💬 NLP

Coping in Crisis: Computational Modeling of Coping Styles in Digital Crisis Discourse During the 2023 Turkiye Earthquake

Questo studio utilizza un classificatore multi-label BERTurk su oltre un milione di tweet turchi per dimostrare che la teoria del coping di Lazarus e Folkman può essere operazionalizzata in modo affidabile nei dati digitali di crisi in tempo reale, rivelando traiettorie temporali distinte di stili di coping focalizzati sul problema, focalizzati sulle emozioni e sulla creazione di significato durante il terremoto in Turchia del 2023.

Autori originali: Şevval Çakıcı

Pubblicato 2026-06-15

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Şevval Çakıcı

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 che una tempesta massiccia e caotica colpisca una città. Un tempo, se i ricercatori volevano sapere come le persone stessero affrontando il disastro, dovevano aspettare settimane o mesi. Si sedevano con i sopravvissuti in una stanza silenziosa e chiedevano: "Come ti sei sentito? Come hai affrontato la situazione?". Ma la memoria è ingannevole; nel momento in cui le persone rispondono, hanno già riscritto le proprie storie nella loro testa.

Questo articolo riguarda un tipo diverso di ricerca. Invece di aspettare, i ricercatori hanno osservato ciò che le persone scrivevano mentre la tempesta era ancora in corso. Hanno analizzato oltre un milione di tweet pubblicati immediatamente dopo il terremoto del febbraio 2023 in Turchia. Pensate a questi tweet non come a finestre perfette nelle anime delle persone, ma come a un gigantesco "monitor del battito cardiaco" in tempo reale per una società in stato di shock.

Ecco la suddivisione di ciò che hanno scoperto, utilizzando analogie semplici:

1. I tre modi in cui le persone "gestivano la situazione" (La cassetta degli attrezzi)

I ricercatori hanno utilizzato una teoria chiamata "Teoria del Coping" per classificare i tweet in tre categorie principali. Immaginate che le persone abbiano una cassetta degli attrezzi mentale e che ne estraggano strumenti diversi a seconda della fase della crisi:

L'attrezzo del "Risolvere" (Orientato al problema): Questo serve quando devi risolvere un puzzle. Nei tweet, questo si traduceva nel condividere coordinate di soccorso, chiedere "Dov'è l'ospedale più vicino?", o coordinare gli aiuti.
L'attrezzo del "Sentire" (Orientato all'emozione): Questo serve quando il puzzle non può essere risolto subito, quindi devi gestire i tuoi sentimenti. Questi tweet erano pieni di dolore, preghiere, "Mi manchi" o espressioni di paura e tristezza.
L'attrezzo del "Perché" (Ricerca di significato): Questo serve quando si cerca di dare un senso al caos. Questi tweet chiedevano: "Perché è successo?" o "Di chi è la colpa?". Cercavano una storia o una lezione morale per spiegare la tragedia.

2. Il traduttore informatico (Il bibliotecario robotico)

Per leggere un milione di tweet, i ricercatori non potevano farlo a mano. Hanno costruito un programma per computer speciale (un modello "BERTurk") addestrato per agire come un bibliotecario super veloce.

Hanno istruito questo bibliotecario mostrandogli 500 esempi di tweet e dicendogli quale "attrezzo" (Risolvere, Sentire o Perché) utilizzasse ciascuno di essi.
Una volta addestrato, il bibliotecario poteva leggere il milione di tweet rimanenti in pochi secondi.
Il Risultato: Il bibliotecario addestrato sulla lingua turca era molto più bravo a comprendere la lingua locale e lo slang rispetto a un robot generico e "standardizzato". Ha svolto il lavoro con un'alta precisiono.

3. La storia del mese (La linea temporale)

Osservando come venivano utilizzati gli "attrezzi" nell'arco di 30 giorni, hanno visto un modello molto chiaro e prevedibile, come il cambiamento delle stagioni dopo un disastro:

Giorni 1–3 (L'urgenza): L'attrezzo del "Risolvere" era il più utilizzato. Le persone erano frenetiche, condividevano posizioni e chiedevano aiuto. Era pura modalità sopravvivenza.
Giorni 4–7 (Il cambiamento): Man mano che l'urgenza immediata dei soccorsi diminuiva, i tweet del "Risolvere" calavano drasticamente. I tweet del "Sentire" iniziavano a salire. Le persone cominciavano a elaborare il dolore.
Settimane 2–4 (Il plateau e la ricerca): I tweet del "Sentire" si stabilizzavano (le persone erano ancora tristi e in lutto). Ma l'attrezzo del "Perché" iniziava a salire costantemente. Le persone cominciavano a porre domande difficili su perché gli edifici fossero caduti e su chi fosse responsabile.

