
	- LangChain's Deep Agents
	  background-color:: blue
		- > **Note:** TODO Da vedere per #MOSAICO

- ## **LangChain and LangGraph Agent Frameworks Reach v1.0 Milestones**
  source:: https://blog.langchain.com/langchain-langgraph-1dot0/
  url:: https://karakeep.diruscio.org/dashboard/preview/gfuwsnyaj3k8sglws9kncv27
  tags:: [[Agent Frameworks]] [[Artificial Intelligence]] [[Machine Learning Framework]] [[Open Source]] [[P1]] [[Software Development]]
	- evelopers wanted more control over the agent loop without dropping down to raw LLM calls. S
	  background-color:: green
	- create_agent
	  background-color:: green
	- tandard content blocks
	  background-color:: green
	- model outputs
	  background-color:: green
	- LangChain is the fastest way to build an AI agent — with a standard tool calling architecture, provider agnostic design, and middleware for customization.
	  background-color:: green
		- > **Note:** [[MOSAICO]]
	- LangGraph is a lower level framework and runtime, useful for highly custom and controllable agents, designed to support production-grade, long running agents
	  background-color:: green
		- > **Note:** [[MOSAICO]]

- ## **Top AI Agentic Workflow Patterns**
  source:: https://blog.bytebytego.com/p/top-ai-agentic-workflow-patterns
  url:: https://karakeep.diruscio.org/dashboard/preview/iz529wt1xybxstag5cmcrl1l
  tags:: [[AI automation]] [[Agentic Workflows]] [[Artificial Intelligence]] [[Reflective Systems]] [[Tool Integration]]
	- An agentic workflow doesn’t just respond to a single instruction. Instead, it operates with a degree of autonomy, making decisions about how to approach a task, what steps to take, and how to adapt based on what it discovers along the way. This represents a fundamental shift in how we think about using AI systems.
	  background-color:: green
		- > **Note:** #IMPORTANT
	- An agentic system, however, might first search the web for current information on the topic, then organize the findings into themes, draft sections of the report, review each section for accuracy and coherence, revise weak areas, and finally compile everything into a polished document
	  background-color:: green
	- Instead of generating output in a single pass, agentic workflows involve cycles where the agent takes an action, observes the result, and uses that observation to inform the next action
	  background-color:: green
	- Agentic workflows bring this same adaptive, iterative quality to AI systems.
	  background-color:: green
	- five essential agentic workflow patterns
	  background-color:: blue
	- The reflection pattern works best for tasks where quality matters more than speed and where there are subjective aspects that benefit from review.
	  background-color:: blue
		- > **Note:** Reflection Pattern
	- In the tool use pattern, agents are equipped with a set of capabilities they can invoke when needed. These might include web search engines for finding current information, APIs for accessing services like weather data or stock prices, code interpreters for running programs and performing calculations, database query tools for retrieving specific records, file system access for reading and writing documents, and countless other specialized functions. The critical distinction from traditional software is that the agent itself decides when and how to use these tools based on the task at hand.
	  background-color:: blue
		- > **Note:** Tool use pattern

