💬 NLP

Directed Social Regard: Surfacing Targeted Advocacy, Opposition, Aid, Harms, and Victimization in Online Media

Questo articolo introduce la Considerazione Sociale Diretta (DSR), un nuovo quadro di analisi del sentiment multidimensionale che utilizza modelli basati su transformer per identificare simultaneamente gli obiettivi del sentiment e classificarli lungo tre assi di considerazione sociale, catturando così la coesistenza di sentimenti pro-sociali e anti-sociali nei media online che gli strumenti tradizionali non riescono a rilevare.

Autori originali: Scott Friedman, Ruta Wheelock, Sonja Schmer-Galunder, Drisana Iverson, Jake Vasilakes, Joan Zheng, Jeffrey Rye, Vasanth Sarathy, Christopher Miller

Pubblicato 2026-05-04

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Scott Friedman, Ruta Wheelock, Sonja Schmer-Galunder, Drisana Iverson, Jake Vasilakes, Joan Zheng, Jeffrey Rye, Vasanth Sarathy, Christopher Miller

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 in una piazza cittadina affollata e rumorosa. In questa piazza, le persone si urlano messaggi l'una contro l'altra. A volte, una singola persona grida una frase che è un misto di amore, odio, rabbia e pietà, tutto allo stesso tempo.

Ad esempio, qualcuno potrebbe urlare: "Come possono fare questo ai bambini??"

I vecchi strumenti per l'analisi del linguaggio (come gli analizzatori di sentiment di base) sono come un semplice termometro. Osservano l'intera frase e dicono: "Questo è Negativo". Punto. Perdonano le sfumature. Non ti dicono chi viene odiato, chi viene compatito o quale azione viene condannata.

Questo articolo presenta un nuovo strumento, molto più intelligente, chiamato Considerazione Sociale Diretta (Directed Social Regard - DSR). Pensa al DSR non come a un termometro, ma come a un faretto high-tech con tre diverse lenti colorate.

Le Tre Lenti del Faretto

Invece di dire semplicemente "Buono" o "Cattivo", il faretto DSR si illumina su parole specifiche (o "frasi") all'interno di una frase e pone tre domande specifiche per ciascuna di esse:

La Lente "Opposizione vs. Sostegno": Il parlante sta cercando di fermare questa persona/cosa, o li sta sostenendo?
- Nel nostro esempio: Il parlante sta Opponendosi a "loro" e Sostenendo i "bambini".
La Lente "Dannoso vs. Utile": Il parlante pensa che questa persona/cosa stia causando danni o fornendo aiuto?
- Nel nostro esempio: "Loro" e l'azione "fare questo" sono visti come Dannosi.
La Lente "Vittimizzato vs. Aiutato": Il parlante vede questa persona/cosa come una vittima che ha bisogno di essere salvata, o come qualcuno che sta ricevendo aiuto?
- Nel nostro esempio: I "bambini" sono visti come Vittimizzati.

Come Funziona lo Strumento (Il "Cervello" e le "Mani")

I ricercatori hanno costruito un sistema di apprendimento automatico in due parti per fare questo:

Le "Mani" (Riconoscimento delle Frasi): Prima, il sistema legge il testo e agisce come un evidenziatore. Trova le parti importanti. Evidenzia "loro" come un personaggio, "bambini" come un personaggio e "fare questo" come un argomento. Sa distinguere tra una persona e un evento.
Il "Cervello" (Punteggio della Considerazione): Una volta evidenziate le parti, il "Cervello" assegna un punteggio a ciascuna di esse su una scala da -1 (fortemente negativo) a +1 (fortemente positivo) per ciascuna delle tre lenti menzionate sopra.

Perché Questo È Importante (Il "Perché")

L'articolo spiega che non si tratta solo di matematica sofisticata; è basato sulla psicologia umana reale.

Disimpegno Morale: A volte, le persone giustificano il fatto di ferire gli altri dicendo: "Se lo meritavano". Lo strumento DSR può cogliere questo complesso mix: vede che il parlante considera un gruppo sia come "Opposto" (li odiamo) sia come "Dannoso" (sono cattivi), il che è un modo in cui gli umani giustificano comportamenti negativi.
Dinamiche di Gruppo: Ci aiuta a vedere come i gruppi parlano di "Noi" contro "Loro". Ad esempio, in un dataset che hanno studiato (un gruppo chiamato "Manosfera"), lo strumento ha rilevato che i parlanti spesso si vedevano come vittime ("Io/Noi") mentre vedevano le donne come quelle "Dannose". In un altro dataset (sull'movimento #MeToo), lo strumento ha ribaltato questo copione, mostrando le donne come "Vittimizzate" e gli uomini come "Dannosi".

La Prova (Ha funzionato?)

