ফ্রেমওয়ার্কগুলো একসাথে প্রয়োগ — একটি ওয়ার্কড AI সিদ্ধান্ত

# সরকারি কল্যাণ বেনিফিট আবেদন-স্ক্রিনিং AI -- তিনটি প্রার্থী নীতি (সিন্থেটিক, প্রতি ১০০০ আবেদনে)
# এই দৃশ্যকল্প ও সংখ্যাগুলো L05/L06 থেকে সম্পূর্ণ নতুন -- সব ফলাফল এখানেই নতুনভাবে গণনা করা হয়েছে

# ---- ধাপ ১ · উপযোগবাদী গণনা (L05-এর পদ্ধতি, নতুন সংখ্যায়) ----
options_welfare = {
    "বিকল্প ১ · AI অটো-ডিনাই": {
        "eligible_applicants":   {"count": 850, "p_benefit": 0.75, "m_benefit": 5, "p_harm": 0.25, "m_harm": 9},
        "fraudulent_applicants": {"count": 50,  "p_benefit": 0.10, "m_benefit": 3, "p_harm": 0.85, "m_harm": 1},
        "caseworkers":           {"count": 200, "p_benefit": 0.90, "m_benefit": 3, "p_harm": 0.30, "m_harm": 6},
        "taxpayers":              {"count": 100, "p_benefit": 0.90, "m_benefit": 8, "p_harm": 0.20, "m_harm": 4},
    },
    "বিকল্প ২ · AI অটো-ফ্ল্যাগ + মানব-পর্যালোচনা": {
        "eligible_applicants":   {"count": 850, "p_benefit": 0.85, "m_benefit": 5, "p_harm": 0.05, "m_harm": 3},
        "fraudulent_applicants": {"count": 50,  "p_benefit": 0.05, "m_benefit": 3, "p_harm": 0.80, "m_harm": 1},
        "caseworkers":           {"count": 200, "p_benefit": 0.60, "m_benefit": 4, "p_harm": 0.40, "m_harm": 3},
        "taxpayers":              {"count": 100, "p_benefit": 0.80, "m_benefit": 6, "p_harm": 0.10, "m_harm": 2},
    },
    "বিকল্প ৩ · সম্পূর্ণ মানব-পর্যালোচনা": {
        "eligible_applicants":   {"count": 850, "p_benefit": 0.80, "m_benefit": 4, "p_harm": 0.10, "m_harm": 4},
        "fraudulent_applicants": {"count": 50,  "p_benefit": 0.20, "m_benefit": 3, "p_harm": 0.65, "m_harm": 1},
        "caseworkers":           {"count": 200, "p_benefit": 0.30, "m_benefit": 3, "p_harm": 0.70, "m_harm": 5},
        "taxpayers":              {"count": 100, "p_benefit": 0.40, "m_benefit": 5, "p_harm": 0.50, "m_harm": 5},
    },
}

def expected_welfare(option_data):
    total = 0.0
    for d in option_data.values():
        total += d["count"] * (d["p_benefit"] * d["m_benefit"] - d["p_harm"] * d["m_harm"])
    return total

welfare_totals = {name: expected_welfare(data) for name, data in options_welfare.items()}

# ---- ধাপ ২ · ডিওন্টোলজিকাল নিয়ম-পরীক্ষা (L06-এর পদ্ধতি) ----
RULE = "মানুষের সরাসরি পর্যালোচনা ছাড়া কোনো আবেদনকারীর বেনিফিট প্রত্যাখ্যান করা যাবে না।"
auto_deny_without_review = {
    "বিকল্প ১ · AI অটো-ডিনাই": True,
    "বিকল্প ২ · AI অটো-ফ্ল্যাগ + মানব-পর্যালোচনা": False,
    "বিকল্প ৩ · সম্পূর্ণ মানব-পর্যালোচনা": False,
}
permissible = {name: (not violates) for name, violates in auto_deny_without_review.items()}