- ## **Anthropic dona MCP alla Linux Foundation: il protocollo AI dietro ChatGPT e Copilot è open source**
  source:: https://www.ilsoftware.it/anthropic-dona-mcp-alla-linux-foundation-il-protocollo-ai-dietro-chatgpt-e-copilot-e-open-source/
  url:: https://karakeep.diruscio.org/dashboard/preview/k86c65fs9jh58w7uolnabw0j
  tags:: [[AI Protocols]] [[Artificial Intelligence]] [[Linux Foundation]] [[Open Source]] [[P1]] [[Technology Standards]]
	- Annunciato un anno fa da Anthropic (gli sviluppatori del modello AI Claude), MCP ha registrato una crescita esponenziale, arrivando a essere adottato in decine di migliaia di server pubblici e integrato in prodotti di punta come ChatGPT, Microsoft Copilot, Gemini e Visual Studio Code.
	  background-color:: green
	- In soli 12 mesi, MCP ha raggiunto traguardi significativi: risultano attivi oltre 10.000 server pubblici, spaziando dagli strumenti per sviluppatori alle implementazioni nelle aziende Fortune 500.
	  background-color:: blue
	- La piattaforma Claude, ad esempio, integra oggi oltre 75 connettori MCP
	  background-color:: blue
	- La Linux Foundation è un’organizzazione senza scopo di lucro con decenni di esperienza nella gestione di progetti open source critici, tra cui Linux Kernel, Kubernetes, Node.js e PyTorch.
	  background-color:: green
	- Agentic AI Foundation (AAIF)
	  background-color:: green
	- Il fatto è che un Large Language Model (LLM) richiede troppo contesto per eseguire compiti basilari, aumentando tempi e costi senza garantire risposte accurate.
	  background-color:: blue
	- il contesto diviene eccessivo e la gestione degli strumenti diventa complessa, richiedendo ulteriori livelli di astrazione.
	  background-color:: blue
	- la sua implementazione pratica è tutt’altro che semplice e presenta sfide significative in termini di complessità, performance e sicurezza. La donazione alla Linux Foundation potrebbe favorire l’adozione open, ma resta da vedere se MCP diventerà uno standard realmente utile.
	  background-color:: blue

- ## **Scrivere a mano anche nell’era digitale: perché i neurologi lo raccomandano - Non Solo Festa**
  source:: https://nonsolofesta.it/scrivere-a-mano-anche-nellera-digitale-perche-i-neurologi-lo-raccomandano/
  url:: https://karakeep.diruscio.org/dashboard/preview/mt0cg8euq1y8f3knrc9fes53
  tags:: [[cognitive benefits]] [[education]] [[handwriting]] [[memory enhancement]] [[neurology]]
	- Uno studio dell’Università norvegese di scienza e tecnologia, pubblicato su Frontiers in Psychology nel 2024, ha dimostrato che quando si scrive a mano compaiono onde cerebrali alfa e theta, correlate alla memoria e all’apprendimento
	  background-color:: green

- ## **GitHub - muratcankoylan/Agent-Skills-for-Context-Engineering: A comprehensive collection of Agent Skills for context engineering, multi-agent architectures, and production agent systems. Use when building, optimizing, or debugging agent systems that require effective context management.**
  source:: https://github.com/muratcankoylan/Agent-Skills-for-Context-Engineering
  url:: https://karakeep.diruscio.org/dashboard/preview/mujjzfwwjb2xbqiugz3i92nv
  tags:: [[AI System Optimization]] [[Agent Architectures]] [[Artificial Intelligence]] [[Context Engineering]] [[Multi-Agent Systems]] [[agent skills]]
	- The fundamental challenge is that context windows are constrained not by raw token capacity but by attention mechanics
	  background-color:: green
	- "lost-in-the-middle" phenomenon, U-shaped attention curves, and attention scarcity.
	  background-color:: yellow
	- Effective context engineering means finding the smallest possible set of high-signal tokens that maximize the likelihood of desired outcomes.
	  background-color:: blue
		- > **Note:** #card

