💬 NLP

Dealing with Controversy: An Emotion and Coping Strategy Corpus Based on Role Playing

Questo articolo affronta il divario tra la ricerca psicologica e quella computazionale sulle emozioni introducendo un corpus basato sul gioco di ruolo e un compito di identificazione del coping per investigare come le emozioni funzionino come strategie comportamentali nel testo, rivelando le sfide e il potenziale affinché i modelli possano catturare meglio tali meccanismi.

Autori originali: Enrica Troiano, Sofie Labat, Marco Antonio Stranisci, Viviana Patti, Rossana Damiano, Roman Klinger

Pubblicato 2026-02-03

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Enrica Troiano, Sofie Labat, Marco Antonio Stranisci, Viviana Patti, Rossana Damiano, Roman Klinger

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

L'idea di fondo: Le emozioni sono come piani d'azione

Immaginate di guardare una recita teatrale. Di solito, quando analizziamo i sentimenti di un personaggio, ci limitiamo a dare loro un'etichetta: "È arrabbiato" o "È triste". È come attaccare un cartellino su una scatola.

Ma questo articolo sostiene che le emozioni siano più simili a dei piani d'azione. Quando provi un'emozione specifica, il tuo cervello elabora immediatamente una strategia per gestire la situazione. Gli autori chiamano queste strategie "Strategie di Coping" (strategie di adattamento).

Utilizzano un quadro teorico (basato sul lavoro dello psicologo Ira Roseman) che afferma che ogni reazione emotiva rientra in uno di quattro ambiti:

Attacco (Attack): Vuoi affrontare il problema a testa alta. (Come un leone che ruggisce contro una minaccia).
Contatto (Contact): Vuoi avvicinarti e connetterti. (Come un cucciolo che scodinzola per dire ciao).
Distanza (Distance): Vuoi allontanarti e creare spazio. (Come una tartaruga che si ritira nel suo guscio).
Rifiuto (Reject): Vuoi respingere completamente il problema o negare la sua esistenza. (Come sbattere una porta in faccia a qualcuno).

L'articolo pone una domanda semplice: Possiamo vedere questi "piani d'azione" nascosti nelle parole che le persone scrivono?

Il problema: Non puoi semplicemente chiedere alle persone

I ricercatori volevano costruire un database (un corpus) di testi in cui le persone utilizzassero chiaramente queste strategie. Ma c'era un ostacolo: non puoi andare su Twitter o Facebook e trovare persone che dicono: "In questo momento sto usando la strategia della 'Distanza'". La vita reale è disordinata e le persone non etichettano i propri meccanismi di coping.

La soluzione: L'esperimento dell' "Attore di Metodo"

Per risolvere il problema, i ricercatori non si sono limitati a chiedere alle persone di scrivere dei propri sentimenti. Invece, hanno utilizzato il Role-Playing (gioco di ruolo), simile a una classe di teatro d'improvvisazione.

Pensatela così:

L'ambientazione: Hanno creato quattro personaggi distinti, ognuno rappresentante una delle quattro strategie.
- Personaggio A (Attacco) è una persona ardente e aggressiva che non indietreggia mai.
- Personaggio B (Contatto) è un mediatore calmo e aperto mentalmente.
- Personaggio C (Distanza) è qualcuno che ha bisogno di spazio ed evita i drammi.
- Personaggio D (Rifiuto) è una persona testarda che rifiuta di interagire con la negatività.
Il copione: Hanno usato l'IA per scrivere scenari controversi (come discussioni sull'immigrazione o sul razzismo) in cui una persona dice qualcosa di spiacevole.
La performance: Sono stati assunti veri attori per "diventare" uno di questi personaggi. Dovevano leggere lo scenario e scrivere una risposta come se fossero quel personaggio.

È come chiedere a un attore: "Stai interpretando un leone arrabbiato. Qualcuno ti ha appena calpestato la coda. Scrivi una frase reagendo a questo". L'obiettivo era vedere se l'attore riuscisse a canalizzare con successo la strategia del "leone" nelle sue parole.

Cosa hanno scoperto

1. Gli attori hanno colto i sentimenti giusti
Quando i ricercatori hanno chiesto ai partecipanti: "Come si sente il tuo personaggio?", le risposte corrispondevano perfettamente alla teoria. Interpretando il personaggio dell' "Attacco", le persone si sentivano arrabbiate e frustrate. Interpretando il personaggio del "Contatto", si sentivano speranzose e piene di amore. Gli attori avevano compreso con successo lo "script" emotivo.

2. Il testo era difficile da decodificare
Ecco la parte complicata. Anche se gli attori comprendevano la strategia, era molto difficile per altre persone (e per i computer) indovinare quale strategia venisse utilizzata leggendo semplicemente il testo.