# ---- ধাপ ৩ · রলসিয়ান ম্যাক্সিমিন (L06-এর পদ্ধতি) ----
role_outcomes = {
    "বিকল্প ১ · AI অটো-ডিনাই": {
        "ভুলভাবে-ফ্ল্যাগড যোগ্য আবেদনকারী": 1, "প্রকৃত জালিয়াতিকারী": 2,
        "কেসওয়ার্কার": 4, "কখনো-ফ্ল্যাগ-না-হওয়া যোগ্য আবেদনকারী": 8, "করদাতা": 7,
    },
    "বিকল্প ২ · AI অটো-ফ্ল্যাগ + মানব-পর্যালোচনা": {
        "ভুলভাবে-ফ্ল্যাগড যোগ্য আবেদনকারী": 6, "প্রকৃত জালিয়াতিকারী": 3,
        "কেসওয়ার্কার": 7, "কখনো-ফ্ল্যাগ-না-হওয়া যোগ্য আবেদনকারী": 8, "করদাতা": 6,
    },
    "বিকল্প ৩ · সম্পূর্ণ মানব-পর্যালোচনা": {
        "ভুলভাবে-ফ্ল্যাগড যোগ্য আবেদনকারী": 5, "প্রকৃত জালিয়াতিকারী": 4,
        "কেসওয়ার্কার": 2, "কখনো-ফ্ল্যাগ-না-হওয়া যোগ্য আবেদনকারী": 5, "করদাতা": 4,
    },
}
maximin_results = {}
for name, outcomes in role_outcomes.items():
    worst_role = min(outcomes, key=outcomes.get)
    maximin_results[name] = (worst_role, outcomes[worst_role])

# ---- ধাপ ৪ · ভার্চু এথিক্স নোট (L07-এর ধরনে, গুণগত) ----
virtue_notes = {
    "বিকল্প ১ · AI অটো-ডিনাই": "অতিরিক্ত AI-নির্ভরতা প্রলুব্ধ করে -- মানব-যাচাই ছাড়া সিদ্ধান্ত মেনে নেওয়া নম্রতা ও বুদ্ধিবৃত্তিক সততার পরিপন্থী।",
    "বিকল্প ২ · AI অটো-ফ্ল্যাগ + মানব-পর্যালোচনা": "কেসওয়ার্কারদের কাছ থেকে সাহস দাবি করে (AI-এর ফ্ল্যাগকে প্রশ্ন করার সাহস) এবং সংস্থার কাছ থেকে ভুল-হারের বিষয়ে সততা দাবি করে।",
    "বিকল্প ৩ · সম্পূর্ণ মানব-পর্যালোচনা": "উচ্চ কর্মচাপে কেসওয়ার্কারদের অধ্যবসায়/যত্নশীলতা ধরে রাখা কঠিন -- ক্লান্তি থেকে ন্যায্যতা-সচেতন মনোযোগ কমে যাওয়ার ঝুঁকি থাকে।",
}

# ---- ধাপ ৫ · পাশাপাশি তুলনা টেবিল (তিনটি লেন্সের প্রকৃত ফলাফল থেকে সংকলিত) ----
print("=== পাশাপাশি তুলনা টেবিল ===\n")
for name in options_welfare:
    worst_role, worst_val = maximin_results[name]
    print(f"### {name}")
    print(f"  ইউটিলিটারিয়ান মোট প্রত্যাশিত কল্যাণ : {welfare_totals[name]:+.1f}")
    verdict = "অনুমোদনযোগ্য" if permissible[name] else f"প্রত্যাখ্যাত (নিয়ম লঙ্ঘন: {RULE})"
    print(f"  ডিওন্টোলজিকাল রায়                  : {verdict}")
    print(f"  ম্যাক্সিমিন worst-case                : {worst_val}  (ভূমিকা: {worst_role})")
    print(f"  ভার্চু এথিক্স নোট                    : {virtue_notes[name]}")
    print()

# ---- ধাপ ৬ · চূড়ান্ত সুপারিশ ----
best_utilitarian = max(welfare_totals, key=welfare_totals.get)
best_maximin = max(maximin_results, key=lambda n: maximin_results[n][1])
permissible_options = [n for n in options_welfare if permissible[n]]
best_overall = max(permissible_options, key=welfare_totals.get)

print("=== সারসংক্ষেপ ===")
print(f"সর্বোচ্চ ইউটিলিটারিয়ান স্কোর (নিয়ম উপেক্ষা করলে): {best_utilitarian} ({welfare_totals[best_utilitarian]:+.1f})")
print(f"সর্বোচ্চ ম্যাক্সিমিন worst-case: {best_maximin} ({maximin_results[best_maximin][1]})")
print(f"ডিওন্টোলজিকালভাবে অনুমোদনযোগ্য বিকল্প: {permissible_options}")
print(f"\nচূড়ান্ত সুপারিশ (অনুমোদনযোগ্যদের মধ্যে সর্বোচ্চ কল্যাণ): {best_overall}")