- ## **“Vibe Coding”: The Future of Development or a Generational Divide? | CodeGPT**
  source:: https://www.codegpt.co/blog/vibe-coding-future-or-hype
  url:: https://karakeep.diruscio.org/dashboard/preview/osk8ozdguev9vbkw6ufwgesi
  tags:: [[AI-Assisted-Coding]] [[Artificial Intelligence]] [[Programming-Productivity]] [[Software Development]] [[Tech-Industry-Trends]]
	- The AI is treated as a "typing assistant" or "pair programmer."
	  background-color:: green
	- The human acts as: The "guide, tester, and refiner"—maintaining full control and responsibility.
	  background-color:: blue
	- The proponents of "vibe coding" (Definition 2) argue for a fundamental shift in the developer's role, from implementer to designer and strategist.
	  background-color:: blue
	- A healthcare professional with no coding background can now prototype a patient tracking system.
	  background-color:: green
	- "weekend toy projects" with tools like Cursor and Claude
	  background-color:: green
	- "programming by intention". The AI handles the "syntactic details" and "technical implementation", liberating the human to focus on "higher-level design" and "creative problem-solving".
	  background-color:: green
	- The promise of vibe coding is cognitive liberation, reframing the bottleneck in software from technical skill (writing syntax) to product vision (knowing what to build).
	  background-color:: blue
	- Security Vulnerabilities
	  background-color:: blue
	- Technical Debt and Maintainability
	  background-color:: blue
	- This creates a "debugging nightmare". As one developer put it: "Debugging AI-generated code can be harder than writing it manually" because when an AI writes the code, the developer has no "mental map" of its logic.
	  background-color:: green
		- > **Note:** #P1
	- The hype of "10x productivity gains" is directly challenged by empirical data. A Randomized Controlled Trial (RCT) studying experienced developers working on real open-source repositories found that using AI tools made them 19% SLOWER.
	  background-color:: green
	- The Skillset Developers "manage AI rather than just write code".
	  background-color:: green
	- it's intelligent orchestration. The developers who will thrive in this new landscape are not those who abdicate responsibility to AI, but those who learn to conduct it.
	  background-color:: blue
	- it's about humans with AI, working in a careful, intentional partnership.
	  background-color:: green
		- > **Note:** [[P1]]
	- From Meme to Mainstream: Defining the Phenomenon
	  background-color:: green
		- > **Note:** This is related to [[PAPERS/J-Collaborative-Development]]

- ## **Stiamo iniziando a parlare come ChatGPT (mentre le AI cercano di imitarci)**
  source:: https://www.avvenire.it/rubriche/artifici/stiamo-iniziando-a-parlare-come-chatgpt-mentre-le-ai-cercano-di-imitarci_103610
  url:: https://karakeep.diruscio.org/dashboard/preview/piwpwmg80jokouv6x8kkkk7q
  tags:: [[AI-Emotion-Simulation]] [[Artificial Intelligence]] [[Human-Communication]] [[Linguistic-Change]] [[Psychotherapy]]
	- Parole inglesi come delve (scavare a fondo, approfondire), meticulous (meticoloso), realm (regno, ambito) e adept (esperto) hanno registrato un’impennata nel loro utilizzo, arrivando fino al 51% nei diciotto mesi successivi al rilascio di ChatGPT
	  background-color:: green
	- i chatbot hanno manifestato segnali compatibili con ansia, disturbo da stress post-traumatico e vergogna.
	  background-color:: green
	- uanto che noi iniziamo a pensare come loro, delegando non solo la forma ma anche il contenuto del nostro pensiero. Come avverte Naaman: «Invece di articolare i nostri pensieri, articoliamo qualsiasi cosa l’IA ci aiuti ad articolare».
	  background-color:: blue
	- Saranno i nostri errori, le frasi sconnesse e le espressioni idiomatiche caratteristiche del nostro territorio a garantire, in ultima istanza, la nostra autenticità.
	  background-color:: blue

