Social Network e Opinioni Online: Come gli Amici (Veri e Finti) Influenzano i Dibattiti

Introduzione: Il Potere Nascosto dei Social nei Dibattiti Online

Vi siete mai chiesti quanto contino davvero le vostre amicizie o chi seguite sui social quando si tratta di formare un’opinione su un argomento caldo? Nel mondo iperconnesso di oggi, gran parte delle nostre decisioni e dei nostri dibattiti avvengono online. Piattaforme come forum, social media, chatroom sono diventate le nuove piazze virtuali dove si discute di tutto. Questo porta enormi vantaggi: pensate alla “saggezza della folla” o all’intelligenza collettiva, dove il gruppo ne sa più del singolo. Fantastico, vero? Ma c’è un “ma”.

Per catturare questa intelligenza collettiva, noi esperti abbiamo creato piattaforme di “cyber-argomentazione”, sistemi specializzati per analizzare e strutturare le discussioni online. Questi strumenti ci aiutano a capire meglio come si ragiona, come si dibatte. Però, c’è un aspetto che finora è rimasto un po’ in ombra: l’impatto reale dei social network su come nascono e cambiano le opinioni collettive in questi dibattiti digitali.

Le relazioni che abbiamo online – amicizie su Facebook, “follows” su X o Instagram – non sono solo contatti virtuali. Possono svelare dinamiche nascoste, cambiamenti di opinione, e influenzare pesantemente il modo in cui un gruppo arriva a una decisione. Il problema? Fino ad ora, mancavano metodi sistematici per misurare *quanto* queste reti sociali pesino davvero. Ed è qui che entriamo in gioco noi.

La Sfida: Capire l’Influenza Sociale (e i suoi Lati Oscuri)

Pensateci: quando discutiamo online, non siamo isole. Siamo immersi in una rete di relazioni. I nostri amici, le persone che seguiamo (e che ci seguono), possono influenzarci. A volte, questo porta a fenomeni come le echo chambers (camere dell’eco), dove finiamo per sentire solo opinioni simili alle nostre, isolandoci da punti di vista diversi. Questo può portare a opinioni estremizzate e a una maggiore polarizzazione – scenari che vediamo fin troppo spesso.

Le relazioni sui social possono essere di vario tipo: amicizia (simmetrica, come su Facebook), influenza, fiducia, ma anche antipatia o conflitto. Possono essere unidirezionali (asimmetriche, come il “follow” su X). Capire come queste diverse dinamiche influenzino un dibattito è fondamentale. Eppure, come dicevo, misurare questo impatto in modo scientifico sulle piattaforme di argomentazione era un terreno quasi inesplorato.

Per affrontare questa sfida, era necessario integrare le funzionalità dei social network direttamente nelle piattaforme di dibattito. È quello che abbiamo fatto con il nostro lavoro precedente sull’Intelligent Cyber Argumentation System (ICAS), un sistema che abbiamo dotato di capacità social.

Questa integrazione ci permette di studiare da vicino come le relazioni sociali possano, ad esempio, favorire la formazione di echo chambers o come utenti influenti possano usare i loro legami per spingere la discussione in una certa direzione, magari manipolandola. Identificare questi fenomeni diventa più facile se hai gli strumenti giusti.

Il Nostro Approccio: Misurare l’Impatto Sociale

Nel nostro studio, ci siamo concentrati proprio su questo: sviluppare un metodo per quantificare l’impatto dei social network sulla formazione e l’evoluzione dell’opinione collettiva nei sistemi di cyber-argomentazione integrati. L’opinione collettiva non è un blocco monolitico; può essere un consenso, una maggioranza, o un insieme di prospettive diverse e conflittuali. È influenzata da relazioni interpersonali, condivisione di informazioni, norme sociali, esperienze personali.

Abbiamo introdotto tre tipi di “misure di impatto” per capire meglio cosa succede:

• Impatto Direzionale: Misura l’influenza di un utente specifico su un altro utente riguardo a una particolare soluzione o argomento nel dibattito. In pratica, quanto pesa l’opinione di Tizio su Caio rispetto a quell’idea specifica.
• Impatto Reciproco (Mutual Impact): Calcola l’influenza combinata tra due utenti su un argomento o soluzione, considerando l’impatto che ognuno ha sull’altro.
• Impatto del Gruppo Sociale: Valuta l’influenza complessiva del gruppo di amici o follower di un utente su una sua opinione specifica. Cosa pensa la “cerchia” di un utente riguardo a ciò che dice?

