AI-Assisted Curation of Conference Scholarship: Compiling, Structuring, and Analyzing Two Decades of Presentations at the Society for Social Work and Research

Questo studio ha sviluppato un database completo di 23.793 abstract presentati alla conferenza SSWR dal 2005 al 2026, utilizzando l'intelligenza artificiale assistita da revisione umana per analizzare la crescita della partecipazione, l'aumento della collaborazione e l'evoluzione dei metodi di ricerca nel campo del lavoro sociale.

L'essenziale

Immaginate che il mondo della ricerca sociale sia come un enorme mercato dell'arte che si tiene ogni anno. Per vent'anni, migliaia di artisti (i ricercatori) hanno portato le loro opere (le presentazioni e i riassunti delle loro ricerche) in questo mercato, chiamato SSWR (la Società per la Ricerca sul Lavoro Sociale).

Fino a oggi, questo mercato era un po' caotico: c'erano migliaia di quadri appesi, ma nessuno aveva mai fatto un inventario ordinato. Non sapevamo quanti artisti ci fossero, da dove venivano, che tecniche usavano o come il mercato stesse cambiando nel tempo. Era tutto scritto su foglietti sparsi, difficili da leggere e da contare.

Ecco cosa hanno fatto gli autori di questo studio: hanno costruito un "catalogo magico".

1. Il "Robot Lettore" (L'Intelligenza Artificiale)

Per mettere ordine in questo caos, gli scienziati non hanno usato un esercito di segretari umani (sarebbe stato troppo lento e costoso). Hanno invece creato un piccolo robot intelligente (un modello di linguaggio chiamato "piccolo modello linguistico").

• L'analogia: Immaginate di avere un mucchio di lettere scritte a mano, con calligrafie diverse e inchiostri sbiaditi. Invece di leggerle una a una, avete un robot che le legge in un secondo, capisce chi ha scritto, da quale città viene e di cosa parla la lettera, e le trascrive in un registro ordinato.
• Il trucco: Questo robot è "piccolo" ed efficiente. Non ha bisogno di un supercomputer enorme che consuma energia come una centrale elettrica; gira tranquillamente su un computer normale, rendendo il processo economico e rispettoso dell'ambiente.

2. Cosa hanno scoperto guardando il "Catalogo"?

Una volta che il robot ha messo in ordine i dati di 23.793 presentazioni (dall'anno 2005 al 2026), hanno scoperto cose affascinanti:

• Il mercato è esploso: Nel 2005 c'erano circa 400 presentazioni. Nel 2026, ce n'erano quasi 2.000! È come se il mercato fosse raddoppiato ogni dieci anni. La ricerca sul lavoro sociale sta crescendo a velocità incredibile.
• Più squadre, meno solisti: Una volta, la maggior parte delle presentazioni era fatta da una sola persona (come un pittore che lavora da solo). Oggi, quasi tutte le ricerche sono fatte da squadre. La media è passata da 2,2 persone per presentazione a 3,3. È come se gli artisti avessero smesso di dipingere da soli e avessero iniziato a creare murales collettivi.
• Un cambio di stile: Per molto tempo, quasi tutti usavano la "matematica" (metodi quantitativi, numeri e statistiche) per descrivere il mondo. Ora, c'è un grande aumento di chi usa le "storie" (metodi qualitativi, interviste e osservazioni). Non è più solo questione di numeri freddi; si vuole capire anche il cuore e l'esperienza delle persone.
• Il mondo si avvicina: Nel 2005, quasi tutti venivano dagli Stati Uniti. Oggi, c'è un numero molto più grande di ricercatori da tutto il mondo (Canada, Corea del Sud, Israele, ecc.). È come se il mercato dell'arte avesse iniziato ad attirare visitatori da ogni angolo del globo, anche se recentemente ci sono state alcune difficoltà (come problemi di visti o costi di viaggio) che hanno rallentato un po' questa apertura.

3. Perché è importante?

Prima di questo studio, era come se avessimo un archivio di libri senza indice: sapevamo che c'erano storie importanti, ma non potevamo trovarle facilmente.

