🔬 physics

Mapping the Narrow Corridor with Large Language Models

Questo articolo propone una pipeline riproducibile e agnostica rispetto al fornitore che utilizza i grandi modelli linguistici per operazionalizzare il framework del "Corridoio Stretto" di Acemoglu e Robinson, quantificando attraverso punteggi il potere dello Stato e della società per dodici paesi nel tempo, trasformando così la teoria da una narrazione qualitativa in un atlante di traiettorie basato sui dati.

Autori originali: Ebrahim M Songhori

Pubblicato 2026-07-22

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Ebrahim M Songhori

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 di provare a mappare la storia di un paese non come un elenco di date e re, ma come un cammino attraverso un enorme corridoio invisibile. Questo corridoo è il "Corridoio Stretto", un concetto tratto da un famoso libro di economisti che hanno vinto il Premio Nobel. Essi sostengono che la vera libertà non avviene quando un governo è super forte o quando il popolo è super forte; accade solo quando i due sono in equilibrio, camminando fianco a fianco lungo questo sentiero stretto. Se il governo diventa troppo forte e il popolo troppo debole, il paese vaga verso una zona "Despotica" (come una prigione). Se il governo è troppo debole e il popolo è troppo forte, il paese cade nel caos. Se entrambi sono deboli, si tratta di uno stato "di Carta" o "Assente" dove nulla funziona davvero. Per decenni, gli storici hanno cercato di disegnare questi percorsi, ma è un lavoro incredibilmente difficile. Richiede la lettura di secoli di storia e migliaia di giudizi soggettivi per decidere esattamente dove si trovi un paese in un dato momento. È come cercare di misurare la temperatura di una tempesta con un righello; è disordinoso, soggettivo e richiede un tempo infinito.

Ora, entrano in scena i nuovi arrivati: i Large Language Models (LLM). Questi sono computer IA super intelligenti che possono leggere quasi tutto ciò che è mai stato scritto e rispondere a domande su di esso. La grande domanda che questo articolo pone è semplice: possiamo insegnare a questi computer IA di essere gli storici? Possiamo chiedere a un'IA di guardare la storia di un paese, periodo per periodo, e disegnare il suo percorso attraverso il Corridoio Stretto? Gli autori, guidati da Ebrahim Songhori, hanno deciso di scoprirlo. Non si sono limitati a chiedere all'IA di tirare a indovinare; hanno costruito una ricetta attenta e passo dopo passo. Prima, hanno fatto in modo che l'IA elencasse i principali eventi di un decennio (come una rivoluzione o una nuova legge). Poi, hanno chiesto all'IA di usare quell'elenco per assegnare un punteggio da 0 a 10 su quanto fosse forte il governo e quanto fosse forte il popolo. Hanno fatto questo per dodici paesi diversi, inclusi giganti come gli Stati Uniti e la Cina, e più piccoli come la Somalia e il Libano. Hanno persino testato quattro diversi modelli di IA per vedere se concordavano tra loro, e hanno confrontato i disegni dell'IA con una famosa mappa creata da esperti chiamata V-Dem, per vedere se l'IA fosse sulla stessa lunghezza d'onda degli esperti umani.

Ecco cosa hanno scoperto. I modelli di IA sono stati sorprendentemente bravi a disegnare questi percorsi. Quando guardavano paesi come il Regno Unito e gli Stati Uniti, l'IA li collocava correttamente all'interno del "Corridoio Stretto", mostrando un cammino lungo e costante in cui il governo e il popolo crescevano insieme. Quando guardavano posti come l'Iran e la Cina, l'IA mostrava loro mentre camminavano verso l'alto nella zona "Despotica", dove il governo è diventato molto più forte del popolo, specialmente dopo grandi rivoluzioni. Per paesi come la Repubblica Democratica del Congo e la Somalia, l'IA li ha collocati correttamente nella zona "debole", dove il governo esiste a malapena. La parte più interessante è che l'IA non si è limitata a copiare le idee del libro; ha effettivamente calcolato il percorso basandosi sugli eventi. Ad esempio, ha mostrato il Cile che compie un brusco tuffo fuori dal corridoio durante un colpo di stato militare nel 1973 e poi torna lentamente a camminare all'interno dopo il ritorno della democrazia.

Tuttavia, gli autori sono molto cauti nel non dire che l'IA sia perfetta o che abbia "risolto" la storia. Hanno scoperto che, sebbene l'IA concordasse bene con gli esperti umani su quanto fosse forte il popolo, a volte vedeva il governo in modo diverso. Gli esperti spesso pensavano che i governi fossero più forti di quanto lo vedesse l'IA, specialmente nei tempi antichi. Gli autori suggeriscono che ciò sia dovuto al fatto che l'IA è addestrata su molti dati moderni in lingua inglese, il che potrebbe farle vedere il passato in modo leggermente diverso rispetto a uno storico umano che ha trascorso una vita intera a studiare archivi specifici. Inoltre, poiché l'IA è stata addestrata su dati che probabilmente includono le stesse mappe degli esperti con cui è stata confrontata, l'accordo potrebbe essere semplicemente l'IA che ricorda ciò che ha letto, non necessariamente la scoperta di nuove verità.

