💬 NLP

Towards Detecting Persuasion on Social Media: From Model Development to Insights on Persuasion Strategies

Questo articolo presenta un modello leggero e all'avanguardia per il rilevamento di testi politici persuasivi, ottimizzato su annunci elettorali Facebook australiani per rivelare strategie di persuasione distinte in base a finanziamento, dati demografici e tempistica, migliorando così la trasparenza e la consapevolezza degli elettori nelle campagne digitali.

Autori originali: Elyas Meguellati, Stefano Civelli, Pietro Bernardelle, Shazia Sadiq, Irwin King, Gianluca Demartini

Pubblicato 2026-05-29

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Elyas Meguellati, Stefano Civelli, Pietro Bernardelle, Shazia Sadiq, Irwin King, Gianluca Demartini

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

Immagina di camminare attraverso un gigantesco e rumoroso mercato digitale (i social media). In questo mercato, le campagne politiche sono come venditori che cercano di venderti un'idea (un candidato o una politica) piuttosto che un prodotto fisico. Alcuni venditori sono onesti e si limitano a elencare i fatti, mentre altri utilizzano "trucchetti di vendita" per tirare le tue corde emotive, spaventarti o farti arrabbiare per indurti a comprare.

Questo articolo riguarda la creazione di un "rilevatore di trucchetti" intelligente e leggero per individuare tali espedienti, per poi utilizzarlo per comprendere come i politici australiani hanno condotto la loro campagna elettorale del 2022 su Facebook.

Ecco la sintesi del loro lavoro, utilizzando semplici analogie:

1. Il Problema: Il "Discorso di Vendita" è Difficile da Individuare

Gli annunci politici spesso utilizzano sottili trucchetti psicologici. L'articolo fornisce esempi come:

Linguaggio Carico: Utilizzo di parole che suscitano immediatamente una forte emozione (ad esempio, definire un rifugiato come un "terrorista").
Insulti: Insultare un avversario invece di discutere il suo punto di vista (ad esempio, definire qualcuno "Bush il Minore").
Appello alla Paura: Cercare di spaventarti per farti concordare con loro.

Gli esseri umani sono bravi a individuare questi trucchetti quando scorrono rapidamente i loro telefoni. Gli esperti non possono leggere manualmente milioni di annunci. Pertanto, i ricercatori volevano costruire un programma informatico in grado di leggere questi annunci e dire: "Ehi, questa frase sta cercando di manipolarti".

2. Studio 1: Costruzione di un Rilevatore "Leggero"

I ricercatori avevano prima bisogno di insegnare al loro computer a individuare questi trucchetti. Hanno utilizzato un insieme di dati di articoli di notizie (da una competizione chiamata SemEval-2023) in cui gli esseri umani avevano già contrassegnato le frasi ingannevoli.

La Sfida: La maggior parte degli altri "rilevatori intelligenti" è come giganteschi camion pesanti. Hanno bisogno di enormi quantità di carburante (potenza di calcolo) e di enormi carichi (dati di addestramento) per funzionare.
L'Innovazione: Il team ha costruito invece una "bici". Hanno creato un modello chiamato PPAsy-XLNet.
- È leggero: Utilizza molta meno potenza di calcolo.
- È efficiente: Ha imparato a individuare i trucchetti utilizzando una frazione minima dei dati necessari ad altri modelli (circa l'87% in meno).
- Il Risultato: Anche se è una "bici", ha corso alla stessa velocità e ha vinto la gara contro i "giganti camion" (i modelli all'avanguardia). Ha dimostrato che non è necessario un supercomputer per rilevare la manipolazione politica.

3. Studio 2: Test del Rilevatore su Annunci Reali

Ora che avevano la loro "bici", volevano vedere se funzionava nel mondo reale. Hanno raccolto 56.958 annunci politici dalle elezioni federali australiane del 2022 su Facebook.

Il "Divario di Dominio" (Il Problema di Traduzione):
Quando hanno provato per la prima volta a utilizzare il loro modello (addestrato su articoli di notizie) su questi annunci Facebook, ha vacillato. Era come mettere un pilota eccellente nella guida su una strada di campagna tranquilla in un caotico ingorgo cittadino; non sapeva come reagire. Il modello non era abbastanza accurato.
- La Soluzione: Hanno dato al modello un rapido "corso di aggiornamento" mostrandogli un piccolo numero di effettivi annunci Facebook. Una volta appreso lo stile specifico degli annunci sui social media, è diventato di nuovo un esperto.
Cosa Hanno Scoperto (Le Intuizioni):
Una volta addestrato il modello, lo hanno utilizzato per analizzare l'intera elezione. Ecco cosa hanno scoperto:
- Gli Annunci "Ad Alta Ottanatura": Circa il 46% degli annunci era "altamente persuasivo". Questi annunci erano ricchi di linguaggio emotivo, chiamate all'azione e incitamento alla paura.
- Il Denaro Parla: Gli annunci "altamente persuasivi" hanno ottenuto più attenzione (visualizzazioni) e sono costati di più da pubblicare. Sembra che le campagne abbiano capito che gli annunci emotivi e manipolatori funzionano meglio, quindi hanno speso di più su di essi.
- Lo "Sprint" verso il Traguardo: Man mano che si avvicinava il giorno delle elezioni, la spesa per questi annunci emotivi e persuasivi è schizzata alle stelle. Era come uno sprinter che risparmia tutta la sua energia per gli ultimi 100 metri. Il giorno prima delle elezioni, la spesa era quasi 5 volte superiore rispetto a un mese prima.
- Differenze Linguistiche:
  - Annunci ad Alta Persuasione: Utilizzavano parole come "futuro", "cambiamento", "voto" e "governo". Erano di ampio respiro e urgenti.
  - Annunci a Bassa Persuasione: Utilizzavano parole come "locale", "comunità" e "sostegno". Erano più come schede informative asciutte su questioni locali.