Queste misure ci aiutano a capire, ad esempio, se il gruppo di amici di una persona è d’accordo o meno con le sue posizioni e quanto questo pesi. Possono anche aiutarci a valutare l’influenza sociale dietro fenomeni come echo chambers o polarizzazione. Per chi sviluppa queste piattaforme, sono informazioni preziose per progettare funzionalità che incoraggino un dialogo più costruttivo.

Smascherare i “Pseudo-Sostenitori”

Un altro aspetto affascinante che abbiamo esplorato è quello dei “pseudo-sostenitori”. Chi sono? Sono quelle persone che, sui social, sembrano appoggiare una causa, un’idea o una persona, magari mettendo like, condividendo post o usando hashtag specifici, ma in realtà non hanno un reale coinvolgimento o convinzione. Le loro azioni sono spesso superficiali, magari fatte per conformismo, per “virtue signaling” (mostrare virtù senza reale impegno), o semplicemente perché non conoscono bene l’argomento.

Identificarli non è facile basandosi solo su like e condivisioni. Ma avendo integrato social network e argomentazione, il nostro sistema ci dà una marcia in più. Possiamo confrontare il comportamento “social” di una persona (l’amicizia o il follow) con le sue opinioni *reali* espresse nel dibattito (le sue reazioni, i suoi argomenti). Abbiamo sviluppato un algoritmo specifico che fa proprio questo: analizza le reazioni di amici o follower di un utente alle sue opinioni. Se un “amico” o “follower” attacca sistematicamente le posizioni dell’utente che dice di sostenere, beh, forse tanto sostenitore non è!

L’algoritmo usa una soglia (che chiamiamo “Tolleranza di Supporto”) per decidere quando un impatto direzionale negativo è abbastanza forte da segnalare un potenziale pseudo-sostenitore. Non si tratta sempre di malizia, ma riconoscere queste dinamiche è importante per capire la vera natura del supporto online.

Quando l’Opinione Collettiva Cambia di Scatto: C’entrano i Social?

A volte, l’opinione collettiva su un tema subisce cambiamenti improvvisi, dei veri e propri “scossoni”. Ci siamo chiesti: quanto c’entra la rete sociale degli utenti coinvolti in questi cambiamenti repentini? Analizzare la complessa rete di relazioni sociali e la loro influenza sui cambi d’opinione può svelare le forze nascoste che guidano queste dinamiche.

Per studiare questo fenomeno, abbiamo usato le nostre misure, in particolare l’Impatto del Gruppo Sociale e un concetto correlato, la “Vicinanza dell’Impatto” (Impact Closeness), che ci dice quanto l’opinione del gruppo sociale di un utente si discosti dall’opinione collettiva generale su un certo argomento. Abbiamo anche considerato il “Tasso di Partecipazione Sociale”: quanti amici o follower di un utente partecipano effettivamente alla discussione?

L’idea è che se un gruppo sociale ha un alto tasso di partecipazione e la sua opinione è molto vicina (o addirittura trainante) rispetto all’opinione collettiva generale, allora quel gruppo ha un forte impatto. Se notiamo un cambiamento significativo nell’opinione collettiva in un certo intervallo di tempo, andiamo a vedere se, in corrispondenza, c’è stato un forte “Impatto Complessivo del Gruppo Sociale” (calcolato considerando sia la vicinanza che la partecipazione).

Ma non basta. Abbiamo anche analizzato la struttura stessa della rete sociale degli utenti coinvolti nel dibattito durante questi “scossoni”. Quanto sono “vicini” e “connessi” tra loro gli utenti? Abbiamo usato due misure classiche dell’analisi delle reti sociali:

• Centralità di Vicinanza (Closeness Centrality): Misura quanto un utente è mediamente “vicino” (in termini di percorsi più brevi nella rete) a tutti gli altri utenti partecipanti.
• Coefficiente di Clustering: Misura quanto sono interconnessi tra loro gli amici o i follower di un utente che partecipano alla discussione. In pratica, quanto è “compatto” il gruppo.