4. La connessione con la rabbia

Uno dei risultati più interessanti riguardava la rabbia.
I ricercatori hanno scoperto che quando le persone erano arrabbiate, raramente usavano l'attrezzo del "Risolvere". Al contrario, la rabbia era fortemente legata all'attrezzo del "Perché".

L'analogia: Pensate alla rabbia non come a un carburante per l'azione pratica (come scavare tra le macerie), ma come a un riflettore. Quando le persone erano arrabbiate, usavano quell'energia per puntare un faro sulla colpa e sulla responsabilità. Non stavano solo chiedendo "Come possiamo aiutare?", ma stavevano chiedendo "Chi ha infranto le regole che hanno permesso tutto questo?".

5. Perché questo è importante (La lezione pratica)

L'articolo suggerisce che se possiamo leggere questo "battito cardiaco" in tempo reale, possiamo aiutare meglio le persone.

Se una popolazione sta usando principalmente l'attrezzo del "Risolvere", ha bisogno di informazioni, mappe e coordinamento.
Se sta usando principalmente l'attrezzo del "Sentire", ha bisogno di spazio per il lutto, riconoscimento del proprio dolore e supporto emotivo.
Se si sta spostando verso l'attrezzo del "Perché", sta cercando trasparenza e risposte sulla responsabilità.

In sintesi:
Questo studio dimostra che possiamo usare i computer per comprendere come una società elabora il trauma in tempo reale. Dimostra che anche in un ambiente caotico e polarizzato, le risposte umane ai disastri seguono un ritmo prevedibile. Comprendendo quale "attrezzo" una comunità sta usando in qualsiasi momento, gli operatori umanitari e i leader possono smettere di tirare a indovinare e iniziare a rispondere esattamente a ciò di cui le persone hanno realmente bisogno in quel momento.

Sintesi Tecnica: Coping in Crisi: Modellazione Computazionale degli Stili di Coping nel Discorso Digitale durante il Terremoto in Turchia del 2023

Problema
La ricerca tradizionale sul coping psicologico durante i disastri si basa su auto-report retrospettivi (ad esempio, sondaggi, interviste) somministrati settimane dopo un evento. Questo approccio soffre di bias di ricostruzione della memoria e non riesce a catturare le dinamiche psicologiche in tempo reale sotto stress effettivo. Sebbene i social media offrano un registro massiccio e temporizzato delle risposte pubbliche, gli approcci computazionali esistenti si sono concentrati prevalentemente su dati in lingua inglese e non hanno sistematizzato le teorie psicologiche consolidate, come la teoria del coping di Lazarus e Folkman (1984), per contesti non inglesi e a basse risorse. Inoltre, l'interazione specifica tra trauma collettivo e polarizzazione politica nel discorso di crisi rimane poco esplorata nelle scienze sociali computazionali.

Metodologia
Lo studio utilizza un corpus di 1.037.663 tweet originali in lingua turca pubblicati tra il 6 febbraio e il 6 marzo 2023, a seguito del terremoto in Turchia. I dati sono stati estratti dal corpus Politus, filtrati per parole chiave relative al disastro e divisi in quattro fasi di crisi motivate teoricamente: Urgenza (Giorni 1–3), Colpa (Giorni 4–7), Lutto (Settimane 2–3) e Ricerca di Senso (Settimana 4+).

Il contributo metodologico centrale è lo sviluppo di una pipeline di classificazione multi-label utilizzando BERTurk (un modello BERT-base pre-addestrato su un vasto corpus turco).

Annotazione: Un campione estratto casualmente e stratificato di 500 tweet è stato annotato per tre stili di coping derivati da Lazarus e Folkman (1984): orientato al problema (problem-focused), orientato all'emozione (emotion-focused) e ricerca di senso (meaning-making). Una quarta categoria, evitamento (avoidance), è stata esclusa a causa di un accordo tra annotatori quasi nullo ( $\kappa = 0.021$ ).
Addestramento: Il dataset di 500 tweet è stato suddiviso in set di training (70%), sviluppo (15%) e test (15%). Il modello BERTurk è stato perfezionato (fine-tuned) per la classificazione di sequenze multi-label utilizzando l'attivazione sigmoidale e la perdita di cross-entropia binaria.
Baseline: Le prestazioni sono state confrontate con una baseline zero-shot utilizzando mDeBERTa (un modello multilingue), dove le categorie di coping erano definite tramite ipotesi in linguaggio naturale.
Analisi: Il classificatore addestrato è stato applicato all'intero corpus per tracciare le dinamiche temporali. Sono state calcolate le correlazioni di rango di Spearman tra gli stili di coping e le metriche di engagement (like, retweet) e i punteggi emotivi pre-calcolati (rabbia, paura, tristezza, ecc.) dal modello Politus.

