From Entity Mentions to Tone: An LLM-Based Pipeline for Media Bias Analysis

Nel mondo moderno, le notizie che leggiamo raramente arrivano come un flusso neutro di fatti. Al contrario, sono filtrate dalle scelte degli editori e dagli algoritmi che decidono cosa dobbiamo vedere. Questi filtri agiscono come guardiani, determinando quali storie ci raggiungono e come vengono presentate. Una storia su un evento politico può essere presentata come un trionfo da una testata e come un fallimento da un'altra, non perché i fatti siano cambiati, ma perché il tono e l'attenzione si sono spostati. Questo fenomeno, noto come pregiudizio mediatico (media bias), è difficile da tracciare su larga scala perché coinvolge sottili cambiamenti nel linguaggio, la selezione di dettagli specifici e il peso emotivo assegnato a diverse persone ed eventi. Per decenni, comprendere questi schemi ha richiesto squadre di esperti umani per leggere e analizzare gli articoli uno per uno, un processo lento e costoso che non riusciva a stare al passo con la velocità di Internet.

I ricercatori hanno iniziato a rivolgersi all'intelligenza artificiale per risolvere questo problema, sperando di automatizzare il rilevamento di questi sottili pregiudizi. Tuttavia, un ostacolo significativo rimane per molte parti del mondo: la maggior parte degli strumenti linguistici avanzati è costruita per le lingue principali come l'inglese, lasciando le lingue più piccole prive di software affidabili per analizzare le proprie notizie. In queste regioni, la mancanza di strumenti specializzati significa che anche domande basilari — come quali fonti di notizie abbiano coperto un determinato evento o come diverse testate abbiano descritto la stessa figura pubblica — rimangono difficili da rispondere in modo coerente. Senza questi strumenti, è difficile vedere il quadro completo di come l'informazione venga plasmata e distribuita.

Un team di ricercatori dell'Università di Tirana, in Albania, ha sviluppato un nuovo approccio per colmare questa lacuna. Hanno creato un sistema che utilizza un potente modello linguistico generalista per leggere migliavere di articoli di notizie scritti in albanese, una lingua con pochissimi strumenti digitali dedicati. Il sistema non si limita a leggere il testo; lo scompone in tre distinti livelli di analisi. Primo, raggruppa gli articoli in argomenti ed eventi specifici per vedere quali storie vengono raccontate. Secondo, identifica i nomi di persone e organizzazioni menzionate in quelle storie. Terzo, e forse più importante, misura il tono emotivo della scrittura, determinando se la copertura di una persona o di un evento sia positiva, negativa o neutra. Combinando questi livelli, la pipeline può mappare non solo ciò che una fonte di notizie sceglie di coprire, ma anche come descrive le persone coinvolte in quelle storie.

Per testare il loro sistema, i ricercatori hanno raccolto una collezione di 8.358 articoli di notizie da 124 diverse fonti di notizie albanesi, pubblicati nell'aprile 2026. Hanno inserito questi articoli nella loro pipeline, che ha utilizzato una versione locale di un avanzato modello linguistico per estrarre i dati necessari. L'obiettivo era vedere se questo metodo automatizzato potesse produrre risultati affidabili senza la necessità di un enorme database preesistente di esempi etichettati da esseri umani. I ricercatori hanno confrontato l'output del loro sistema con le annotazioni fornite da GDELT, un grande database globale che utilizza anch'esso strumenti automatizzati per tracciare le notizie. Il confronto ha rivelato un livello moderato di accordo tra i due sistemi, suggerendo che la nuova pipeline stava lavorando in una direzione simile ai metodi consolidati. Più importante ancora, i ricercatori hanno scoperto che il loro sistema aveva identificato molti riferimenti a persone che il sistema GDELT aveva mancato. Questa capacità di catturare nomi aggiuntivi è cruciale per l'analisi dei pregiudizi, perché mancare una figura pubblica può distorcere la comprensione di come diverse testate trattano quella persona.

Lo studio ha anche testato due diversi set di istruzioni, o prompt, dati al modello linguistico per vedere quale funzionasse meglio. Un set di istruzioni era rigoroso, richiedendo al modello di ricontrollare il proprio lavoro per garantire che le etichette emotive assegnate corrispondessero ai punteggi numerici forniti. L'altro era più semplice e veloce. Le istruzioni rigorose hanno eliminato le incongruenze tra etichette e punteggi, ma hanno anche rallentato significamente il processo e causato al sistema di saltare l'etichettatura di quasi la metà degli articoli elaborati. Le istruzioni più semplici, pur producendo qualche incongruenza in più, hanno permesso al sistema di analizzare una porzione molto più ampia della collezione di notizie e di girare molto più velocemente. I ricercatori hanno concluso che, per un sistema progettato per monitorare le notizie in modo continuo, l'approccio più veloce e ampio fosse più pratico, poiché le poche incongruenze potevano essere sistemate in seguito con semplici regole.

Utilizzando i dati generati da questa pipeline, i ricercatori sono stati in grado di creare profili dettagliati di come operano le diverse fonti di notizie. Hanno scoperto che alcune testate inquadravano costantemente gli argomenti con un tono più favorevole, mentre altre erano sistematicamente più critiche. Il sistema poteva anche tracciare figure pubbliche specifiche, mostrando come la stessa persona potesse essere descritta con un tono positivo in un quotidiano e con un tono negativo in un altro. Ad esempio, l'analisi ha mostrato che la copertura di certe figure politiche variava ampiamente a seconda della fonte, con alcune testate che offrivano una copertura quasi interamente positiva mentre altre erano prevalentemente critiche. Inoltre, il sistema poteva identificare eventi di "gatekeeping" — storie che venivano coperte solo da un piccolo numero di fonti mentre venivano ignorate dal resto del panorama mediatico. Ciò ha permesso ai ricercatori di vedere non solo il tono delle notizie, ma anche la portata di storie specifiche e dove l'informazione veniva concentrata o trattenuta.

Il lavoro dimostra che è possibile costruire un sistema strutturato e automatizzato per analizzare il pregiudizio mediatico in lingue a basse risorse senza la necessità di dati di addestramento specializzati e specifici per la lingua. I ricercatori sottolineano che il loro strumento non è inteso a sostituire il giudizio umano o la revisione esperta, ma piuttosto ad agire come un punto di partenza veloce. Trasforma una vasta collezione di articoli in segnali chiari che possono essere ispezionati più facilmente. Automatizzando l'estrazione iniziale di nomi, argomenti e toni, il sistema riduce la quantità di materiale che gli esseri umani devono leggere da zero. Questo è particolarmente prezioso in ambienti in cui il monitoraggio continuo è difficile e dove gli strumenti linguistici specializzati sono scarsi. I ricercatori suggeriscono che questo approccio fornisce un modello riproducibile che può essere applicato ad altre lingue e regioni, offrendo un modo per visualizzare come le notizie vengono inquadrate e chi viene ascoltato nella conversazione pubblica.