Se, in corrispondenza di un forte cambiamento nell’opinione collettiva, osserviamo anche un elevato impatto del gruppo sociale *e* una rete sociale molto coesa (alta vicinanza media, alto clustering medio), allora abbiamo un forte indizio che la rete sociale abbia giocato un ruolo chiave in quel cambiamento. Questo tipo di analisi potrebbe essere uno strumento potente per individuare potenziali manipolazioni nelle discussioni online.

Mettere Tutto alla Prova: Esperimenti e Risultati

Ovviamente, non ci siamo fermati alla teoria. Abbiamo implementato tutte queste misure e l’algoritmo di rilevamento dei pseudo-sostenitori nella nostra piattaforma ICAS. Abbiamo poi condotto degli esperimenti utilizzando dati reali di argomentazione raccolti da uno studio empirico che avevamo svolto in una classe di sociologia (con 344 studenti che hanno discusso per 5 settimane su 4 temi sociali, generando quasi 10.000 argomenti – ovviamente tutto in forma anonima e con approvazione etica!). A questi dati reali, abbiamo aggiunto dati di social network (amicizie e follows) *simulati*, per poter controllare meglio le variabili.

I risultati? Beh, sono stati incoraggianti! Le nostre misure di impatto (direzionale, reciproco, di gruppo) hanno funzionato, permettendoci di quantificare le influenze sociali. Ad esempio, abbiamo potuto vedere come il gruppo di amici di un certo utente (“BlueCat39”) nel dibattito “Armi nel Campus” avesse un tasso di partecipazione del 51% e un’opinione di gruppo quasi identica a quella collettiva, indicando una forte influenza.

L’algoritmo per i pseudo-sostenitori ha identificato utenti che, pur essendo “amici” o “follower” di altri, esprimevano sistematicamente disaccordo con le loro posizioni. Abbiamo anche analizzato l’evoluzione dell’opinione collettiva nel tempo (con intervalli di 1, 5, 7, 10 giorni) e identificato i momenti di cambiamento significativo.

In alcuni di questi momenti di “scossone” dell’opinione collettiva (ad esempio, sulla soluzione R2 del tema “Religione e Medicina” dopo 29 giorni), abbiamo riscontrato proprio quello che cercavamo: un elevato impatto complessivo del gruppo sociale (in quel caso, della rete dei follower, con il 66% di “vicinanza” all’opinione collettiva) e una struttura di rete molto coesa (coefficiente di clustering 0.7, centralità di vicinanza 0.63, entrambi superiori alle soglie che avevamo impostato). Questo conferma che, in quei casi, la rete sociale ha avuto un impatto tangibile sul cambiamento dell’opinione collettiva.

Uno Sguardo al Futuro: Limiti ed Etica

Siamo entusiasti dei risultati, ma siamo anche consapevoli dei limiti. Abbiamo usato dati di argomentazione reali, ma la rete sociale era simulata. Sebbene i nostri metodi siano applicabili a dati reali, sarebbe ideale poter lavorare con dataset che integrino nativamente entrambe le dimensioni su larga scala. Raccogliere dati del genere sarà uno dei nostri prossimi passi.

Inoltre, lavorare con le opinioni e le relazioni delle persone solleva questioni etiche cruciali. Abbiamo ottenuto il consenso informato (tramite approvazione IRB) per usare i dati anonimizzati. È fondamentale garantire la trasparenza degli algoritmi e, soprattutto, proteggere la privacy degli utenti. Bisogna stare molto attenti a come queste analisi vengono usate, evitando derive verso la sorveglianza o la censura. Serve un quadro etico robusto, conforme a normative come il GDPR, che definisca chiaramente i limiti e i rischi.

In Conclusione: Svelare l’Intreccio tra Social e Opinioni

Insomma, con questo lavoro abbiamo cercato di fare un po’ di luce su quel complesso intreccio tra le nostre connessioni sociali e il modo in cui si formano e cambiano le opinioni nei dibattiti online. Abbiamo sviluppato strumenti concreti per misurare l’impatto delle reti di amici e follower, per individuare i “falsi sostenitori” e per capire se e come la struttura sociale influenzi i grandi cambiamenti nell’opinione collettiva.

Capire queste dinamiche è essenziale non solo per noi ricercatori, ma per chiunque voglia migliorare la qualità del dibattito online, renderlo più trasparente e, speriamo, più costruttivo. C’è ancora tanta strada da fare, ma crediamo di aver aggiunto un tassello importante a questo affascinante puzzle.

Fonte: Springer