In definitiva, questo articolo suggerisce che l'IA può essere uno strumento potente, economico e veloce per disegnare queste mappe storiche. Può fare in poche ore ciò che potrebbe richiedere a un team di esperti anni, e può farlo in un modo totalmente trasparente: si può vedere esattamente quali eventi l'IA ha utilizzato per prendere la sua decisione. Gli autori propongono di usare l'IA come una "prima bozza" o un "punto di riferimento" per generare questi percorsi per molti paesi rapidamente, e poi lasciare che gli esperti umani intervengano per controllare le parti più difficili e controverse. Non è una sostituzione del giudizio umano, ma è un nuovo, eccitante modo per trasformare la storia disordinata in una mappa visiva chiara che chiunque può esplorare. Gli autori hanno persino rilasciato tutto il loro codice e una galleria interattiva in modo che possiate cliccare e giocare con questi cammini storici animati, guardando i paesi crescere, inciampare e trovare il proprio equilibrio nel Corridoio Stretto.

Sintesi Tecnica: Mappare il Corridoio Stretto con i Large Language Models

Definizione del Problema
Il framework del Corridoio Stretto di Acemoglu e Robinson postula che la libertà sorga da un equilibrio conteso tra il potere dello Stato e il potere della società civile, visualizzato come un percorso attraverso uno spazio bidimensionale. Sebbene il framework sia teoricamente ricco, rimane puramente qualitativo poiché la sua operazionalizzazione richiede una codifica laboriosa e soggetta a giudizio di secoli di storia in specifiche coordinate $(società, stato)$. Gli autori identificano questo come un problema di misurazione: trasformare la narrativa storica in una sequenza di coordinate quantitative è vulnerabile al pregiudizio umano, alla lettura selettiva e alla mancanza di riproducibilità. Il saggio si chiede se i Large Language Models (LLM) possano operazionalizzare questo framework per produrre traiettorie riproducibili, verificabili e utili per molteplici paesi.

Metodologia
Gli autori propongono una pipeline riproducibile e agnostica rispetto al provider che valuta i paesi periodo per periodo (tipicamente in intervalli di 10 anni) utilizzando una specifica strategia di prompting:

Rubrica Ancorata: Inveve di richieste a testo libero, il sistema utilizza una rubrica fissa da 0 a 10 che definisce le fasce per il potere dello stato (da "collassato/inesistente" a "penetrazione travolgente") e per il potere della società (da "atomizzata" a "che controlla pervasivamente lo stato"). La rubrica include una guida esplicita alla neutralità per evitare il presentismo e trattare gli assi come indipendenti.
Elicitazione tramite Chain-of-Thought (CoT): Per ogni periodo, il modello viene prima istruito a elencare i principali eventi e tendenze storiche che influenzano le dinamiche di potere, separando le tendenze lente dagli eventi discreti. Questa narrativa viene poi inserita in un secondo prompt per generare il punteggio numerico, garantendo che il numero sia condizionato da un ragionamento esplicito.
Ancoraggio Temporale In-Context: Per garantire la coerenza temporale, la pipeline accumula le coppie $(società, stato)$ di tutti i periodi precedenti e le inserisce nel prompt per il periodo corrente. Ciò scoraggia la deriva della traiettoria e permette al modello di ragionare sui cambiamenti rispetto allo stato precedente.
Output Strutturato: Le risposte sono validate rispetto a uno schema JSON fisso contenente i punteggi, i cambiamenti, gli eventi chiave e le giustificazioni. Le risposte malformate attivano un tentativo di riprova o un fallback numerico.
Agnosticismo rispetto al Provider: Un'interfaccia unificata consente di scambiare i provider dei modelli (Google, Anthropic, OpenAI, Alibaba) cambiando una singola stringa, isolando l'effetto del modello dall'effetto del prompt.

Configurazione Sperimentale

Ambito: Una prova di concetto di un atlante che copre 12 paesi (Iran, Francia, Regno Unito, USA, Cina, Cile, Colombia, DRC, Libano, Zambia, Somalia, India) selezionati per rappresentare i quattro tipi di "Leviatano" del libro (Despotico, Vincolato, di Carta, Assente).
Modelli: Sono stati confrontati quattro modelli: tre a pesi chiusi (gemini-2.5-pro, claude-opus-4-8, gpt-5.5) e uno a pesi aperti (qwen-2.5-72b-instruct).
Validazione:
- Consistenza: I punteggi sono stati confrontati con l'indice degli esperti Varieties of Democracy (V-Dem) (specificamente l'indice della società civile e l'autorità statale sul territorio). Gli autori notano esplicitamente che, poiché V-Dem è probabilmente presente nei dati di addestramento dei modelli, ciò misura la "consistenza concorrente" con il consenso degli esperti piuttosto che l'accuratezza esterna.
- Affidabilità: L'accordo inter-modello è stato misurato utilizzando l'alfa di Krippendorff $\alpha$ sulle variazioni periodo-periodo.
- Sensibilità Linguistica: I prompt per cinque paesi sono stati tradotti nelle loro lingue native per testare se i dati di addestramento anglocentrici influenzassero i risultati.

