💬 NLP

Measuring Negative Campaigning across Languages with Large Language Models: A Study of 18 Million Tweets in 19 Countries

Questo studio dimostra che i grandi modelli linguistici zero-shot possono classificare efficacemente e su scala i programmi di campagna negativa in 19 lingue, rivelando che i partiti di governo sono meno negativi mentre i partiti ideologicamente non centristi, in particolare quelli della destra radicale, impegnano in una retorica significativamente più conflittuale.

Autori originali: Victor Hartman, Petter Törnberg

Pubblicato 2026-07-28

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Victor Hartman, Petter Törnberg

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

Immaginate il mondo della politica come un enorme e rumoroso stadio dove tutti cercano di convincere la folla a tifare per la propria squadra. Per decenni, gli scienziati che studiano questo stadio sono stati ossessionati da un comportamento specifico: la "campagna negativa". Pensatela non solo come un politico che dice "Io sono bravo", ma come uno che indica un rivale e grida: "Guardate quell'uomo, è terribile!". È l'arte del "roast" politico. Sebbene sappiamo che questo accada ovunque, dai frammenti di ceramica dell'antica Grecia agli annunci televisivi moderni, capire perché alcune squadre lo facciano più di altre è stato un enorme mal di testa per i ricercatori. Il problema? Contare questi insulti manualmente è come cercare di contare ogni granello di sabbia su una spiaggia indossando dei guanti da forno. Ci vuole una vita, costa una fortuna e, se provate a farlo in venti lingue diverse, avreste bisogno di un traduttore per ogni singola frase. A causa di ciò, la maggior parte degli studi è rimasta bloccata nell'osservare un solo paese (solitamente gli Stati Uniti) o nel fare affidamento su esperti che intuivano il "vibe" di una campagna, il che non è molto preciso. Ma recentemente, un nuovo strumento è arrivato sulla scena: i Large Language Models (LLM). Potete immaginarli come robot super intelligenti e instancabili che hanno letto quasi tutto ciò che è mai stato scritto su Internet. Possono comprendere le sfumature, il sarcasmo e gli insulti in decine di lingue senza dover imparare le regole da zero. Questo articolo si pone una grande domanda: questi robot dotati di IA possono essere i nuovi arbitri per contare gli insulti politici in tutto il mondo, e cosa ci dicono su chi è che, in realtà, ama lanciare il fango?

Gli autori di questo studio hanno deciso di mettere alla prova questi robot dotati di IA su larga scala. Per prima cosa, dovevano dimostrare che i robot fossero bravi nel loro lavoro. Hanno dato all'IA milioni di tweet e le hanno chiesto di individuare attacchi negativi, per poi confrontare le risposte del robot con quelle di esperti umani che avevano letto manualmente gli stessi post per anni. Il risultato? I robot erano sorprendentemente bravi. In alcuni casi, l'IA era persino più coerente e accurata degli esperti umani, e poteva svolgere il compito in dieci lingue diverse senza nemmeno sudare. Era come sostituire un team di studenti laureati stanchi e sopraffatti con una flotta di droni super veloci e multilingue che non si stancano mai né si confondono.

Una volta che si sono fidati dei robot, i ricercatori li hanno scatenati su una montagna di dati: 18 milioni di tweet pubblicati da politici in 19 paesi europei tra il 2017 e il 2022. Volevano vedere se le vecchie regole su chi diventa cattivo valessero ancora quando si guardava l'intero continente. Hanno testato alcune grandi idee: i politici al potere (il team del "governo") si comportano in modo più gentile perché devono apparire responsabili? I politici ai margini estremi dello spettro politico (i radicali) si comportano in modo più cattivo perché non hanno nulla da perdere? E i politici "populisti", che sostengono di combattere contro l' "élite corrotta", tendono naturalmente a lanciare più insulti?