I ricercatori hanno testato il loro strumento in due modi:

La Prova di Guida: Hanno inserito migliaia di post sui social media che erano stati etichettati manualmente da esseri umani. L'"evidenziazione" dello strumento era accurata circa il 90-96%, e la sua "valutazione" corrispondeva molto da vicino alle opinioni umane.
Il Controllo di Realtà: Hanno preso lo strumento e l'hanno eseguito su dataset esistenti di altri ricercatori (come dataset su discorsi d'odio, movimenti politici e dibattiti online).
- Risultato: I punteggi dello strumento corrispondevano perfettamente a quanto avevano già scoperto gli esperti umani. Ad esempio, quando un dataset era etichettato come "Indignazione Morale", lo strumento DSR ha mostrato correttamente alti punteggi di "Opposizione" verso i bersagli di tale indignazione.

La Conclusione

Questo articolo presenta un nuovo modo di ascoltare le conversazioni online. Invece di sentire semplicemente "Questo è un tweet cattivo", lo strumento DSR ci permette di sentire: "Questo tweet sta attaccando il Gruppo A per aver ferito il Gruppo B, esprimendo al contempo profonda simpatia per il Gruppo B."

È uno strumento che ci aiuta a comprendere i sentimenti complessi, stratificati e spesso contraddittori che le persone esprimono quando digitano sui loro telefoni. I ricercatori hanno costruito il motore, lo hanno addestrato su un enorme dataset di oltre 1.800 post e hanno dimostrato che funziona meglio dei vecchi metodi più semplici nel rilevare chi viene incolpato, chi viene salvato e chi viene sostenuto.

1. Enunciato del Problema

Gli attuali strumenti di elaborazione del linguaggio naturale (NLP) per l'analisi del sentiment classificano tipicamente un intero testo come positivo, negativo o neutro, oppure assegnano un singolo punteggio di intensità. Questi approcci non riescono a gestire due complessità critiche nei media online:

Sentimenti Coesistenti: Un singolo messaggio spesso contiene sentimenti misti (ad esempio, sostenere una vittima mentre si oppone a un aggressore) che vengono persi quando vengono aggregati in un unico punteggio.
Ambiguità del Target: Gli strumenti standard non riescono a identificare chi o cosa è il destinatario del sentimento (il target), né possono distinguere tra diversi tipi di relazioni sociali (ad esempio, il target sta ricevendo aiuto, subendo danni, subendo opposizione o venendo vittimizzato?).

Esistenti framework come l'Analisi del Sentiment Mirato (TSA), l'Analisi del Sentiment Basata sugli Aspetti (ABSA) e il Rilevamento della Posizione (Stance Detection) spesso richiedono target predefiniti, si basano su etichette categoriali o mancano di una valutazione multidimensionale. È necessario un framework in grado di estrarre automaticamente i target e classificarli lungo dimensioni continue e teoricamente fondate di considerazione sociale.

2. Metodologia: Il Framework della Considerazione Sociale Diretta (DSR)

Gli autori propongono la Considerazione Sociale Diretta (DSR), un approccio di analisi del sentiment multidimensionale e multivalente fondato su teorie delle scienze sociali (in particolare la Disimpegno Morale e l'Inquadramento Morale).

A. Dimensioni Teoriche

Il DSR definisce il sentimento non come una singola polarità, ma come tre assi indipendenti e bipolari (che variano da -1 a +1):

Opposto–Sostenuto: Se l'autore desidera ostacolare o difendere un target.
Dannoso–Utile: Se l'autore considera il target una fonte di danno o di aiuto per gli altri.
Vittimizzato–Aiutato: Se l'autore vede il target come danneggiato o aiutato da altri.

Queste dimensioni permettono rappresentazioni sfumate, come un target che è simultaneamente "Opposto" e "Dannoso" (giustificando l'aggressione) o "Sostenuto" e "Vittimizzato" (esprimendo empatia).

B. Costruzione del Dataset

Fonti Dati: Gli autori hanno raccolto 1.838 testi da otto diverse fonti di Informazioni Pubblicamente Accessibili (PAI), inclusi Reddit, commenti del New York Times, Gab e corpus specifici su discorsi d'odio, la "Manosfera" ed eventi politici (ad esempio, #MeToo, elezioni francesi).
Annotazione: Annotatori umani hanno identificato span (sequenze di parole contigue che rappresentano personaggi o argomenti) e li hanno valutati sulle tre assi DSR utilizzando un'interfaccia a cursore (-1,0 a 1,0).
Scala: Il dataset finale contiene 13.893 span con 26.779 punteggi di intensità medi. L'accordo tra annotatori (α di Krippendorff) è stato elevato (0,71–0,91).

C. Architettura del Modello

Il sistema DSR impiega una pipeline basata su transformer in due fasi:

Riconoscimento dello Span (Classificazione dei Token):
- Utilizza un Transformer fine-tuned (ad esempio DeBERTa-v3) per identificare e classificare gli span come Personaggi (persone/gruppi) o Argomenti (eventi/concetti).
- Output: Un elenco di span rilevati con i loro tipi.
Valutazione della Considerazione (Intensità a Livello di Span):
- Prende gli span identificati e il contesto completo del testo.
- Utilizza un encoder Transformer (DeBERTa-v3) per generare embedding contestuali.
- Applica un Context Pooler per normalizzare i vettori degli span.
- Passa i vettori attraverso livelli lineari per prevedere tre punteggi di regressione continui (-1 a 1) per ogni span: Opposto–Sostenuto, Dannoso–Utile e Vittimizzato–Aiutato.
- Nota: Il modello è addestrato utilizzando la funzione di perdita Errore Quadratico Medio (MSE).

