Uno studio del 2016 (Alashri, Srivatsav Kandala, Bajaj, Ravi, Smith, Desouza, An analysis of sentiments on facebook during the 2016 U.S. presidential election) dimostra che gli utenti che commentano e partecipano alla discussione sulle pagine dei candidati repubblicani sono più restii a supportare le decisioni prese dall’amministrazione democratica, viceversa colore che commentano le pagine dei candidati democratici sono più aperti a esprimere sostegno anche alle politiche di altri partiti. Tuttavia la natura positiva o negativa del sentimento espressi varia tra i candidati a seconda della credibilità percepita.

Un altro studio del 2020 (Yu Ouyang & Richard W. Waterman, Trump Tweets: A Text Sentiment Analysis) rivela che in realtà il linguaggio di Trump nel suo complesso non è negativo ma neutrale, a dispetto di quanto sembrerebbe dalla copertura mediatica dei suoi tweet che tende a concentrarsi sulle opinioni più scioccanti. Ma dimostra anche che la retorica di Trump cambia nel tempo, enfatizzando le opinioni negative. La campagna di Trump del 2016 passa progressivamente dalla persuasione dei moderati ad una retorica apocalittica. Questo perché evidentemente si resero conto che erano i tweet negativi che ricevevano più retweet, che avevano maggiore diffusione. Trump si comportò come un comunicatore strategico, che si rende conto che l’attenzione è la merce più importante sui social e che l’attenzione si ottiene scioccando. Come arrivò Trump a queste conclusioni?

La sentiment analysis

Le opinioni, sia positive che negative, sono uno strumento estremamente potente, sono le opinioni che decidono se un marchio o un prodotto o anche un candidato politico vive o muore. Ecco perché conoscere il “sentimento” dei cittadini è essenziale in molti campi. Un tempo per scoprire il “sentimento” dei cittadini si utilizzavano i sondaggi. Ma i sondaggi hanno delle limitazioni. Un sondaggio necessita di tempo per la preparazione, occorre studiare accuratamente le domande da porre, e poi studiare le risposte per capire i risultati. Un sondaggio in genere ha per oggetto qualche centinaio di persone, al massimo migliaia. Nei sondaggi inoltre occorre rispondere in base alle domande preparate, e ciò può influenzare le risposte e renderle meno spontanee.

Oggi, invece, lo strumento più utilizzato per capire quale è il “sentimento” della popolazione è l’analisi dei sentimenti (sentiment analysis) che presenta numerosi vantaggi rispetto ai sondaggi. È in tempo reale, consente di ottenere informazioni costanti sul sentimento della popolazione e sulle variazione di tale sentimento, analizza quantità enormi di dati, non si basa su domande ma si limita ad analizzare dati spontanei generati dagli utenti, quindi è in grado di catturare opinioni autentiche senza sollecitazione diretta, riuscendo spesso a catturare l’intera gamma delle opinioni della popolazione.

Per essere efficace, però, deve essere basata su quantità elevate di dati, e dove prenderli questi dati se non sui social media? Per questo la sentiment analysis viene detta anche opinion mining. Ma il sentimento umano è altamente soggettivo. Gli esseri umani usano tono, contesto e linguaggio, per aggiungere significato alle loro conversazioni, per cui comprendere il significato dietro milioni di commenti scritti è un compito difficile, sicuramente molto difficile per un essere umano. Per questo è necessario l’uso di sistemi automatizzati. Per una corretta valutazione delle informazioni che gli utenti immettono spontaneamente sui social, occorrono algoritmi specializzati, studiati apposta, occorrono sistemi di intelligenza artificiale.

In realtà la sentiment analysis non è qualcosa di realmente nuovo, si fa da decenni, da ben prima della nascita dei social media, ma è coi social media e in particolare con i sistemi di intelligenza artificiale che raggiunge la sua piena efficienza. La sentiment analysis è una tecnica utilizzata nell’ambito dell’elaborazione del linguaggio naturale (NLP un campo interdisciplinare che si occupa delle interazioni tra computer e linguaggio umano), per identificare, estrarre e valutare le emozioni, i sentimenti e le opinioni espresse in un testo, al fine di determinare se quel testo ha un tono positivo, negativo o neutro. In questo senso può essere applicata a una vasta gamma di contenuti testuali, come le recensioni, i commenti, i post sui social, gli articoli di notizie e molto altro. Con la sentiment analysis è possibile rilevare in tempo reale il grado di soddisfazione e focalizzare i problemi, in modo da risolverli velocemente, dando priorità in base alle urgenze rilevate. Raccogliere in tempo reale il feedback di un marchio, di un prodotto, di un servizio, analizzare l’umore del pubblico, consente di anticipare una crisi di pubbliche relazioni, agendo prima che la pessima esperienza di un utente diventi virale sui social.

Può essere utilizzata durante una campagna elettorale, per monitorare l'andamento dei sentimenti e delle opinioni su un candidato politico nel corso del tempo, così consentendo di verificare le variazioni del consenso e valutare l’efficacia della campagna elettorale. Probabilmente avrete già visto degli argomenti lanciati da un partito politico nell'agorà digitale che si spengono dopo poco tempo o vengono deviati su altre problematiche.