Le conclusioni erano chiare e sorprendentemente coerenti. I dati dell'IA hanno mostrato che i politici che siedono attualmente nel governo sono effettivamente molto meno negativi. Sembrano trattenere gli insulti, forse perché sanno che se iniziano una rissa, potrebbero compromettere le loro possibilità di mantenere il potere o di collaborare con altri partiti in seguito. È come un capitano di una squadra che cerca di mantenere la pace affinché la squadra non si sfaldi. D'altra parte, i politici che non sono al potere, specialmente quelli all'estrema destra e all'estrema sinistra dello spettro politico, sono stati quelli che hanno lanciato più fango. Lo studio suggerisce che trovarsi lontano dal centro politico rende un partito più propenso all'aggressività. Nello specifico, i partiti della "destra radicale" sono stati i più negativi di tutti, usando un linguaggio conflittuale a un tasso molto più alto di chiunque altro. Sebbene lo studio abbia anche esaminato se l'essere un "populista" facesse la differenza, ha scoperto che il vero motore era in realtà quanto un partito fosse estremo; la cattiveria sembrava derivare dall'essere un outsider piuttosto che dal semplice essere un populista.

Interessante è che lo studio ha anche osservato se il periodo elettorale rendesse le persone più cattive. I risultati sono stati un po' misti; a volte le elezioni peggioravano le cose, ma non sempre. La conclusione principale non riguardava il tempismo, ma i giocatori stessi. Il documento suggerisce che l'aumento delle campagne negative che vediamo sui social media non è dovuto solo al fatto che Twitter (ora X) renda le persone arrabbiate. Si tratta invece di una scelta strategica di certi tipi di partiti — specificamente quelli ai margini e quelli fuori dal potere — di usare la negatività come un'arma. Utilizzando questi robot dotati di IA, i ricercatori sono stati in grado di vedere schemi attraverso 19 paesi che sarebbero stati impossibili da trovare con i vecchi metodi, dimostrando che nel gioco della politica, gli outsider sono quelli più propensi a giocare sporco, mentre coloro che sono al comando cercano di tenere le mani pulite.

Sintesi Tecnica: Misurare la Campagna Negativa attraverso le Lingue con i Large Language Models

Problematica
La ricerca comparativa sulla campagna negativa — definita come la critica rivolta da un candidato contro un altro — è stata limitata da vincoli metodologici. Gli approcci tradizionali si affidano a sondaggi di esperti, che soffrono di soggettività, mancanza di trasparenza e scarsa replicabilità, oppure all'analisi dei contenuti manuale, che è laboriosa e difficile da scalare in contesti multilingue. Sebbene l'apprendimento automatico supervisionato offra una soluzione parziale, esso richiede estesi dati di addestramento etichettati specifici per ogni lingua, limitandone l'applicabilità per studi transnazionali su larga scala. Di conseguenza, la letteratura esistente è sproporzionatamente concentrata su contesti di singolo paese (particolarmente gli Stati Uniti) e manca di dati comportamentali diretti che colleghino le caratteristiche dei partiti alla negatività della campagna nei sistemi multipartitici.

Metodologia
Lo studio impiega un approccio metodologico in due fasi:

Validazione di LLM Zero-Shot: Gli autori valutano la capacità dei Large Language Models (LLM) zero-shot di classificare la campagna negativa in dieci lingue (inglese, tedesco, croato, francese, ungherese, italiano, olandese, polacco, spagnolo e svedese). Confrontano due modelli OpenAI (gpt-4o e gpt-4o-mini) con due dataset stabiliti e codificati manualmente:
- Petkevic e Nai (2022): tweet delle elezioni senatoriali statunitensi del 2018.
- Klinger et al. (2023): post su Facebook delle campagne del Parlamento europeo del 2014 e 2019.
  I modelli sono stati istruiti tramite istruzioni in linguaggio naturale (zero-shot) per identificare l'"attacco esplicito o critica verso il partito o il candidato avversario". Le prestazioni sono state misurate utilizzando punteggi F1 pesati e metriche di affidabilità inter-rater (IRR) (alfa di Krippendorff e coefficiente di Brennan-Prediger) per confrontare gli output degli LLM rispetto alle annotazioni umane.
Analisi Empirica su Larga Scala: Sfruttando l'approccio LLM validato, gli autori hanno analizzato 18.066.672 tweet pubblicati da 5.439 parlamentari in 19 paesi europei tra il 2017 e il 2022.
- Unità di Analisi: I dati sono stati aggregati a livello di partito per riflettere il comportamento strategico del partito piuttosto che le idiosincrasie dei singoli candidati.
- Variabile Dipendente: La percentuale di tweet negativi per partito.
- Variabili Indipendenti: Derivate da sondaggi di esperti (CHES, POPPA) e registri parlamentari (ParlGov), tra cui:
  - Stato di governo (governo vs opposizione).
  - Posizionamento ideologico (scala Destra-Sinistra e distanza al quadrato dal centro).
  - Punteggi di populismo.
  - Prossimità elettorale (entro 3 mesi da un'elezione).
  - Classificazione della famiglia politica.
    È stato utilizzato un modello di regressione OLS con effetti fissi per paese ed errori standard clusterizzati per testare le ipotesi riguardanti gli incentivi strategici.