3. Contributi Chiave

Framework Innovativo: Introduzione del DSR, che va oltre il sentiment categorico verso una considerazione sociale continua, multidimensionale e specifica per il target.
Nuovo Dataset: Creazione di un dataset annotato su larga scala e di alta qualità per l'addestramento e la valutazione del sentiment sociale multidimensionale a livello di span.
Integrazione Teorica: Operazionalizzazione riuscita di teorie delle scienze sociali (Disimpegno Morale di Bandura, Cortesia di Brown & Levinson) in compiti NLP.
Scoperta del Target Zero-Shot: A differenza del Rilevamento della Posizione, il DSR non richiede target pre-specificati; scopre automaticamente gli span salienti nel testo.

4. Risultati Sperimentali

A. Prestazioni nel Riconoscimento degli Span

Il modello con le prestazioni migliori (DeBERTa-v3-large-mnli) ha raggiunto un punteggio F1 di 0,96 per gli span di personaggi e 0,74 per gli span di argomenti secondo criteri di corrispondenza rigorosi.
Le metriche a livello di token sono state più elevate (F1 ~0,92), indicando che il modello identifica efficacemente i confini dei target del sentimento.

B. Prestazioni nella Valutazione della Considerazione

Il modello di valutazione ha dimostrato una forte correlazione con le annotazioni umane.
Opposto–Sostenuto: $R^2 = 0,85$ , RMSE = 0,20.
Vittimizzato–Aiutato: $R^2 = 0,67$ , RMSE = 0,10.
Dannoso–Utile: $R^2 = 0,57$ , RMSE = 0,12.
Confronto: I modelli DeBERTa specializzati hanno superato significativamente i grandi modelli linguistici (LLM) come Llama 3.2 (fine-tuned tramite LoRA) e GPT-4o (few-shot), suggerendo che i modelli di regressione costruiti a scopo specifico sono più efficaci per questo compito specifico di previsione numerica rispetto agli LLM generativi.

C. Studi di Applicazione (Validazione su Dataset Esterni)

Gli autori hanno applicato il modello DSR addestrato a sei dataset esterni per validarne l'utilità:

Bridging Benchmark: I punteggi DSR hanno correlato fortemente con le etichette a livello di documento. Un alto "Indignazione Morale" ha correlato con un'alta opposizione verso target di 2ª/3ª persona, mentre il "Rispetto" ha correlato con il sostegno.
Moral Foundations Twitter Corpus (MFTC): Gli attributi DSR si sono allineati con la teoria delle Fondazioni Morali. Le "Virtù" (ad esempio, Cura) hanno correlato con punteggi "Utile/Aiutato", mentre i "Vizi" (ad esempio, Danno) hanno correlato con punteggi "Dannoso/Opposto".
Confronto tra Corpus:
- Manosfera vs. Discorsi d'Odio: Il corpus della Manosfera ha mostrato un alto "Sostegno per Te" e "Vittima|Io/Noi" (auto-vittimizzazione), mentre il corpus dei Discorsi d'Odio ha mostrato un alto "Sostegno al Danno".
- MeToo: Ha mostrato un alto "Vittima|Femmina" e "Dannoso|Maschio", allineandosi ai temi del movimento.
- ALM vs. Baltimore: Ha distinto opinioni opposte sull'applicazione della legge; "All Lives Matter" ha mostrato sostegno per la polizia, mentre le proteste di "Baltimore" hanno mostrato opposizione.
Analisi a Coppie: Il modello ha estratto con successo micro-narrazioni (ad esempio, "Loro danneggiano Noi") visualizzando coppie di danno/aiuto co-occorrenti, rivelando pattern strutturali nel discorso comunitario.

5. Significato e Implicazioni

Granularità: Il DSR offre una visione granulare del discorso online, rivelando come sentimenti pro-sociali e anti-sociali coesistano all'interno di singoli messaggi diretti a target diversi.
Utilità per le Scienze Sociali: Offre uno strumento quantitativo per i ricercatori per studiare il disimpegno morale, la formazione dell'identità di gruppo e i meccanismi della radicalizzazione online senza fare affidamento su parole chiave predefinite.
Sicurezza delle Piattaforme: Il framework può aiutare le piattaforme a identificare contenuti dannosi complessi (ad esempio, sostenere danni contro un gruppo specifico) che potrebbero essere sfuggiti a semplici filtri del sentiment negativo.
Direzioni Future: Gli autori suggeriscono di utilizzare il DSR per il monitoraggio in tempo reale delle operazioni di influenza, per comprendere i cambiamenti culturali nell'inquadramento morale e per migliorare l'esplicabilità della moderazione dei contenuti guidata dall'IA.

In conclusione, il paper presenta un framework NLP robusto e teoricamente fondato che avanza significativamente lo stato dell'arte nell'analisi del sentiment, catturando la direzione, l'intensità e la multidimensionalità della considerazione sociale nei media online.