Risultati Chiave

Atlante delle Traiettorie: I modelli hanno generato con successo traiettorie che si allineano ampiamente alle aspettative teoriche del libro.
- Leviatani Vincolati: Regno Unito, USA, Francia e India sono stati collocati all'interno del corridoio, mostrando una crescita congiunta di stato e società.
- Leviatani Despotici: Iran e Cina sono stati collocati nella regione a predominanza statale, con traiettorie che mostrano uno spostamento verso la dominanza statale a seguito di grandi rivoluzioni (Iran 1979, Cina 1949).
- Stati Deboli: la DRC e la Somalia sono rimaste nella regione a basso stato (Leviatano Assente), mentre Libano e Colombia hanno occupato la regione a stato debole (Leviatano di Carta), sebbene i modelli abbiano collocato lo Zambia all'interno del corridoio anziché al di sotto di esso, interpretando la sua stabilità post-1991 come una genuina crescita equilibrata.
Robustezza dell'Ensemble: La media dell'ensemble dei quattro modelli ha prodotto una lettura più fluida e robusta rispetto a qualsiasi singolo modello. Sebbene i modelli discordassero sul grado di crescita (ad esempio, la capacità statale degli USA), concordavano ampiamente sulla categoria di posizionamento (ad esempio, tutti hanno collocato gli USA all'interno del corridoza).
Consistenza con V-Dem:
- Potere della Società: Sono state trovate forti correlazioni positive tra i punteggi della società degli LLM e l'indice della società civile di V-Dem (ad esempio, $\rho = 0,89$ per la Cina).
- Potere dello Stato: Le correlazioni sono deboli o inesistenti. Gli autori attribuiscono ciò a una discrepanza nell'operazionalizzazione: il proxy di V-Dem sull'"autorità sul territorio" è quasi saturo per gli stati consolidati, mentre l'LLM cattura dinamiche più ampie della capacità statale e fasi di costruzione storica.
Affidabilità: L'affidabilità inter-modello (Krippendorff's $\alpha$ ) è stata generalmente da moderata a forte ( $\alpha$ complessivo $\approx 0,66$ per la società, $0,68$ per lo stato), con il maggior accordo per i paesi con archi storici chiari (Iran, Cile) e un minore accordo per casi complessi come gli USA.
Sensibilità Linguistica: Tradurre i prompt nelle lingue native ha prodotto uno spostamento minimo delle traiettorie (scostamento medio di 0,33 punti), suggerendo che, sebbene il bias dei dati di addestramento esista, la lingua del prompt stesso non è il driver primario dei punteggi.

Significato e Rivendicazioni
Il saggio si pone come una prova di concetto piuttosto che come un'analisi storica definitiva. I suoi principali contributi sono:

Operazionalizzazione: Dimostra che gli LLM possono tradurre un framework qualitativo, denso di narrazioni, in un atlante di traiettorie quantitative riproducibili.
Scalabilità e Costo: Gli autori evidenziano la drammatica riduzione di costi e tempi rispetto ai panel di esperti (circa 15 dollari e poche ore per 1.600 chiamate contro ordini di grandezza superiori per la codifica umana).
Trasparenza: A differenza dei panel di esperti umani dove il pregiudizio è spesso opaco, la pipeline LLM offre artefatti espliciti (prompt, rubriche, chain-of-thought) che possono essere ispezionati, versionati e rieseguiti.
Definizione del Ruolo: Gli autori sostengono che gli LLM siano più adatti come "primo passaggio scalabile" per generare traiettorie candidate e far emergere aree di disaccordo, liberando gli esperti umani affinché possano concentrarsi sui casi contestati dove la responsabilità e il giudizio sfumato sono fondamentali.

Limitazioni Riconosciute
Gli autori avvertono esplicitamente che:

Circolarità: L'accordo con V-Dem non prova l'accuratezza, poiché V-Dem è probabilmente presente nei dati di addestramento.
Bias: I modelli ereditano pregiudizi dai corpora di addestramento anglocentrici e occidentali, che possono appiattire episodi contestati o poco documentati.
Dipendenza dal Percorso: Il metodo di ancoraggio in-context significa che un errore di punteggio precoce potrebbe propagarsi attraverso l'intera traiettoria.
Generalizzabilità: Con soli 12 paesi, lo studio non costituisce una base per la generalizzazione transnazionale.

Il saggio conclude che, sebbene gli LLM non possano sostituire la codifica degli esperti per questioni di alta responsabilità, essi forniscono uno strumento potente e riproducibile per visualizzare ed esplorare framework teorici come il Corridoio Stretto su una scala precedentemente irraggiungibile.

Sintesi Tecnica: Mappare il Corridoio Stretto con i Large Language Models

Articoli simili