Contributi Chiave

Metodologici: Il documento fornisce la prima valutazione sistematica degli LLM zero-shot per la classificazione cross-linguistica della campagna negativa. Dimostra che gli LLM possono raggiungere prestazioni comparabili, e in alcuni casi superiori, ai codificatori umani e ai modelli supervisionati convenzionali senza richiedere dati di addestramento specifici per la lingua.
Sostantivi: Conduce lo studio transnazionale più ampio sulla campagna negativa ad oggi, andando oltre le analisi di singolo paese per esaminare i driver a livello di partito in sistemi multipartitici utilizzando dati comportamentali diretti (tweet) anziché percezioni di esperti.

Risultati

Prestazioni degli LLM: Nel dataset del Senato degli Stati Uniti, l'LLM ha superato sia i codificatori umani (IRR $\alpha$ = 0,860 vs 0,790) sia l'originale modello supervisionato (F1 pesato aumentato da 0,810 a 0,930). Nel dataset multilingue europeo, l'LLM ha mantenuto prestazioni costanti in tutte le dieci lingue, raggiungendo punteggi F1 pesati di almeno 0,90 e un alto accordo con i codificatori umani, anche sotto definizioni più rigorose di negatività.
Stato di Governo: L'Ipotesi 1 è supportata: i partiti in cabinetto impegnano significativamente meno campagne negative (circa 7-8 punti percentuali in meno) rispetto ai partiti di opposizione. Ciò suggerisce che i partiti di governo affrontino vincoli reputazionali e di gestione delle coalizioni più forti.
Posizionamento Ideologico: L'Ipotesi 2 è supportata: i partiti più lontani dal centro ideologico intraprendono più campagne negative. Questo effetto è più pronunciato per i partiti della destra radicale, che esibiscono i livelli più alti di negatività prevista (circa 36-37%), seguiti dai partiti della sinistra radicale. I partiti centristi mostrano i livelli più bassi.
Populismo: Sebbene i partiti populisti apparissero inizialmente più negativi, questo effetto era in gran parte spiegato dal loro posizionamento ideologico non centrista quando si controllava per l'estremismo ideologico.
Prossimità Elettorale: L'effetto della prossimità elettorale è stato più debole e meno consistente rispetto allo stato di governo o all'ideologia, variando significativamente per contesto.

Significato e Rivendicazioni
Il documento sostiene che i suoi risultati forniscono nuove prove comparative sulle fondamenta a livello di partito della campagna negativa, sfidando la nozione che l'aumento della negatività sia esclusivamente un sottoprodotto delle logiche dei social media. Al contrario, essa riflette dinamiche più profonde di competizione tra partiti, incentivi di coalizione e il comportamento strategico di specifici movimenti politici (particolarmente la destra radicale).

Metodologicamente, lo studio sostiene che gli LLM possano trasformare la scala, la coerenza e la replicabilità della ricerca sul discorso politico. Abilitando la classificazione zero-shot attraverso le lingue, gli LLM abbassano le barriere all'analisi comparativa su larga scala, permettendo ai ricercatori di superare il compromesso storico tra "profondità vs ampiezza" che ha storicamente limitato il campo. Gli autori sottolineano che, sebbene gli LLM migliorino la scalabilità della misurazione, richiedono una rigorosa validazione rispetto ai benchmark umani e una progettazione attenta dei prompt per garantirne la validità, posizionandoli come un complemento, piuttosto che un sostituto, degli standard metodologici stabiliti.

Sintesi Tecnica: Misurare la Campagna Negativa attraverso le Lingue con i Large Language Models

Articoli simili