ফ্রেমওয়ার্কগুলো একসাথে প্রয়োগ করা — একটি worked example

# একটি একক সিন্থেটিক দ্বিধা (পাঠ ০৫, ০৬ ও ০৮-এ ব্যবহৃত এনগেজমেন্ট-ফিচার দৃশ্যকল্প), তিনটি ডিজাইন বিকল্প,
# এবং তিনটি ক্লাসিক্যাল ফ্রেমওয়ার্ক একসাথে প্রয়োগ -- প্রতিটি পাঠ স্বয়ংসম্পূর্ণ, তাই সব ডেটা এখানে নতুন
# করে সংজ্ঞায়িত করা হলো

stakeholders = {
    "সাধারণ ব্যবহারকারী": 900_000,
    "কমপালসিভ-ইউজ ঝুঁকিতে থাকা সংখ্যালঘু": 100_000,
    "কোম্পানি (একক প্রাতিষ্ঠানিক স্টেকহোল্ডার)": 1,
}

# প্রতিটি ডিজাইনে, প্রতিটি গোষ্ঠীর জন্য (probability, magnitude 1-10, sign +1/-1)
utility_inputs = {
    "ship_as_is": {
        "সাধারণ ব্যবহারকারী":                       (0.85, 3, +1),
        "কমপালসিভ-ইউজ ঝুঁকিতে থাকা সংখ্যালঘু":        (0.40, 9, -1),
        "কোম্পানি (একক প্রাতিষ্ঠানিক স্টেকহোল্ডার)":   (0.95, 9, +1),
    },
    "no_ship": {
        "সাধারণ ব্যবহারকারী":                       (0.30, 1, -1),
        "কমপালসিভ-ইউজ ঝুঁকিতে থাকা সংখ্যালঘু":        (0.40, 9, +1),
        "কোম্পানি (একক প্রাতিষ্ঠানিক স্টেকহোল্ডার)":   (0.90, 2, -1),
    },
    "ship_with_safeguards": {
        "সাধারণ ব্যবহারকারী":                       (0.80, 3, +1),
        "কমপালসিভ-ইউজ ঝুঁকিতে থাকা সংখ্যালঘু":        (0.15, 9, -1),
        "কোম্পানি (একক প্রাতিষ্ঠানিক স্টেকহোল্ডার)":   (0.90, 7, +1),
    },
}

# প্রতিটি ডিজাইনের হার্ড কনস্ট্রেইন্ট ডেটা (পাঠ ০৬)
hard_constraints_data = {
    "ship_as_is":           {"discriminates": False, "informed_consent": False, "opt_out": False},
    "no_ship":              {"discriminates": False, "informed_consent": True,  "opt_out": True},
    "ship_with_safeguards": {"discriminates": False, "informed_consent": True,  "opt_out": True},
}

constraints = [
    ("protected characteristic-এর ভিত্তিতে বৈষম্য নয়", lambda d: d["discriminates"] is False),
    ("ঝুঁকিপূর্ণ ফিচারে informed consent",              lambda d: d["informed_consent"] is True),
    ("at-risk ব্যবহারকারীদের জন্য opt-out/সুরক্ষা",      lambda d: d["opt_out"] is True),
]

def utilitarian_verdict(design):
    return sum(
        prob * magnitude * sign * stakeholders[group]
        for group, (prob, magnitude, sign) in utility_inputs[design].items()
    )

def deontological_verdict(design):
    d = hard_constraints_data[design]
    return all(check(d) for _, check in constraints)

def maximin_verdict(design):
    per_person = {
        group: prob * magnitude * sign
        for group, (prob, magnitude, sign) in utility_inputs[design].items()
    }
    worst_group = min(per_person, key=per_person.get)
    return per_person[worst_group], worst_group

print("ডিজাইন-ভিত্তিক ফলাফল (তিনটি ফ্রেমওয়ার্ক):\n")
for design in utility_inputs:
    util = utilitarian_verdict(design)
    deon_pass = deontological_verdict(design)
    floor, worst_group = maximin_verdict(design)
    print(f"=== {design} ===")
    print(f"  ইউটিলিটারিয়ান (aggregate):     {util:+,.2f}")
    print(f"  ডিয়ন্টোলজিক্যাল রায়:           {'PERMISSIBLE' if deon_pass else 'IMPERMISSIBLE'}")
    print(f"  Maximin floor (সবচেয়ে খারাপ):  {floor:+.2f}  [{worst_group}]")
    print()

best_utilitarian = max(utility_inputs, key=utilitarian_verdict)
permissible = [d for d in utility_inputs if deontological_verdict(d)]
best_maximin = max(utility_inputs, key=lambda d: maximin_verdict(d)[0])

print("চূড়ান্ত তুলনা --")
print(f"  ইউটিলিটারিয়ান সেরা পছন্দ:         {best_utilitarian}")
print(f"  ডিয়ন্টোলজিক্যালি অনুমোদিত ডিজাইন:  {permissible}")
print(f"  কন্ট্রাক্টুয়ালিস্ট (maximin) সেরা: {best_maximin}")