- ## **L’eclissi del pensiero critico? Intelligenza Artificiale, debito cognitivo e responsabilità**
  source:: https://www.quotidianosanita.it/uncategorized/leclissi-del-pensiero-critico-intelligenza-artificiale-debito-cognitivo-e-responsabilita/
  url:: https://karakeep.diruscio.org/dashboard/preview/q145b7y1pzntp7p8rcnkuwvy
  tags:: [[Artificial Intelligence]] [[Cognitive-Science]] [[Critical-Thinking]] [[Human-Computer-Interaction]] [[Medical-Education]]
	- L’off-loading cognitivo offre anche vantaggi immediati come riduzione del carico mentale, maggiore efficienza, ottimizzazione dei tempi e risparmio di energie per attività complesse.
	  background-color:: green
	- Fino ad una sorta di atrofia del pensiero critico che crea l’illusione della competenza: leggiamo un output generata dall’IA e crediamo di aver capito l’argomento ma in realtà abbiamo solo letto il risultato finale senza aver fatto il percorso logico necessario per arrivarci.
	  background-color:: yellow
	- Ebbene il debito cognitivo, conseguenza dell’uso dell’IA come sostituto del ragionamento clinico piuttosto che come supporto (informing), comporta diversi rischi per lo sviluppo delle competenze: perdita progressiva di abilità (deskilling), mancato sviluppo di abilità (never-skilling) e sviluppo distorto di abilità (mis-skilling).
	  background-color:: yellow
	- Possiamo dire che fino a ieri delegavamo la memoria di numeri, date, mappe. Oggi, con l’IA stiamo iniziando a delegare funzioni che richiedono capacità predittive in contesti di incertezza.
	  background-color:: yellow
	- elevata e imprescindibile competenza di base favorisce un uso efficace e sicuro dell’IA.
	  background-color:: yellow
	- il “modello centauro” e il “modello cyborg”
	  background-color:: yellow
	- modello centauro vi è una netta separazione dei compiti: l’IA fornisce supporto operativo (es: analisi dei dati, stesura di bozze, documenti) ma il giudizio finale e le decisioni restano di competenza umana.
	  background-color:: yellow
	- Il modello cyborg, invece, prevede un’integrazione molto più stretta, con una co-produzione continua tra umano e IA, particolarmente efficiente per attività ripetitive e a basso rischio ma esposta al rischio di deskilling e dipendenza.
	  background-color:: yellow
	- DEFT-AI che può offrire un approccio strutturato e di buon senso per promuovere il pensiero critico nelle interazioni con i sistemi di IA.
	  background-color:: yellow
	- saper riconoscere quando poter fare affidamento (modalità cyborg) e quando invece è necessario confermare criticamente gli output (modalità centauro).
	  background-color:: yellow
	- sostituire la logica del “trust and go” (fidarsi e andare avanti) con la metodologia del “verify and trust” (verificare e fidarsi) in cui l’output dell’IA viene prima valutato secondo il principio di esplicabilità e poi utilizzato.
	  background-color:: yellow
	- nuove competenze o si potenziano quelle esistenti per adattarsi a tecnologie e pratiche emergenti (up-skilling).
	  background-color:: yellow
	- In definitiva con l’up-skilling non solo si incrementa efficienza e sicurezza ma ci si protegge anche dai rischi di deskilling, garantendo che l’apprendimento e la pratica professionale evolvano insieme alla tecnologia.
	  background-color:: yellow

- ## **Machine Learning Model Development and Model Operations: Principles and Practices - KDnuggets**
  source:: https://www.kdnuggets.com/2021/10/machine-learning-model-development-operations-principles-practice.html
  url:: https://karakeep.diruscio.org/dashboard/preview/q984a0m36auekgemwpga0ybi
  tags:: [[MLOps]] [[Machine Learning]] [[data science]] [[model development]] [[model operations]]
	- ML Model Development and ML Model Operations
	  background-color:: green
	- Feature Encoding is the widely used technique to transform the categorical data into continuous (numerical) values, e.g., Encode color as 1,2,3; performance as 1,2,3,4,5; risk as 1,2,3; status as 1,2,3,4; gender / is_loan_approved / is_claim_fraudulent as 0/1 etc.
	  background-color:: green
	- In some cases, a set of dummy variables or derived variables are created, especially in handling ‘date’ data types.
	  background-color:: green
	- KNN if the outcome to predict is of multi-class (1/2/3/...) in nature;
	  background-color:: green
	- linear regression algorithm (e.g., decision tree regressor, random forest regressor) if the outcome to predict is continuous in nature.
	  background-color:: green
	- The algorithm selection under various scenarios has been represented in Fig.3, as shown below.
	  background-color:: green