Ora, grazie a questo "catalogo digitale", gli studiosi possono:

• Capire le tendenze: Vedere se il lavoro sociale sta diventando più scientifico, più umano o più globale.
• Aiutare i giovani: Notare che molti studenti e professori alle prime armi sono molto attivi, il che è un ottimo segno per il futuro della disciplina.
• Pianificare meglio: Sapere quanti sono e cosa fanno aiuta a organizzare meglio i prossimi incontri, assicurandosi che tutti abbiano spazio per parlare.

In sintesi

Questo studio è come se qualcuno avesse preso una biblioteca polverosa piena di foglietti sparsi, usato un robot intelligente per leggerli tutti, e poi creato una mappa interattiva che mostra come la ricerca sul lavoro sociale è cambiata, cresciuta e si è globalizzata in vent'anni. È uno strumento potente per capire non solo cosa stiamo facendo oggi, ma dove stiamo andando domani.

Sommario tecnico

Ecco una sintesi tecnica dettagliata del documento di ricerca in italiano, strutturata secondo le sezioni richieste.

Sintesi Tecnica: Curazione Assistita dall'IA delle Presentazioni Accademiche della SSWR (2005–2026)

1. Il Problema di Ricerca

Le conferenze scientifiche rappresentano una fase cruciale del ciclo di vita della ricerca, spesso costituendo la prima articolazione pubblica di idee e metodi prima della pubblicazione formale. Tuttavia, nel campo del lavoro sociale, le presentazioni della Society for Social Work and Research (SSWR) sono rimaste per decenni in un formato di "dati non strutturati".

• Mancanza di Infrastruttura: A differenza di altre discipline, gli abstract delle conferenze SSWR non sono pubblicati in atti formali indicizzati, ma risiedono in archivi web (Confex) con metadati embedded in testo libero.
• Barriere all'Analisi: L'assenza di metadati standardizzati (autori, affiliazioni, metodologie) impedisce analisi bibliometriche sistematiche su larga scala.
• Limiti delle Soluzioni Tradizionali: L'analisi manuale di decenni di abstract è proibitiva in termini di risorse. Inoltre, l'uso di grandi modelli linguistici (LLM) su cloud per l'estrazione di dati solleva preoccupazioni riguardo a costi, sostenibilità ambientale e privacy dei dati.

2. Metodologia

Lo studio ha sviluppato una pipeline automatizzata per trasformare 22 anni di dati grezzi (2005–2026) in un database strutturato e analizzabile.

• Raccolta Dati (Web Scraping):

  • Utilizzo dello script Crawl4AI per estrarre dati dal sistema di gestione conferenze Confex.
  • Parsing HTML personalizzato con BeautifulSoup4 e backend lxml per gestire le variazioni strutturali delle pagine web nel corso degli anni.
  • Filtraggio dei dati: esclusione di keynote, workshop e abstract vuoti (<50 caratteri).

• Elaborazione con Modelli Linguistici (SLM):

  • Modello: Utilizzo di un Small Language Model (SLM) specifico, gpt-oss:20b (20 miliardi di parametri), ospitato localmente tramite llama.cpp.
  • Vantaggi SLM: Scelto per efficienza computazionale, sostenibilità ambientale (minore consumo energetico rispetto ai modelli "frontier") e capacità di esecuzione locale senza dipendenze da API proprietarie o cloud, garantendo la privacy dei dati.
  • Task di Estrazione:
    • Affiliazioni: Estrazione strutturata di nomi, titoli, istituzioni e paesi da stringhe di testo eterogenee.
    • Metodologia: Classificazione degli abstract in cinque categorie (Quantitativo, Qualitativo, Misto, Revisione, Teorico/Altro) basata su indicatori testuali.
  • Prompting: Utilizzo di prompt strutturati con esempi "few-shot" e temperatura impostata a 0.1 per massimizzare la coerenza.

• Normalizzazione e Risoluzione delle Entità:

  • Autori: Normalizzazione dei nomi (rimozione accenti, spazi) e utilizzo di un sistema di entity resolution basato su grafi (NetworkX). È stata applicata una logica di "blocking" e similarità fuzzy (RapidFuzz) con regole specifiche per cognomi asiatici comuni per evitare falsi positivi.
  • Istituzioni: Creazione di una tabella di mappatura per unificare varianti (es. "U. Michigan" vs "University of Michigan").
  • Posizioni: Classificazione gerarchica (es. Studente Dottorale, Professore Associato) tramite espressioni regolari.

