Investigating Vaccine Buyer's Remorse: Post-Vaccination Decision Regret in COVID-19 Social Media Using Politically Diverse Human Annotation

Questo studio presenta un nuovo dataset annotato da un panel politicamente diversificato per analizzare il "rimorso dell'acquirente" del vaccino COVID-19 sui social media, rivelando che tale sentimento, sebbene raro (<2%), è concentrato nelle comunità scettiche e motivato principalmente da eventi avversi alla salute riportati in prima persona.

L'essenziale

Immagina che YouTube sia una gigantesca piazza del mercato digitale, piena di milioni di persone che chiacchierano, urlano, raccontano storie e condividono opinioni. In questa piazza, c'è stato un enorme dibattito sui vaccini contro il COVID-19.

La maggior parte delle ricerche si è concentrata su chi non voleva farsi vaccinare prima. Ma questo studio si chiede: "E dopo? Cosa pensano quelli che si sono vaccinati e poi hanno cambiato idea?".

Gli autori chiamano questo fenomeno "Rimorso dell'acquirente" (o Vaccine Buyer's Remorse). È come quando compri un'auto costosa e, dopo una settimana, ti chiedi: "Ho fatto davvero la cosa giusta?".

Ecco i punti chiave dello studio, spiegati con delle metafore:

1. La Caccia all'Ago (Raccolta Dati)

Gli ricercatori hanno raccolto 80 milioni di commenti da YouTube. È come se avessero installato microfoni su milioni di persone in questa piazza digitale.

• Dove? Hanno ascoltato sia i canali di notizie tradizionali (come CNN o Fox News, che sono come i giornali seri della piazza) sia i canali di "influencer" (i cantastorie moderni, che hanno un pubblico molto fedele ma spesso più polarizzato).
• Il Filtro: Non potevano leggere tutto a mano (sarebbe stato come cercare un ago in un pagliaio, ma un pagliaio grande quanto un continente!). Hanno usato dei robot intelligenti (Intelligenza Artificiale) per filtrare i commenti e trovare solo quelli che parlavano davvero di vaccini e di eventuali rimpianti.

2. Il Tribunale dei Giudici (L'Etichettatura Umana)

I robot sono bravi, ma a volte si confondono. Per assicurarsi che i dati fossero corretti, gli autori hanno creato un "tribunale" umano.

• Hanno assunto 201 persone diverse per politica (Democratici, Repubblicani e Indipendenti).
• Perché? Perché il tema è molto politico. Se chiedessi a un solo gruppo di persone di giudicare se qualcuno si sta "pentendo", potrebbero essere di parte. Mettendo insieme persone con opinioni diverse, hanno creato una "verità media" più equilibrata, proprio come una giuria mista in un processo.

3. Le Scoperte Sorprendenti (Cosa hanno trovato?)

Una volta analizzati i dati, ecco cosa è emerso, con le sue analogie:

• Il Rimorso è raro, ma rumoroso:
  Solo l'1,1% dei commenti parlava di rimorso. È come dire che in una stanza piena di 100 persone, solo una sta dicendo "Mi pento". Tuttavia, questa singola persona urla così forte che sembra che ce ne siano cento.
• La Bolla degli Influencer:
  Il rimorso era tre volte più frequente sui canali degli influencer "scettici" rispetto a quelli delle notizie tradizionali. Immagina due stanze separate: in una (le notizie tradizionali) la gente parla di tutto un po', nell'altra (gli influencer scettici) c'è un eco-ambiente dove le storie negative vengono ripetute e amplificate, rendendo il rimorso molto più visibile.
• Chi racconta la storia?
  La maggior parte delle storie di rimorso (il 68%) erano in prima persona ("Io mi sono pentito"). Le persone raccontavano la propria esperienza diretta, spesso citando problemi di salute.
• Perché si pentono?
  Le ragioni principali erano:
  1. Effetti collaterali: "Mi sono sentito male dopo il vaccino" (l'evento avverso).
  2. Mancanza di efficacia: "Mi sono vaccinato ma ho preso comunque il COVID" (il vaccino non ha funzionato come promesso).
  3. Coercizione: "L'ho fatto perché mi hanno obbligato al lavoro/scuola" (la perdita di libertà).

4. I Robot e gli Umani (L'Intelligenza Artificiale)

Lo studio ha anche testato diversi modelli di Intelligenza Artificiale (LLM) per vedere chi era il migliore nel capire queste sfumature.