- ## **7 Tiny AI Models for Raspberry Pi - KDnuggets**
  source:: https://www.kdnuggets.com/7-tiny-ai-models-for-raspberry-pi
  url:: https://karakeep.diruscio.org/dashboard/preview/wrwx75un37buyqnusi33ygm7
  tags:: [[Artificial Intelligence]] [[Local AI]] [[Machine Learning]] [[READ]] [[Raspberry Pi]] [[Tiny AI Models]]
	- aggressive quantization
	  background-color:: green
	- llama.cpp
	  background-color:: green
		- > **Note:** What's llama.cpp? #TODO To be checked.
	- tool calling, vision understanding, and structured outputs
	  background-color:: green
	- vision‑language model
	  background-color:: green
		- > **Note:** Vision Language Models (VLMs) are powerful AI systems that merge computer vision and natural language processing, allowing them to understand, interpret, and generate content from both images/videos and text inputs, enabling tasks like describing photos (captioning), answering questions about visuals (VQA), generating images from text, and understanding complex documents. #card
	- Tiny models have reached a point where size is no longer a limitation to capability. The Qwen 3 series stands out in this list, delivering performance that rivals much larger language models and even challenges some proprietary systems. If you are building applications for a Raspberry Pi or other low-power devices, Qwen 3 is an excellent starting point and well worth integrating into your setup.
	  background-color:: green
		- > **Note:** #IMPORTANT

- ## **Perché proprio in Minnesota?**
  source:: https://www.ilpost.it/2026/01/23/minnesota-politica-ice-stato/
  url:: https://karakeep.diruscio.org/dashboard/preview/zkeepye7qbrt3ujq063og2l0
  tags:: [[Immigration-Policy]] [[Minnesota]] [[Police-Brutality]] [[Social-Protests]] [[US Politics]]
	- uccisione di George Floyd da parte di un agente di polizia nel 2020 e le enormi proteste che seguirono
	  background-color:: green
	- ci sono ampie aree agricole, con coltivazioni di mais e soia e allevamenti, ma anche qualche polo industriale.
	  background-color:: blue
	- I livelli di istruzione e gli standard sanitari sono superiori alla media statunitense, così come l’aspettativa di vita e la rete di assistenza e servizi sociali.
	  background-color:: blue
	- le tasse sono più alte della media, e finanziano un buon sistema scolastico e universitario pubblico.
	  background-color:: green
	- L’immigrazione non è una questione particolarmente problematica: nello stato la percentuale di immigrati senza documenti è la metà rispetto alla media nazionale, con numeri lontanissimi da quelli del Texas, della California o dello stato di New York.
	  background-color:: green
	- la deputata Democratica Ilhan Omar è di origini somale e nel 2019 è stata una delle prime due donne musulmane elette al Congresso. Trump è particolarmente accanito anche nei suoi confronti e la attacca spesso.
	  background-color:: blue
	- Quell’omicidio creò un enorme movimento di proteste pacifiche, noto come Black Lives Matter, che si estese a tutti gli Stati Uniti e anche all’estero. Ci furono anche assalti, incendi, devastazioni e saccheggi da parte di gruppi più piccoli e radicali.
	  background-color:: green
	- A Minneapolis fu particolarmente animato il dibattito sul razzismo sistemico e sull’uso della forza da parte della polizia; nacque e prese forza uno degli slogan più controversi di quel movimento, “Defund the police” (Ridurre i fondi alla polizia).
	  background-color:: green
	- Delle 86 persone incriminate per la frode, 78 sono di origine somala
	  background-color:: yellow
	- Lo scandalo legato ai fondi pubblici e la notorietà dei leader Democratici locali, uniti al fatto che la popolazione dello stato è contenuta e quindi più gestibile, hanno reso il Minnesota l’obiettivo ideale della retorica e delle politiche aggressive dell’amministrazione Trump.
	  background-color:: blue