I social sono la fonte principale per comprendere come si orientano le persone su uno specifico argomento, sono una fonte ricca di dati spontanei e non sollecitati. Sui social media ci sono circa 4,9 miliardi di persone, le statistiche ci dicono che almeno il 51% degli utenti si è messo in contatto con un’azienda sui social, e che circa il 40% degli acquirenti si fa un'opinione su un'azienda dopo aver letto soltanto 2 o 3 recensioni online. Ecco perché per le aziende è diventato essenziale interagire con il proprio pubblico e adeguarsi velocemente alle opinioni degli utenti.

Il social scraping

Le tecniche per l’implementazione della sentiment analysis sono varie, tra cui l'apprendimento automatico (machine learning) e l’elaborazione del linguaggio naturale. Ovviamente occorre addestrare i modelli su dataset contenenti testi etichettati con sentimenti positivi e negativi, prima di avviare la classificazione dei nuovi testi.

Per eseguire la sentiment analysis esistono diversi strumenti utilizzabili, sia open source che commerciali, come le Natural Language Processing (NLP) Libraries, algoritmi di machine learning e così via. Per l’accesso ai dati i software possono affidarsi alle API (Application Programming Interfaces) dei social media, interfacce che permettono alle applicazioni di interagire con altre applicazioni, come le Google Cloud Natural Language API. Alcune piattaforme offrono nativamente degli strumenti di sentiment analysis che consentono di monitorare e analizzare i sentimenti espressi sui social media. Oppure, in alternativa, per raccogliere i dati dai social si usa la tecnica del social scraping, un processo di estrazione automatica di informazione dalle pagine web. In sostanza un software naviga nel web e recupera il contenuto delle pagine navigate, al fine di estrarre i dati di interesse, che poi verranno utilizzati per la sentiment analysis.

In questo quadro non si può non menzionare le recenti modifiche attuate da Twitter proprio al fine di impedire il social scraping dei dati del social. Elon Musk, proprietario della piattaforma sociale, ha asserito che la mossa di limitare il numero di post visualizzabili dagli utenti avrebbe proprio la finalità di impedire l’estrazione automatizzata di dati. Anche se in realtà la mossa sembra controproducente, perché limitando i post visualizzabili si limitano ovviamente anche le inserzioni pubblicitarie visualizzate dagli utenti, con conseguente danno economico. A ciò si aggiunge che Twitter aveva già limitato l’accesso alle API pochi mesi fa. In questo quadro è più facile vedere la mossa di Musk come un nuovo modo per monetizzare i dati di Twitter (che poi in realtà sono dati degli utenti di Twitter), vendendoli direttamente. Questo proprio perché questo tipo di dati ormai sono considerati di grande valore.

Come funziona la sentiment analysis?

I passaggi per l’attuazione di questa tecnica di elaborazione dei dati sono i seguenti:

1. Un software (bot o spider) si occupa di navigare i siti web o i social estraendo e raccogliendo i dati.
2. I dati vengono elaborati “pulendoli” per rimuovere il “rumore” e le parti del testo che non sono ritenute rilevanti per il “sentimento” del testo. Ad esempio virgole, punti, caratteri speciali, ecc... (fase di standardizzazione).
3. Un algoritmo di machine learning opportunamente addestrato estrae automaticamente le caratteristiche del testo. Si utilizzano varie tecniche come la “bag-of-words” che traccia l’occorrenza delle parole o la tecnica dell'incorporamento che utilizza reti neurali per analizzare parole con significati simili.
4. Viene selezionato un modello di machine learning o deep learning sulla base delle caratteristiche del testo.
5. Scelto il modello questo assegna un punteggio al testo per identificarne il sentimento (positivo, negativo, neutrale) e la polarità del testo (quantità di positività o negatività).

Con la campagna del 2016 Donald Trump riuscì a identificare i temi più popolari tra gli elettori personalizzando il messaggio della campagna in base a questi temi. Ad esempio rilevò che gli elettori erano preoccupati per l’economia, la sicurezza e l’immigrazione. Quindi si concentrò su questi temi enfatizzando i toni negativi che si dimostrarono più virali. Inoltre identificò anche i sostenitori più attivi coinvolgendoli nella campagna stessa. L’utilizzo delle nuove tecnologie di parte di Trump è stato oggetto di forti critiche e discussioni, alcuni hanno sostenuto che è sbagliato cercare di manipolare i cittadini, altri hanno detto che ha semplicemente sfruttato le tecnologie per personalizzare il suo messaggio in modo più efficace.

La sentiment analysis ha una storia relativamente breve, risale ai primi anni ‘90, ma sta diventando una disciplina sempre più rilevante negli ultimi decenni grazie all’evoluzione delle tecnologie di elaborazione del linguaggio naturale e dell’apprendimento automatico. Con l’avvento delle reti neurali ha fatto dei significativi passi avanti, e grazie al machine learning è oggi possibile l’uso di modelli di classificazione senza la necessità di regole esplicite. I social fanno il resto con le enormi quantità di dati che contengono e che, quindi, assumono ancora più valore rispetto al passato. L'obiettivo è quello di affinare la capacità di comprendere e valutare il sentimento umano nel testo in modo sempre più accurato e sofisticato.

Immagine di Bing con tecnologia Dall-E