• Hanno scoperto che i robot più grandi e potenti (come Llama 3.1) erano molto bravi a capire se qualcuno si stava pentendo, quasi quanto gli umani.
• Tuttavia, i robot a volte si confondevano con l'ironia o con le storie di "terze persone" (es. "Mio cugino si è pentito").

5. Il Messaggio Finale

Lo studio ci dice che il "rimorso" è una parte reale del discorso pubblico, ma non è la norma. È una minoranza che, però, vive in spazi online dove le sue voci vengono amplificate.

Perché è importante?
Per i responsabili della sanità pubblica, è come avere una mappa delle "zone di pericolo" emotivo. Sapere che le persone si pentono soprattutto per problemi di salute o per sentirsi costrette permette di comunicare meglio in futuro: invece di dire solo "il vaccino è sicuro", bisogna ascoltare e rispondere alle preoccupazioni specifiche su come ci si sente dopo e su perché ci si è sentiti obbligati.

In sintesi:
Questo studio è come un termometro digitale che misura il "dolore" post-vaccino. Ci dice che la febbre c'è, ma è concentrata in certi quartieri della città digitale, e che per curarla bisogna ascoltare le storie vere delle persone, non solo le statistiche fredde.

Sommario tecnico

Titolo dello Studio

Indagine sul "Rimorso dell'Acquirente" del Vaccino: Il Rimorso Decisionale Post-Vaccinazione nei Social Media durante il COVID-19 tramite Annotazione Umana Politicamente Diversificata.

---

1. Il Problema e il Contesto

Nonostante l'ampia letteratura sulle cause dell'esitazione vaccinale pre-vaccinazione, esiste un significativo vuoto di conoscenza riguardo ai sentimenti post-vaccinazione, in particolare il fenomeno del "rimorso dell'acquirente" (vaccine buyer's remorse).

• Contesto: La campagna vaccinale globale è avvenuta in un ambiente polarizzato e caratterizzato da un'infodemia (eccesso di informazioni, accurate e fuorvianti).
• Sfida: I sistemi tradizionali di sorveglianza (come VAERS) si basano su segnalazioni passive e volontarie. I social media (in particolare YouTube) offrono un analogo informale vasto e non sollecitato, ma l'analisi di questi dati presenta sfide metodologiche: distinguere tra esperienze di prima persona e racconti vicari (di terzi), interpretare emozioni complesse come il rimorso e mitigare i bias dei modelli di intelligenza artificiale su temi politicizzati.

2. Metodologia

Lo studio propone un approccio ibrido che combina annotazione umana diversificata e modelli di Linguaggio (LLM) su larga scala.

A. Raccolta e Costruzione del Dataset

• Corpus: Raccolta di 80.3 milioni di commenti da 65.886 video di YouTube provenienti da tre principali network di notizie USA (Fox News, CNN, MSNBC) e da 981 canali di influencer (divisi tra "pro-vaccino" e "scettici").
• Filtraggio: Utilizzo di filtri basati su parole chiave e LLM per isolare i commenti rilevanti per la vaccinazione, riducendo il corpus a 1,37 milioni di commenti.
• Dataset di Benchmark ($D_{bench}$): Creazione di un set di riferimento di 2.000 commenti annotati manualmente.
  • Annotatori: 201 annotatori unici con affiliazioni politiche diversificate (Democrati, Repubblicani, Indipendenti) per mitigare i bias soggettivi.
  • Schema di Annotazione:
    1. Regret (Rimorso): Positivo (Esplicito o Implicito) vs. Negativo.
    2. Prospettiva Narrativa: Prima persona (self), Terza persona/Vicaria (other), Non specificata.

B. Pipeline di Inferenza Ibrida a Due Stadi

Per analizzare 600.000 commenti ("in-the-wild"), è stata sviluppata una pipeline computazionale:

1. Fase 1 - Filtro di Rilevanza (NLI): Utilizzo di un modello Natural Language Inference (ModernBERT-large-nli) per filtrare i commenti non pertinenti, riducendo il carico computazionale.
2. Fase 2 - Reasoner Esperto (LLM Fine-tuned): I commenti rilevanti vengono classificati da un LLM fine-tuned (Llama-3.1:70b) per estrarre:
   • Soggetto (Self/Other/Unspecified).
   • Stato vaccinale (Vaccinato/Non vaccinato).
   • Presenza di rimorso.
   • Successivamente, per i commenti con rimorso, viene estratta la causa principale (Evento avverso, Coercizione percepita, Mancanza di efficacia, Cambiamento di convinzioni).

