Computational conceptual history of scientific concepts: From early digital methods to LLMs

Sintesi Tecnica: Storia Concettuale Computazionale dei Concetti Scientifici

Problema
Il documento affronta l'integrazione metodologica dei Large Language Models (LLM) nella storia concettuale computazionale dei concetti scientifici all'interno della Storia, Filosofia e Sociologia della Scienza (HPSS). Mentre la HPSS tratta tradizionalmente i concetti come stratificati storicamente, situati socialmente ed epistemicamente significativi piuttosto che come unità semantiche fisse, le recenti svolte digitali hanno cercato di quantificare queste dinamiche. Il problema centrale è determinare cosa gli LLM aggiungano ai metodi computazionali esistenti (come l'analisi delle co-citazioni, il topic modeling e i word embedding statici) e come essi ereditino o rimodellino le consuete sfide metodologiche. Nello specifico, gli autori indagano come gli LLM influenzino quattro pilastri critici del campo: la costruzione del corpus, l'operazionalizzazione del concetto, la selezione del modello e dei dati di addestramento, e le connesse sfide di valutazione e interpretazione.

Metodologia
Il documento impiega un framework analitico in due parti per situare gli LLM all'interno della storia del campo:

1. Ricostruzione Storica (Era Pre-LLM): Gli autori ricostruiscono la traiettoria della storia concettuale computazionale sintetizzando tre filoni di lavori precedenti:

   • Metodi Digitali Precedenti della HPSS: Includendo l'analisi delle co-citazioni (Small, 1973) e l'analisi delle co-parole (Callon et al., 1983), che mappano le strutture concettuali attraverso citazioni e co-occorrenza di parole chiave.
   • Digital Begriffsgeschichte: Approcci che utilizzano la semantica distributiva (es. Word2Vec, GloVe) per tracciare i vicinati semantici e la polisemia, evidenziando spesso la tensione tra proxy lessicali e concetti storici.
   • Rilevamento del Cambiamento Semantico Lessicale (LSCD): Tecniche di linguistica computazionale che utilizzano embedding statici per misurare gli spostamenti vettoriali attraverso fette temporali, concentrandosi sul benchmarking tecnico e sulla valutazione dei modelli.

2. Analisi dell'Era degli LLM: Gli autori analizzano il panorama attuale distinguendo tra due architetture dominanti di LLM:

   • Modelli basati su Encoder (es. BERT): Utilizzati principalmente per workflow orientati alla misurazione. Questi generano Contextualized Word Embeddings (CWE) che rappresentano le occorrenze dei singoli token in base al contesto bidirezionale, permettendo la gestione della polisemia attraverso il clustering e l'analisi specifica per senso.
   • Modelli basati su Decoder/Generativi (es. Llama, GPT): Utilizzati per la produzione di testo, l'estrazione basata su prompt e workflow ibridi. Questi assistono nella generazione di dati sintetici per domini storici sparsi, nel raffinamento degli schemi di codifica o nel fornire sintesi interpretative tramite Retrieval-Augmented Generation (RAG).

La metodologia prevede la revisione di recenti casi di studio HPSS (es. Malaterre & Lareau, 2026; Ahmadi, 2026; Zichert et al., 2025) che applicano questi modelli ai concetti scientifici, valutando come operazionalizzano i concetti e gestiscono questioni quali l'adattamento al dominio e il bias temporale.

