Strategies for preventing and reversing polarized online discourse

Sintesi Tecnica: Strategie per la Prevenzione e il Reversal della Polarizzazione del Discorso Online

Problematica
La polarizzazione politica pone sfide significative alle moderne democrazie, minacciando la coesione sociale e il sostegno istituzionale. Sebbene siano proliferati modelli matematici e computazionali della dinamica delle opinioni per spiegare questi fenomeni, essi spesso si basano su assunzioni semplificative che li disconnettono dalla comprensione empirica dei sociologi. I modelli tradizionali trattano tipicamente gli agenti come possessori di un atteggiamento singolo e stabile, operanti senza memoria, o interagenti sulla base di appartenenze di gruppo fisse o distanze di opinione statiche. Queste semplificazioni non riescono a catturare la complessità degli odierni ambienti di social media, dove le identità sono fluide, dipendenti dal contesto e costruite attraverso interazioni dinamiche. Gli autori affrontano la necessità di un modello psicologicamente più realistico per valutare la capacità di interventi a livello di piattaforma, realistici, di prevenire o invertire l'estrema polarizzazione.

Metodologia
Gli autori sviluppano un modello computazionale, basato su agenti (agent-based), fondato sulla psicologia sociale per simulare il discorso online. Il modello si discosta dagli standard framework di dinamica delle opinioni attraverso diverse estensioni psicologiche chiave:

1. Identità Multidimensionali: A differenza dei modelli con stati interni unitari, gli agenti possiedono molteplici "aspetti del sé" (dimensioni identitarie, $D$). Un agente può sostenere atteggiamenti diversi sullo stesso argomento a seconda di quale dimensione identitaria sia attiva (ad esempio, "genitore" rispetto a "femminista").
2. Memoria Limitata e Sensibilità al Contesto: Gli agenti mantengono vettori di memoria per i propri atteggiamenti espressi (memoria del sé) e per gli atteggiamenti altrui (memoria dell'altro). L'assegnazione in-group e out-group non è fissa, ma è determinata dinamicamente ad ogni step sulla base della distanza media tra l'atteggiamento attuale di un agente e gli atteggiamenti presenti nella sua memoria recente. Questo implementa il principio del meta-contrasto della teoria dell'auto-categorizzazione, dove i confini di gruppo emergono dal rapporto tra le differenze intergruppo e intragruppo all'interno di un contesto specifico.
3. Aggiornamento degli Atteggiamenti Guidato dall'Utilità: Gli agenti aggiornano i propri atteggiamenti per massimizzare una funzione di utilità che bilancia tre forze:
   • Coerenza del sé: Allineamento con i propri atteggiamenti espressi recentemente.
   • Attrazione dell'in-group: Conformità alla media degli atteggiamenti dell'in-group assegnato dinamicamente.
   • Spinta dell'out-group: Differenziazione dall'out-group.
     Le variazioni avvengono tramite un apprendimento miope e rumoroso, in cui gli agenti accettano probabilisticamente perturbazioni che aumentano l'utilità attesa.
4. Finestre di Overton: Il modello incorpora due vincoli normativi:
   • Finestra di Overton "Soft": Un intervallo dinamico basato sugli atteggiamenti collettivi della popolazione; esprimere opinioni al di fuori di questo intervallo comporta un costo di utilità ($c_S$), simulando l'applicazione delle norme comunitarie (ad esempio, il down-vote).
   • Finestra di Overton "Hard": Un intervallo fisso definito dalle regole della piattaforma; esprimere opinioni al di fuori di questo intervallo comporta un costo di utilità superiore ($c_H$), simulando la moderazione della piattaforma (ad esempio, la cancellazione).
5. Struttura del Discorso: La simulazione imita conversazioni simili a thread su piattaforme come X o Reddit. Gli agenti decidono se rispondere a post non ancora visti (con una probabilità che diminuisce con la profondità del thread) o iniziare nuovi thread su argomenti, governati da un parametro di "bias di attenzione" ($\alpha$) che può orientare la discussione verso specifici temi.

Contributi Chiave
Il documento contribuisce con un framework computazionale che integra strutture identitarie complesse, memoria temporale e formazione dinamica dei gruppi nella dinamica delle opinioni. Esso classifica sistematicamente gli esiti del discorso in tre stati:

1. Consenso: Discorso non polarizzato e vincolato entro la finestra di Overton "hard".
2. Polarizzazione Vincolata: Cluster di atteggiamenti distinti che rimangono entro la finestra di Overton "hard".
3. Polarizzazione Incontrollata (Runaway): Cluster distinti che sfuggono alla finestra di Overton "hard", rappresentando discorsi estremi che violano le norme della piattaforma.

