«I social media hanno un’anima e spesso ci affidiamo alle piattaforme per esprimere la nostra opinione. Una comunità crea dunque una sua base emotiva che sta su tutti i canali, e la loro convergenza, l’effetto di replica e di rimbalzo del sentimento, alla lunga sembra unificarsi», così Alessandra Spada, Chief Technology & Research Officer di Alkemy spiega lo studio della Sentiment analysis, l’arte di riconoscere i trend dell’opinione pubblica catalogando i dati del web.
È possibile per esempio capire, dai social network, come l’Italia ha reagito alle scelte di Conte in vista della possibile riapertura del 4 maggio?
«Sì. Dopo la conferenza stampa di domenica 26 aprile, l’hashtag #CONTEDIMETTITI è balzato al primo posto tra le tendenze di Twitter e la delusione dei cittadini ha viaggiato con rapidità sul web. Le aspettative di molti italiani sono state deluse. Per giorni si vociferava di un immediato ritorno alla normalità ma, dal 4 maggio questo non avverrà. Eppure un sondaggio condotto da Nando Pagnoncelli, ha evidenziato come il Presidente Conte, in questo periodo di pandemia, abbia raggiunto un gradimento davvero alto. Quindi serve contrapporre vari strumenti per avvicinarsi alla realtà».
Qual è stato quindi il sentimento che il nuovo decreto governativo ha suscitato negli italiani?
«Esistono, come ti dicevo, varie tecnologie per capirlo, la Sentiment analysis è solo una di queste. Si tratta di una tecnica di Natural Language Processing che è in grado di dare l’abilità ad un computer di comprendere il linguaggio umano. Si classificano le emozioni a partire da dati strutturati e non strutturati. Per Sentiment, si intende la rilevazione di uno stato d’animo che può essere positivo, negativo o neutro a partire da stringe di testo, da immagini o da video. In Italia, secondo il Report 2020 di We are Social, il numero di utenti sui social media è di 35 milioni con un tempo medio di utilizzo di 2 ore al giorno. Con questa tecnologia è possibile analizzare cosa pensano le persone su un determinato argomento attraverso le loro conversazioni online. È un metodo molto efficace. Si trattano milioni di dati e si permette di automatizzare la comprensione di testi e altri contenuti attraverso gli algoritmi con ad esempio, le tecniche di Machine Learning».
In che ambiti si può usare questa tecnologia?
«La Sentiment analysis nasce nel mondo business per analizzare gli aspetti collegati ad un marchio o un’azienda come ad esempio, la Customer Satisfaction, l’Engagement o la Brand Reputation. Si può utilizzare anche in settori come quelli del turismo grazie alla Computer Vision che permette di capire il gradimento verso determinati servizi, prodotti o esperienze. Inoltre, anche al di fuori dei commenti e delle discussioni social la Sentiment si può applicare anche nell’ambito della sicurezza. Infatti, si possono riconoscere le situazioni di pericolo tramite le espressioni delle persone. Un ultimo trend di questa tecnologia è quella dei retail ovvero dei punti vendita”.
Quali sono i social che possono essere analizzati?
«Facebook, Instagram, Twitter, LinkedIn, Reddit e Youtube sono alcune delle piattaforme che possono rientrare nella Sentiment analysis. Ognuno di questi si può analizzare in modo diverso e dipende dall’apertura che ogni singolo social ha verso i propri dati. Reddit ad esempio, permette l’estrazione di tutto al di fuori della posizione dell’utente. Twitter invece, non presenta troppe restrizioni, ma ci sono social come Linkedin che nel 2019 hanno chiuso i propri dati. Le nuove piattaforme come TikTok rientreranno presto in questa analisi, ma ad oggi le regolamentazioni sulla privacy personale sono ancora variabili».
Ma i risultati che la Sentiment analysis ottiene sono completi e attendibili?
«È ancora una sfida aperta. Categorizzare il testo in modo automatico ci permette di ridurre il tempo dell’analisi e di sintetizzare i milioni di dati a disposizione. Dall’altra parte però, può portare alla perdita di dati e di informazioni che potevano risultare utili al fine dell’analisi. Per svolgere un lavoro completo con dati attendibili, la Sentiment analysis si può integrare con altre tecniche. Una di queste è la Topic modelling, tipologia di modellazione statistica che serve per scoprire le principali argomentazioni legate ad una collezione di documenti, altrimenti, si può ricorrere alla Part of Speech Tagging per scoprire il ruolo delle parole all’interno delle frasi». La diversificazione di tecniche permette miglioramenti nell’analisi e permette di ottenere un report più completo. Alcuni limiti si possono incontrare e spesso sono di tipo tecnologico. La conversione da dati non strutturati a dati numerici, può creare problemi. Gli algoritmi vanno addestrati e molto dipende dai dati che trattano. Studiare i sentimenti e gli umori degli utenti su una specifica tematica è quindi possibile. Se si prendono in considerazione più social network, i toni e il mood delle conversazioni saranno molteplici, ma è difficile che il sentimento generale sia diverso. «La polarizzazione all’interno di una singola piattaforma non è mai contradditoria e ad esempio, è difficile che l’opinione che si respira su Twitter sia diversa da quella che si respira su Facebook».