Quando i ricercatori hanno chiesto agli esseri umani di leggere le risposte e indovinare la strategia, hanno indovinato solo circa il 34% delle volte (il che è poco più di un caso casuale).
La strategia del "Contatto" era la più facile da individuare (le persone usavano parole gentili come "Capisco").
La strategia del "Rifiuto" era la più difficile (veniva spesso confusa con altre emozioni negative).

3. Anche i computer hanno faticato
I ricercatori hanno addestrato dei modelli informatici (IA) per fare lo stesso gioco di indovinelli. Anche i modelli di IA hanno avuto difficoltà, ottenendo punteggi di accuratezza inferiori al 55%.

Interessante notare che l'IA faceva meglio quando leggeva le descrizioni del linguaggio del corpo del personaggio (ad esempio, "pugni chiusi", "guardare altrove") rispetto a quando leggeva solo le parole pronunciate.
Ciò suggerisce che, mentre le parole possono essere sottili, il comportamento associato alla strategia è un segnale più forte.

La conclusione

L'articolo conclude che, sebbene le emozioni siano profondamente legate al modo in cui pianifichiamo di agire (le nostre strategie di coping), queste strategie non sono sempre ovvie nel testo.

La buona notizia: Possiamo creare con successo dati su queste strategie attraverso il role-playing.
La cattiva notizia: È molto più difficile per i computer (e per gli esseri umani) scorgere queste strategie in una frase di quanto pensassimo. Il "piano d'azione" è spesso nascosto o sottile.

Gli autori affermano che questo apre una nuova strada per la ricerca: invece di limitarsi a etichettare la "Rabbia", dovremmo cercare di capire cosa la persona stia cercando di fare con quella rabbia. Ma per farlo, abbiamo bisogno di strumenti migliori per leggere tra le righe.

Sintesi Tecnica: Gestire la Controversia: Un Corpus di Emozioni e Strategie di Coping Basato sul Role-Playing

Definizione del Problema

Esiste una significativa discrepanza tra gli studi psicologici e quelli computazionali sulle emozioni. Mentre la ricerca psicologica mira a spiegare i meccanismi interni dei fenomeni emotivi, il lavoro computazionale nel Natural Language Processing (NLP) spesso semplifica le emozioni in etichette discrete o vettori definiti da dimensioni quali valenza, arousal e dominanza. Di conseguenza, aspetti fondamentali di come si sviluppano le emozioni e di come gli individui le affrontino (coping) rimangono poco esplorati nell'NLP. Nello specifico, i complessi meccanismi che governano l'emergere delle emozioni e il loro successivo effetto sul comportamento — concettualizzati in psicologia come "processi di coping" — sono raramente affrontati. I modelli attuali faticano a catturare il legame tra le emozioni e le strategie comportamentali (ad esempio, attaccare, contattare, distanziarsi o rifiutare uno stimolo) che le persone impiegano in risposta a eventi che scatenano emozioni.

Metodologia

Per affrontare questa lacuna, gli autori introducono COPING, il primo corpus focalizzato sulle informazioni di coping, costruito tramite una metodologia di role-playing. Lo studio si basa sulla teoria di Roseman (2013), che mappa 16 emozioni specifiche in quattro strategie di coping generiche: Attacco (Attack), Contatto (Contact), Distanziamento (Distance) e Rifiuto (Reject).

Creazione dei Dati

Data la difficoltà di trovare testi naturalmente occorrenti annotati con strategie di coping, gli autori hanno impiegato un approccio di role-playing crowdsourced:

Definizioni dei Personaggi: Sono stati definiti quattro personaggi fittizi (X), ognuno dei quali incarna una delle quattro strategie di coping. Queste definizioni sono state affinate attraverso round iterativi di pre-test per garantire che gli annotatori potessero identificare correttamente la strategia prevista.
Generazione di Scenari: Utilizzando ChatGPT-4, gli autori hanno generato scenari controversi su cinque temi socialmente rilevanti (aborto, immigrazione, razzismo, diritti LGBTQ+ e droga). In ogni scenario, un interlocutore fittizio (Y) esprime una dichiarazione controversa che minaccia l'identità del personaggio X.
Task di Role-Playing: Ai lavoratori del crowd è stato chiesto di impersonare il personaggio X. Erano tenuti a:
- Generare una risposta verbale che si opponesse alla dichiarazione di Y.
- Descrivere il comportamento non verbale di X.
- Valutare le risposte emotive di X basandosi sulla tassonomia di Roseman.
- Riflettere su se stessi per capire se reagirebbero in modo simile a X.
Targeting Demografico: Per elicitare espressioni di coping più forti e autentiche, i partecipanti sono stati selezionati in base a specifiche demografie rilevanti per i temi trattati (ad esempio, individui LGBTQ+ per gli scenari LGBTQ+).

Il corpus COPING risultante contiene 1.200 punti dati, bilanciati per strategie, temi e scenari. Ogni voce include il testo generato, le descrizioni comportamentali e le valutazioni emotive.