Gli autori utilizzano questo modello per simulare e valutare quattro specifici interventi implementati a livello di piattaforma:

1. Aumento del Costo (Cost Hike): Incrementare la penalità ($c_H$) per la trasgressione della finestra di Overton "hard".
2. Ottimizzazione della Finestra (Window Optimization): Regolare la larghezza della finestra di Overton "hard" per massimizzare il consenso.
3. Bilanciamento dell'Attenzione (Attention Balance): Impostare il bias di attenzione ($\alpha$) a zero per amplificare i temi meno discussi.
4. Élite Moderate (Moderate Elites): Amplificare le voci influenti che modellano un discorso non polarizzato, aumentando efficacemente l' "attrazione dell'in-group" verso il centro.

Risultati
Le simulazioni rivelano dinamiche distinte riguardo alla prevenzione e al reversal della polarizzazione:

• Prevenzione: Gli interventi che aumentano il costo della violazione delle norme (Cost Hike), bilanciano l'attenzione tra i temi (Attention Balance) e amplificano le élite moderate sono altamente efficaci (efficacia 80–100%) nel prevenire la polarizzazione incontrollata in un'ampia gamma di parametri. Al contrario, i tentativi di "ottimizzare" la finestra di Overton contraendo la sua ampiezza spesso scatenano un effetto boomerang, aumentando significativamente la probabilità di polarizzazione incontrollata.
• Reversal (Inversione): Una volta che la polarizzazione incontrollata si è instaurata, la maggior parte degli interventi fallisce nel revertirla. Solo gli interventi Cost Hike e Moderate Elites mostrano efficacia nel reversal. L'intervento Moderate Elites è il più robusto, riuscendo a invertire la polarizzazione in tutte le configurazioni di parametri testate, mentre l'intervento Cost Hike è sensibile al numero di dimensioni identitarie e al tempismo dell'intervento.
• Estremismo Latente: Un risultato critico è che anche quando gli interventi di successo invertono la polarizzazione espressa, essi possono generare un estremismo latente. Gli agenti possono passare all'espressione di atteggiamenti associati a una diversa dimensione identitaria che rientra nella finestra di Overton, pur mantenendo atteggiamenti estremi nella dimensione identitaria soppressa. Questo estremismo latente aumenta linearmente con il ritardo temporale tra l'inizio della polarizzazione e l'intervento.
• Complessità Identitaria: Aumentare il numero di dimensioni identitarie ($D$) non causa intrinsecamente la polarizzazione, ma potenzia l'efficacia di certi interventi, in particolare del Cost Hike, fornendo agli agenti percorsi identitari alternativi per esprimere opinioni non estreme.

Significatività e Rivendicazioni
Gli autori inquadrano il loro lavoro come uno strumento di generazione di ipotesi piuttosto che come prova irrefutabile, sottolineando che le loro conclusioni sono basate su teorie psicologiche consolidate riguardanti la complessità del sé, l'identità sociale e la percezione delle norme.

Il documento sostiene che limitare la libertà di parola restringendo l'intervallo del discorso accettabile (contraendo la finestra di Overton) è una strategia inefficace e potenzialmente controproducente per affrontare la polarizzazione. Inveve, gli autori suggeriscono che l'mitigazione efficace richiede:

1. Applicazione delle norme esistenti: Aumentare i costi della violazione delle regole della piattaforma.
2. Nudge dell'attenzione: Dirigere l'attenzione degli utenti verso temi meno discussi.
3. Modelli di comportamento delle Élite: Amplificare gli individui influenti che esprimono atteggiamenti moderati e possiedono un appeal trasversale.

Tuttavia, gli autori emettono un avvertimento significativo: sebbene questi interventi possano prevenire o invertire l' espressione della polarizzazione, essi potrebbero non eliminare gli atteggiamenti sottostanti. La persistenza dell'estremismo latente suggerisce che gli interventi di successo potrebbero semplicemente spostare il locus della polarizzazione verso diverse dimensioni identitarie piuttosto che risolvere le divisioni fondamentali. Il lavoro sottolinea la necessità di modellare gli individui come attori sensibili al contesto con identità strutturate per prevedere accuratamente gli esiti degli interventi sui social media.