C. Validazione e Modelli

• Sono stati testati 8 diversi LLM (Open e Closed source) in modalità zero-shot e few-shot.
• Il modello Llama-3.1:70b è stato selezionato per il fine-tuning (con LoRA) e l'inferenza finale grazie alle migliori prestazioni in termini di accuratezza e velocità di inferenza.
• La validazione umana ha mostrato un accordo moderato (Kappa di Fleiss ~0.45-0.50), con differenze significative basate sull'affiliazione politica solo nel compito di classificazione del "Soggetto", non nel "Rimorso".

3. Risultati Chiave

A. Prevalenza del Rimorso

• Il rimorso vaccinale è presente in meno dell'1,1% dei commenti rilevanti.
• Tuttavia, la distribuzione è altamente disomogenea:
  • Canali di Notizie Mainstream: 0,7% di commenti con rimorso.
  • Canali Influencer: 1,9% (più del doppio).
  • Influencer Scettici: 2,9% (quasi il triplo rispetto ai canali pro-vaccino, che sono al 1,0%).
• Conclusione: Sebbene il rimorso sia una narrazione potente, è statisticamente raro nel discorso generale, ma è sproporzionatamente concentrato nelle comunità scettiche.

B. Prospettive Narrative

• Il 67,9% dei commenti che esprimono rimorso sono in prima persona (esperienze personali).
• I racconti vicari (di terzi) sono meno frequenti ma spesso citano familiari (29,6%) o non specificati (28,5%).

C. Cause del Rimorso

L'analisi delle cause rivela differenze significative tra fonti:

1. Evento Avverso alla Salute (Adverse Health Event): È la causa principale complessiva (55%), ma domina nei canali influencer (64,2%).
2. Mancanza di Efficacia: È una ragione secondaria prominente nei canali di notizie (26,9%), meno negli influencer.
3. Coercizione Percepita: Significativamente più citata nelle narrazioni di prima persona (11,6%) rispetto a quelle vicarie (4,9%), indicando che la perdita di autonomia è un fattore emotivo personale forte.

D. Analisi Temporale

Il rimorso mostra picchi correlati alle fasi delle politiche vaccinali (es. picco durante le mandate federali per i dipendenti), con una traiettoria in crescita costante negli influencer scettici fino al 2024, mentre rimane stabile e bassa nelle notizie mainstream.

4. Contributi Principali

1. Nuovo Dataset: Creazione del primo dataset di riferimento per il "rimorso vaccinale" annotato da un panel politicamente diversificato, fondamentale per temi polarizzati.
2. Pipeline Computazionale: Sviluppo di un framework ibrido scalabile che combina filtri NLI e LLM fine-tuned per analizzare milioni di commenti con alta precisione.
3. Distinzione Narrativa: Capacità di distinguere sistematicamente tra esperienze dirette (self) e racconti vicari (other), offrendo nuove intuizioni sulla dinamica sociale del rimorso.
4. Quantificazione: Fornisce una base quantitativa (prevalenza <2%) a un fenomeno spesso percepito come più diffuso a causa dell'amplificazione algoritmica delle aneddotiche negative.

5. Significato e Implicazioni

• Per la Sanità Pubblica: Lo studio offre un metodo scalabile per monitorare i sentimenti pubblici e identificare i driver del rimorso (eventi avversi, coercizione, efficacia). Comprendere che le narrazioni di coercizione sono personali mentre quelle di efficacia sono più discorsive aiuta a raffinare la comunicazione sanitaria.
• Gestione dell'Infodemia: I risultati evidenziano il ruolo cruciale degli influencer scettici nel normalizzare e amplificare il rimorso, suggerendo la necessità di strategie di comunicazione mirate per diverse ecosistemi online.
• Limiti: I dati sono limitati a YouTube e alla lingua inglese; il bias di auto-selezione dei commenti (simile a VAERS) impedisce di calcolare tassi di incidenza reali nella popolazione generale, ma offre una visione preziosa del discorso pubblico.

In sintesi, il paper dimostra che il "rimorso dell'acquirente" è un fenomeno reale ma minoritario nel discorso pubblico, concentrato in nicchie specifiche e guidato da narrazioni di eventi avversi e coercizione, richiedendo approcci di comunicazione differenziati per mantenere la fiducia istituzionale.