Svelare i Segreti delle Narrazioni Online: Come le Storie Viaggiano tra le Piattaforme
Ciao a tutti! Oggi voglio parlarvi di qualcosa che mi affascina tantissimo: il modo in cui le storie, le idee, le narrazioni viaggiano nel vasto e complesso universo dei social media. Sapete com’è, no? Un post su X (il vecchio Twitter), un video su TikTok, una foto su Instagram, un filmato su YouTube… spesso parlano della stessa cosa, ma in modi diversi e raggiungendo persone diverse. E chi ci lavora dietro, a volte con scopi non proprio limpidi come diffondere disinformazione, sa benissimo come sfruttare questa dinamica “cross-platform”.
La Sfida: Seguire le Storie nell’Oceano Digitale
Negli ultimi dieci anni, i social media sono esplosi. Sono diventati più grandi, più complessi, con mille funzionalità per tenerci incollati allo schermo. Molti di noi hanno account su più piattaforme, giusto? E questo facilita enormemente il passaggio di informazioni (e purtroppo anche di *disinformazione*) da un social all’altro.
Pensate alle campagne politiche, alle discussioni sui vaccini, alle proteste… le narrazioni si diffondono a macchia d’olio, spesso saltando da una piattaforma all’altra in modo strategico. Attori ben organizzati usano queste dinamiche per amplificare il loro messaggio, raggiungere pubblici specifici e, a volte, inquinare il dibattito pubblico.
Il problema è che, mentre si è studiato molto come la disinformazione si diffonde *su una singola piattaforma*, si sa ancora relativamente poco di come funzionano questi “salti” tra piattaforme diverse. Capire questi meccanismi, questi schemi ricorrenti – che nel nostro studio chiamiamo template narrativi – è fondamentale. Se capiamo le sequenze preferite da chi diffonde certe idee, possiamo anticipare le loro mosse, intervenire in modo mirato e magari spezzare la catena di diffusione.
Immaginate un argomento caldo. Su questo argomento nascono tante conversazioni diverse, tanti “fili” di discorso. Noi li chiamiamo micro-narrazioni. Analizzandole tutte insieme, possiamo capire la macro-narrazione generale, il quadro completo. È un po’ come mettere insieme i pezzi di un puzzle.
Il Nostro Approccio: Grafi Temporali della Conoscenza
Quindi, come facciamo a mappare questo flusso complesso? Qui entra in gioco la parte più “nerd” ma affascinante del nostro lavoro. Abbiamo affrontato due sfide principali:
- Come modellare le relazioni tra le narrazioni provenienti da piattaforme diverse?
- Come identificare gli schemi, i “template”, con cui queste narrazioni si muovono nel tempo da una piattaforma all’altra?
Per la prima sfida, abbiamo usato i Grafi Temporali della Conoscenza (Temporal Knowledge Graphs – TKGs). Immaginate una mappa dinamica dove ogni narrazione è un punto (un nodo) e le connessioni tra questi punti (gli archi) rappresentano quanto sono simili o collegate. La cosa fondamentale è che questa mappa cambia nel tempo! Un TKG ci permette di vedere non solo *quali* narrazioni sono collegate, ma anche *quando* e *come* queste connessioni evolvono. Usiamo misure come la similarità semantica (quanto sono simili i significati, calcolata usando modelli linguistici avanzati come `all-mpnet-base-v2`) e la sovrapposizione di entità (quante persone, luoghi, organizzazioni citano in comune, estratte con strumenti come Spacy e Diffbot) per creare questi collegamenti.
Scoprire i Template: Community Detection e Sequential Mining
Una volta costruito il nostro grafo temporale, come troviamo gli schemi ricorrenti? Qui usiamo due tecniche principali:
- Temporal Community Detection: Applichiamo algoritmi che trovano gruppi di narrazioni strettamente interconnesse nel tempo. Ogni “community” che emerge rappresenta una macro-narrazione, un tema generale discusso attraverso tante micro-narrazioni diverse. La figata è che questi algoritmi (basati su lavori come quelli di Mucha et al. e Traag et al., ma adattati per permettere ai nodi di appartenere a diverse community in momenti diversi) tengono conto dell’evoluzione temporale.
- Sequential Pattern Mining: Una volta identificate le community (le macro-narrazioni), andiamo a vedere la sequenza di piattaforme da cui provengono le micro-narrazioni che le compongono. Ad esempio, per una certa macro-narrazione, potremmo scoprire che molte storie iniziano su X, poi passano a TikTok e infine arrivano su Instagram. Usando algoritmi di “sequential mining” (che, a differenza di quelli per itemset frequenti come Apriori, mantengono l’ordine temporale!), estraiamo le sequenze di piattaforme più frequenti e significative. Questi sono i nostri template narrativi.
Per ogni template (es. X -> TikTok -> Instagram), calcoliamo due metriche chiave:
- Supporto: Quanto è frequente questa sequenza specifica nell’intero dataset? (Probabilità di trovare quella sequenza)
- Confidenza: Se una narrazione appare sulla piattaforma iniziale (antecedente, es. X), qual è la probabilità che appaia poi sulle piattaforme successive (conseguente, es. TikTok e Instagram)?
Questo ci permette di identificare diversi tipi di template, ad esempio:
- Template associativi rari: Basso supporto ma alta confidenza. Sequenze non comunissime, ma quando la prima parte si verifica, è molto probabile che segua il resto.
- Template frequenti: Alto supporto e alta confidenza. Sequenze molto comuni e affidabili.
Springer