Risultati Chiave

Prestazioni del Modello: Il modello BERTurk perfezionato ha raggiunto un punteggio macro F1 di 0,693, superando sostanzialmente la baseline zero-shot mDeBERTa (macro F1 = 0,324). Il miglioramento è stato più significativo per il coping orientato all'emozione ( $\Delta F1 = +0,542$ ), evidenziando la necessità di modelli specifici per la lingua per catturare le sfumature emotive del turco.
Dinamiche Temporali: L'analisi ha rivelato una traiettoria chiara e non casuale nel coping collettivo:
- Il coping orientato al problema ha dominato la fase di Urgenza (56,2%) ed è declinato monotonicamente al 19,4% nella Fase 4.
- Il coping orientato all'emozione è salito dal 32,0% nella Fase 1 per stabilizzarsi a circa il 55% nelle Fasi 3 e 4.
- La ricerca di senso è aumentata costantemente in tutte le fasi, passando dal 12,4% al 37,3%.
Correlati Demografici ed Emotivi:
- Demografia: Gli utenti di sesso femminile hanno mostrato tassi più elevati di coping orientato al problema, mentre gli utenti di sesso maschile hanno mostrato tassi più elevati di coping orientato all'emozione e alla ricerca di senso. Gli account organizzativi hanno mostrato tassi di ricerca di senso significativamente inferiori rispetto agli account personali.
- Legame Emozione-Coping: La rabbia ha mostrato la correlazione più forte con la ricerca di senso ( $r = 0,387$ ) e una correlazione negativa con il coping orientato al problema ( $r = -0,285$ ). Ciò suggerisce che, in questo contesto polarizzato, la rabbia ha funzionato come una forza mobilitante per l'attribuzione della colpa e l'interpretazione politica piuttosto che per l'azione pratica. La tristezza ha correlato maggiormente con il coping orientato all'emozione ( $r = 0,184$ ).

Contributi Chiave

Validazione Empirica: Questo studio fornisce il primo test empirico su larga scala della teoria del coping nei discorsi digitali di crisi reali, estendendo una letteratura precedentemente confinata a contesti di laboratorio e auto-report.
Fattibilità Metodologica: Dimostra che la rilevazione dello stile di coping è fattibile in contesti non inglesi e a basse risorse utilizzando modelli transformer specifici per la lingua, colmando una lacuna nelle scienze sociali computazionali.
Approfondimenti Sostanziali: I risultati offrono una visione granulare di come il coping collettivo si evolva attraverso le fasi di crisi, rivelando che le dinamiche di coping non sono meramente psicologiche ma sono profondamente intrecciate con il contesto politico (ad esempio, la vicinanza a un'elezione nazionale e le questioni di responsabilità dello Stato).

Significatività e Rivendicazioni
L'articolo sostiene che la teoria del coping può essere affidabilmente operazionalizzata nei dati digitali per rivelare come le società elaborano il trauma collettivo. Gli autori sostengono che questi risultati non sono meramente descrittivi ma hanno un'utilità pratica per le organizzazioni umanitarie e i comunicatori di crisi. Rilevando lo stile di coping dominante di una popolazione in tempo reale, i soccorritori possono personalizzare i loro interventi:

La dominanza del coping orientato al problema segnala la necessità di informazioni, coordinamento e accesso alle risorse.
La dominanza del coping orientato all'emozione segnala la necessità di riconoscimento, presenza e spazio per il lutto.
La dominanza della ricerca di senso segnala la necessità di trasparenza istituzionale e meccanismi di responsabilità.

Lo studio conclude che, sebbene i tweet siano tracce testuali pubbliche piuttosto che finestre trasparenti sulla psicologia individuale, i pattern aggregati forniscono un segnale valido degli stati psicologici collettivi. Gli autori sottolineano che tali strumenti dovrebbero essere utilizzati per comprendere e rispondere ai bisogni della popolazione piuttosto che per la sorveglianza, evidenziando le responsabilità etiche inerenti all'analisi di popolazioni vulnerabili in crisi.

1. I tre modi in cui le persone "gestivano la situazione" (La cassetta degli attrezzi)

2. Il traduttore informatico (Il bibliotecario robotico)

3. La storia del mese (La linea temporale)

4. La connessione con la rabbia

5. Perché questo è importante (La lezione pratica)

Articoli simili