Contributi Chiave

• Tassonomia Metodologica: Il documento fornisce un confronto strutturato tra gli approcci dell'era pre-LLM e dell'era LLM, chiarendo il passaggio da rappresentazioni statiche a singolo vettore a embedding dinamici e sensibili al contesto.
• Operazionalizzazione della Polisemia: Evidenzia come gli LLM basati su encoder permettano una modellazione più diretta della polisemia trattando le occorrenze delle parole come vettori unici, consentendo ai ricercatori di tracciare gli spostamenti nei sensi dominanti e nelle distribuzioni dei sensi, invece di collassare molteplici significati in un singolo vettore medio.
• Workflow Ibridi: Gli autori identificano l'emergere di metodologie ibride in cui i modelli generativi sono utilizzati non come analizzatori autonomi, ma come strumenti per generare dati di addestramento sintetici, raffinare i lessici o assistere nell'interpretazione dei risultati derivanti da encoder.
• Valutazione Critica dei Limiti: Il documento dettaglia come gli LLM ereditino e amplifichino sfide specifiche, tra cui il "gap parola-concetto" (dove i proxy linguistici non possono catturare pienamente i concetti scientifici materiali-semiotici), l'opacità dei modelli "black box" e i rischi di proiettare significati contemporanei su testi storici (bias temporale).

Risultati e Conclusioni

• Stato Attuale dei Casi di Studio HPSS: Le recenti applicazioni nella HPSS si affidano prevalentemente a modelli basati su encoder (CWE) per misurare il cambiamento semantico. Gli esempi includono l'analisi dei marcatori epistemici nella biomedicina, il confronto della uniformità semantica tra sociologia e astrofisica e il tracciamento della storia delle "particelle virtuali". I modelli basati su decoder giocano un ruolo secondario e di supporto, principalmente nella generazione di dati ed estrazione basata su prompt.
• Sfide del Corpus e dei Dati: Sebbene gli LLM siano più robusti rispetto al testo grezzo e riducano la necessità di un pesante pre-processing, essi introducono nuove dipendenze da dataset di pre-training che possono contenere bias storici. Gli autori notano che l'adattamento al dominio (ulteriore addestramento su specifici corpora scientifici) è ora un passaggio standard e necessario per catturare le terminologie disciplinari.
• Difficoltà di Valutazione: Il documento rileva che una valutazione robusta rimane un ostacolo significativo. A causa della mancanza di una "verità di base" (ground truth) nell'analisi concettuale storica e dell'opacità degli LLM, la triangolazione con altri metodi quantitativi (frequenza, co-occorrenza, parsing delle dipendenze) e la validazione qualitativa rimangono la strategia predefinita.
• Rischi Interpretativi: Sebbene gli LLM possano supportare la scoperta euristica e il testing su larga scala di affermazioni qualitative, esiste il rischio che i loro output possano spostare sottilmente il controllo interpretativo lontano dallo studioso, specialmente quando si utilizzano modelli generativi commerciali con aggiornamenti non trasparenti.

Significatività e Rivendicazioni
Il documento sostiene che gli LLM non sostituiscono i precedenti approcci digitali, ma li riconfigurano ed estendono. La significatività di questo lavoro risiede nell'argomentazione secondo cui gli LLM offrono rappresentazioni più ricche e sensibili al contesto che si allineano meglio con la comprensione della HPSS dei concetti come fluidi e situati. Tuttavia, gli autori mantengono una posizione modesta, affermando che gli LLM non sono soluzioni autosufficienti, bensì funzionano come una componente di un toolkit multi-metodo.

Il documento enfatizza che l'analisi concettuale storicamente responsabile dipende ancora da:

1. Triangolazione: Combinare gli LLM con tecniche quantitative consolidate e validazione qualitativa.
2. Trasparenza: La necessità di infrastrutture aperte, modelli specifici per il dominio e documentazione chiara per garantire la riproducibilità.
3. Direzioni Future: Gli autori indicano il potenziale degli LLM multimodali per affrontare la natura "materiale-semiotica" dei concetti scientifici (integrando testo con diagrammi e formule), pur notando che ciò richiede nuovi corpora e tecniche di allineamento che sono attualmente in fase di sviluppo iniziale.

In definitiva, il documento posiziona gli LLM come strumenti potenti che espandono la scala e la sfumatura della storia concettuale, ma insiste sul fatto che le responsabilità metodologiche centrali di costruzione del corpus, operazionalizzazione e interpretazione rimangano in capo al ricercatore.