4. Il Punto Fondamentale

L'articolo conclude con due principali conclusioni:

Non serve un supercomputer per rilevare la manipolazione politica; un modello più piccolo e intelligente può fare lo stesso lavoro se addestrato correttamente.
Il contesto conta. Un modello addestrato su articoli di notizie non funziona automaticamente sugli annunci Facebook. Devi "affinarlo" per l'ambiente specifico.

Perché questo è importante: Comprendendo questi modelli, possiamo vedere che le campagne politiche stanno utilizzando strategicamente la manipolazione emotiva, specialmente subito prima di un'elezione, e sono disposte a spendere enormi somme di denaro per assicurarsi che quei messaggi ci raggiungano. Questo aiuta gli elettori e i gruppi di controllo a vedere le "tattiche di vendita" dietro gli annunci politici.

Nota: Gli autori menzionano che il lavoro futuro potrebbe includere l'analisi delle immagini negli annunci o l'utilizzo di diversi metodi di previsione, ma non hanno testato queste cose in questo specifico articolo.

Riepilogo Tecnico: Verso il Rilevamento della Persuasione sui Social Media

Enunciato del Problema

Il documento affronta la sfida critica di rilevare elementi persuasivi all'interno della pubblicità politica sui social media. Mentre la propaganda politica plasma l'opinione pubblica attraverso tecniche sottili (ad esempio, linguaggio carico, insulti, appelli alla paura), il rilevamento manuale diventa sempre più impraticabile a causa del volume dei contenuti. Gli approcci computazionali esistenti spesso si basano su pesanti ensemble di transformer o su estese aumentazioni dei dati, creando elevate barriere all'ingresso in termini di risorse computazionali e requisiti di dati. Inoltre, esiste un divario nella comprensione di come questi modelli di rilevamento si comportino quando trasferiti dai domini delle notizie mainstream al contesto specifico degli annunci politici sui social media.

Metodologia

La ricerca è strutturata in due studi interconnessi:

Studio 1: Sviluppo di un Modello Leggero (SemEval-2023)

Gli autori hanno sviluppato PPAsy (Persuasion Prediction Asymmetric), un nuovo approccio di classificazione multi-etichetta per il rilevamento di 23 tecniche di persuasione distinte.

Architettura del Modello: Lo studio ha selezionato XLNet-base (110 milioni di parametri) come colonna portante, privilegiando un equilibrio tra prestazioni ed efficienza delle risorse rispetto a ensemble più grandi.
Funzione di Perdita: È stata introdotta una funzione di perdita Asimmetrica a Cross-Entropia Binaria personalizzata per gestire lo squilibrio severo delle etichette. Questa funzione applica una ponderazione specifica per istanza ( $w_i$ ) modulata da un parametro $\beta$ , penalizzando le classificazioni errate in modo variabile in base alla distribuzione delle classi.
Strategia dei Dati: Invece di addestrare su tutti i dati multilingue disponibili, gli autori hanno tradotto in inglese solo il sottoinsieme francese (che conteneva tutte le 23 etichette e la media più alta di tecniche per documento). Ciò ha ridotto la dimensione dei dati di addestramento a circa 153K token, significativamente inferiore ai 1,16 milioni di token utilizzati dai competitor all'avanguardia (SOTA).
Preprocessing: È stato applicato un preprocessing minimo (lemmatizzazione, conversione in minuscolo), mantenendo la punteggiatura poiché è stato riscontrato che migliora l'interpretazione del modello.

Studio 2: Adattamento al Dominio e Applicazione nel Mondo Reale (APA22)

Il secondo studio ha valutato l'utilità del modello su un nuovo dataset curato, APA22, composto da 56.958 annunci politici delle elezioni federali australiane del 2022, raccolti tramite la Libreria degli Annunci di Meta.