Setup Sperimentale

Il paper investiga due domande di ricerca primarie (RQ):

RQ1: Le strategie di coping possono essere elicitate nel linguaggio e annotate?
RQ2: Le strategie di coping possono essere identificate automaticamente?

Per rispondere a RQ2, gli autori hanno valutato la fattibilità del rilevamento automatico utilizzando:

Apprendimento Supervisionato: Fine-tuning di tre Small Language Models (SLM) — BERT, DistilBERT e RoBERTa — sul corpus.
Zero-Shot Prompting: Utilizzo di quattro Large Language Models (LLM) — phi-2, mistral-2, nous-hermes-2 e dolphin-2 — in un contesto zero-shot.
Variazioni di Input: I modelli sono stati testati su tre tipi di input: solo la risposta verbale, solo la descrizione comportamentale e una concatenazione di entrambi.

Contributi Chiave

Integrazione Teorica: Il paper compie un primo passo nello studio delle quattro categorie di coping (Attacco, Contatto, Distanziamento, Rifiuto) che sottendono le etichette emotive standard, collegandole a specifiche funzioni comportamentali e gruppi di emozioni come definito da Roseman (2013).
Corpus COPING: Il rilascio di un corpus altamente strutturato costruito con una nuova strategia di role-playing per la raccolta di informazioni centrate sulle emozioni. Questo affronta la scarsità di dati annotati con meccanismi di coping.
Benchmarking del Task: L'introduzione e il benchmarking del task di identificazione della strategia di coping. Lo studio fornisce la prima prova empirica riguardante la fattibilità del rilevamento di queste strategie nel testo.

Risultati

Annotazione Umana e Comprensione

Elicitazione della Strategia: Le analisi quantitative e qualitative confermano che le strategie di coping possono essere elicitate nel linguaggio. I lavoratori del crowd hanno dimostrato una robusta comprensione delle strategie, con un'alta accuratezza nel mappare le descrizioni dei personaggi alle corrette strategie (ad esempio, il 100% di accuratezza per Attacco e Contatto nei pre-test).
Allineamento Emotivo: I profili emotivi generati dai role-player si allineavano ampiamente al framework teorico di Roseman (ad esempio, la frustrazione correlata all'Attacco, la speranza al Contatto). Tuttavia, sono state notate alcune deviazioni, come la difficoltà nel distinguere il "Rifiuto" dalle altre strategie.
Soggettività: L'accordo tra gli annotatori sui testi generati è stato basso ( $\kappa = .34$ ), indicando che la percezione delle strategie di coping nel testo è altamente soggettiva. Il "Contatto" è stata la strategia più riconoscibile, mentre il "Rifiuto" è stato il meno riconoscibile.

Classificazione Automatica

Limiti di Performance: L'identificazione automatica delle strategie di coping si è rivelata impegnativa. Tutti i modelli, sia gli SLM sottoposti a fine-tuning che gli LLM zero-shot, hanno ottenuto punteggi F1 inferiori a 0.55.
Sensibilità dell'Input:
- DistilBERT ha ottenuto le prestazioni migliori sulle risposte verbali (F1 = 0.523).
- RoBERTa ha ottenuto le prestazioni migliori sulle descrizioni comportamentali (F1 = 0.537).
- La combinazione di risposte e comportamenti non ha migliorato costantemente le prestazioni rispetto ai singoli input.
- Gli LLM zero-shot si sono comportati in modo analogo ai modelli fine-tuned, con gli input basati sul comportamento che generalmente producevano risultati migliori rispetto agli input basati solo sulla risposta.
Difficoltà della Strategia: In linea con l'annotazione umana, il Contatto è stato la strategia più facile da classificare (F1 $\approx$ 0.64), mentre il Rifiuto è rimasto la più difficile (F1 $\approx$ 0.41).

Significato e Rivendicazioni

Gli autori affermano che il loro lavoro apre una promettente direzione di ricerca per migliorare la capacità dei modelli di catturare i meccanismi emotivi dal testo. Spostando l'attenzione dalle etichette emotive statiche alle strategie di coping dinamiche, lo studio colma il divario tra le teorie psicologiche delle interazioni emozione-comportamento e l'NLP computazionale.

Il paper conclude con modestia che, sebbene l'emergere del coping dal testo sia meno lineare di quanto inizialmente ipotizzato — in particolare per le strategie che implicano il disimpegno come "Distanziamento" e "Rifiuto" — il corpus e i legami osservati tra strategie ed emozioni validano il potenziale di questo approccio. Gli autori sottolineano che il loro setup, sebbene artificiale, ha dimostrato con successo che i dati su questo concetto psicologico possono essere ottenuti tramite crowdsourcing e che queste strategie sono teoricamente fondate nel testo, anche se il loro rilevamento automatico rimane una sfida significativa. Questo lavoro suggerisce che l'integrazione delle strategie di coping potrebbe migliorare i task a valle, come l'analisi dell'argomentazione e l'analisi delle emozioni incentrata sugli eventi.