• Validazione Umana:

  • Revisione iterativa a ogni stadio della pipeline.
  • Accordo inter-rater (Kappa di Cohen) tra umani e modello per la classificazione metodologica: 0.83 (accordo quasi perfetto).
  • Accuratezza nell'estrazione delle istituzioni: 94%; nelle posizioni: 91%.

3. Risultati Chiave

Il database finale comprende 23.793 presentazioni con 69.924 record di autori, rappresentando 20.779 ricercatori unici da 4.049 istituzioni in 93 paesi.

• Crescita della Conferenza:

  • Aumento delle presentazioni da 423 (2005) a 1.935 (2026).
  • Tasso di crescita annuale composto (CAGR): 7.5%.
  • Un picco significativo si è verificato nel 2015 (+46% in un anno).

• Tendenze Metodologiche:

  • Dominio dei metodi Quantitativi (61.1%), sebbene in calo dal 71% iniziale al 51% recente.
  • Crescita significativa dei metodi Qualitativi (23.4%), passati dal 15% al 30%.
  • Aumento delle Revisioni (5.4%) e dei metodi Misti (9.1%).

• Collaborazione e Autoreografia:

  • Aumento del numero medio di autori per presentazione: da 2.22 (2005) a 3.31 (2026).
  • Diminuzione delle presentazioni monografiche (dal 38% al 21%) e aumento di quelle con 4+ autori (dal 16% al 38%).

• Partecipazione Geografica e Ruoli:

  • Gli autori statunitensi dominano (89.1%), ma la partecipazione internazionale è cresciuta dal 4.5% al 13.7%.
  • I ruoli più frequenti sono Professori Associati/Assistenti e Studenti Dottorali (insieme quasi il 39% dei record).
  • Si nota un calo recente nella partecipazione di primi autori internazionali, potenzialmente legato a barriere geopolitiche e di viaggio.

4. Contributi Principali

1. Infrastruttura di Ricerca: Creazione del primo database completo e strutturato di due decenni di ricerca SSWR, trasformando dati non strutturati in un asset analizzabile per la comunità scientifica.
2. Validazione dell'Uso degli SLM: Dimostrazione pratica che i Small Language Models, ospitati localmente, possono eseguire compiti complessi di estrazione e classificazione con alta accuratezza, offrendo un'alternativa sostenibile ed economica ai modelli LLM su cloud.
3. Metodologia Riproducibile: Pubblicazione di pipeline, prompt e schemi di estrazione che possono essere adattati da altre discipline per l'analisi di archivi di conferenze non strutturati.
4. Analisi Longitudinale: Fornitura di evidenze empiriche su come la ricerca nel lavoro sociale si stia evolvendo verso una maggiore diversità metodologica e collaborativa.

5. Significato e Implicazioni

• Per la Disciplina: Lo studio rivela che il lavoro sociale sta vivendo una transizione verso un pluralismo metodologico, con una crescente legittimazione della ricerca qualitativa e mista, parallela a un aumento della scienza collaborativa (team science).
• Per la Pianificazione delle Conferenze: I dati evidenziano la necessità di gestire la crescita esponenziale della partecipazione, bilanciando l'accesso con la qualità dello scambio accademico, e sottolineano l'importanza di programmi di mentoring per studenti e ricercatori early-career.
• Sostenibilità e Accessibilità: Il successo dell'approccio basato su SLM locali dimostra che l'analisi computazionale avanzata può essere democratizzata, riducendo i costi e l'impatto ambientale, rendendo tali strumenti accessibili anche a dipartimenti con risorse limitate.
• Sfide Globali: L'analisi evidenzia la fragilità della partecipazione internazionale, suggerendo che fattori esterni (visti, costi di viaggio, tensioni geopolitiche) stanno iniziando a influenzare la natura transnazionale della conferenza.

In conclusione, questo lavoro non solo fornisce una "fotografia" dettagliata dell'evoluzione della ricerca nel lavoro sociale, ma stabilisce anche un nuovo standard metodologico per la curazione di dati accademici storici utilizzando l'intelligenza artificiale efficiente.