Adattamento al Dominio: Il modello addestrato su SemEval-23 (articoli di notizie) è stato testato su APA22. Riconoscendo un calo delle prestazioni, il modello è stato fine-tuned su un sottoinsieme di APA22 annotato manualmente (658 campioni, binarizzati in "persuasivo" vs "neutro").
Analisi: Il modello fine-tuned ha etichettato l'intero dataset APA22 per analizzare modelli di finanziamento, dati demografici, cambiamenti temporali e caratteristiche linguistiche (bi-grammi e TF-IDF) che distinguono gli annunci ad alta persuasione da quelli a bassa persuasione.

Contributi Chiave

Sviluppo Efficiente del Modello: Introduzione di un modello di classificazione multi-etichetta leggero che ottiene prestazioni SOTA su SemEval-2023 Task 3 Subtask 3 con costi computazionali significativamente ridotti.
Efficienza delle Risorse: L'approccio proposto richiede circa 86,8% in meno di dati, fino a 77,6% in meno di parametri (rispetto all'ensemble APatt) e 86,2% in meno di tempo di addestramento (rispetto a KInIT), superando o eguagliando i metodi SOTA esistenti.
Nuovo Dataset (APA22): Creazione e parziale annotazione di un dataset su larga scala di annunci politici delle elezioni federali australiane del 2022, colmando il divario tra benchmark accademici e contenuti reali dei social media.
Riscontri Empirici: Dimostrazione che il retraining specifico del dominio è essenziale per l'analisi degli annunci sui social media e rivelazione di strategie di persuasione distinte (ad esempio, spese più elevate e durata maggiore per gli annunci ad alta persuasione) nelle campagne politiche.

Risultati

Prestazioni su SemEval-2023

PPAsy-XLNet ha ottenuto un F1-Micro del 40,62% e un F1-Macro del 21,78% sul set di test inglese.
Questo ha superato la baseline SVM (19,51% F1-Micro) e ha battuto l'ensemble APatt (37,56% F1-Micro) e il modello RoBERTa-large KInIT (40,38% F1-Micro), nonostante l'uso di una frazione dei parametri e dei dati di addestramento.
Gli studi di ablazione hanno confermato che la funzione di perdita personalizzata e l'uso specifico del dataset tradotto dal francese all'inglese sono stati driver critici delle prestazioni.

Prestazioni su APA22

Cambiamento di Dominio: Quando applicato direttamente ad APA22 senza retraining, il modello addestrato su SemEval ha raggiunto solo il 59,39% di accuratezza, evidenziando un divario di dominio significativo tra articoli di notizie e annunci sui social media.
Fine-tuning: Il retraining sul sottoinsieme APA22 ha migliorato l'accuratezza all'82,42%, dimostrando la necessità di dati specifici del dominio.

Riscontri dall'Analisi di APA22

Correlazione con la Portata: Gli annunci classificati come "alta persuasione" (contenenti >80% di frasi persuasive) hanno ricevuto il 45,6% in più di impression e il 48,2% in più di spesa rispetto agli annunci a "bassa persuasione".
Dinamiche Temporali: La spesa e le impression degli annunci ad alta persuasione sono aumentate significativamente (fino a 4,8 volte) nei giorni precedenti l'elezione, mentre gli annunci a bassa persuasione hanno mostrato una traiettoria di crescita costante e modesta.
Modelli Linguistici: Gli annunci ad alta persuasione hanno utilizzato un vocabolario orientato all'azione ("vota", "futuro", "cambiamento") e bi-grammi emotivi ("cambiamento climatico", "futuro migliore"). Gli annunci a bassa persuasione si sono concentrati su dettagli informativi, locali e amministrativi ("locale", "supporto", "piccola impresa").

Significato e Affermazioni

Il documento afferma che il suo lavoro sottolinea la necessità di una modellazione specifica del dominio per l'analisi della persuasione sui social media. Sostiene che, sebbene i modelli pesanti e ad alta intensità di risorse siano comuni, modelli efficienti e leggeri possono ottenere risultati comparabili o superiori se abbinati a una selezione strategica dei dati (ad esempio, selezionando il sottoinsieme linguistico più diversificato).

Gli autori ipotizzano che la scoperta di queste strategie di persuasione tramite rilevamento automatizzato possa:

Migliorare la trasparenza nei processi democratici.
Informare gli elettori sulla natura dei messaggi politici.
Promuovere la responsabilità nelle campagne digitali.

Lo studio conclude che, sebbene i modelli attuali forniscano una base per comprendere la persuasione digitale, il lavoro futuro dovrebbe esplorare approcci multimodali (integrando le immagini) e affinare le strategie di classificazione per catturare meglio l'interazione complessa tra testo e media visivi nel plasmare l'opinione pubblica. Gli autori rimangono modesti riguardo ai limiti dei loro dati (ad esempio, la dipendenza dalle bandiere politiche auto-dichiarate di Meta e la mancanza di dati precisi sul micro-targeting) e alle sfide di generalizzare i risultati in diversi contesti politici.