Sommario
Nel 2025, il dibattito sulla governance degli algoritmi, l’influenza del ranking dei contenuti e la persistenza di fenomeni come polarizzazione, disinformazione e comportamento coordinato si fa sempre più urgente. Uno studio pubblicato su ArXiv (ID: 2507.13379) da un team di ricercatori italiani, Niccolò Di Marco, Anita Bonetti, Edoardo Di Martino, Edoardo Loru, Jacopo Nudo, Mario Edoardo Pandolfo, Giulio Pecile, Emanuele Sangiorgio, Irene Scalco, Simon Zollo, Matteo Cinelli, Fabiana Zollo, Walter Quattrociocchi, analizza la complessità crescente del comportamento collettivo sui social media, proponendo un framework strutturato e comparabile per indagare ciò che accade realmente nelle piattaforme digitali.
L’evoluzione della scienza sociale computazionale
La nascita della scienza sociale computazionale segna un cambio di paradigma. Tradizionalmente basata su sondaggi, questionari o esperimenti su piccoli campioni, la ricerca sociale si confronta oggi con un’enorme mole di dati comportamentali raccolti in tempo reale ed è quello che Matrice Digitale fa dal 2019 nella sua apposita sezione. Le interazioni digitali – like, commenti, condivisioni, click – diventano la nuova base empirica per comprendere l’agire umano. Secondo lo studio, questa transizione ha prodotto una moltiplicazione delle pubblicazioni e l’emergere di approcci interdisciplinari che integrano statistica, scienza delle reti e machine learning.
Le piattaforme come spazi strutturati: viralità, polarizzazione e attenzione
L’architettura delle piattaforme digitali non è neutrale. Gli autori evidenziano come i sistemi di raccomandazione personalizzata contribuiscano a concentrare l’attenzione su una piccola frazione di contenuti. L’economia dell’engagement favorisce contenuti emotivamente forti, polarizzanti e identitari. In questo contesto, la viralità è una conseguenza strutturale, non casuale. Le informazioni che più facilmente si diffondono sono quelle che si adattano al formato breve, immediato, e che risuonano con le convinzioni preesistenti degli utenti.
Le camere d’eco e l’instabilità delle conversazioni
Le analisi condotte mostrano come i social media tendano a formare ambienti chiusi e omogenei, definiti camere d’eco, in cui gli utenti sono esposti solo a contenuti affini alle proprie opinioni. In questi ambienti, il tono delle conversazioni si fa progressivamente più negativo e polarizzato. Il rafforzamento identitario, combinato alla dinamica algoritmica di amplificazione, produce instabilità emotiva e una percezione distorta del consenso sociale.
Tra verità e menzogna: la battaglia della disinformazione
Un altro aspetto centrale dello studio riguarda la persistenza della disinformazione, favorita dai meccanismi di visibilità e dalla struttura delle reti. Le fake news, spesso più semplici e più cariche emotivamente delle informazioni corrette, risultano più performanti in termini di interazione. I tentativi di contrasto – come il fact-checking o le etichette di avvertimento – falliscono frequentemente nel raggiungere i soggetti più vulnerabili. Si mostra invece promettente l’approccio definito prebunking, che consiste nell’immunizzare gli utenti esponendoli preventivamente a tecniche manipolative.
Il coordinamento sociale: tra manipolazione e partecipazione
Lo studio osserva una duplice tendenza nei comportamenti collettivi. Da un lato, l’emergere di azioni coordinate artificialmente, con bot e account fittizi che simulano consenso o amplificano narrazioni tossiche. Dall’altro, la nascita spontanea di fenomeni virali e trend emotivi, spesso legati a identità di gruppo o mobilitazioni digitali. Gli autori sottolineano la necessità di distinguere tra queste due forme di coordinamento, evitando generalizzazioni che oscurano la legittimità dell’attivismo online.
Modelli teorici e limiti della simulazione sociale
Un’intera sezione dell’articolo è dedicata alla modellizzazione delle opinioni e alla simulazione delle dinamiche sociali. I ricercatori passano in rassegna i modelli più noti, dai modelli di tipo votante e Ising, ai modelli a confidenza limitata. Questi strumenti offrono rappresentazioni semplificate del comportamento sociale, ma spesso peccano di validazione empirica. Lo studio insiste sulla necessità di costruire modelli che siano non solo formalmente coerenti, ma anche empiricamente vincolati, cioè calibrati sui dati reali provenienti dalle piattaforme.
Le sfide dell’inferenza causale e della trasparenza algoritmica
L’inferenza causale rimane uno dei nodi più complessi. Gli esperimenti randomizzati sono difficili da realizzare per motivi etici e pratici. La maggior parte degli studi si limita a osservazioni correlate, senza poterne trarre conclusioni definitive. A questo si aggiunge l’opacità delle piattaforme, che raramente offrono accesso ai dati completi. Le API pubbliche sono limitate, i dataset sono parziali, e l’assenza di standard condivisi di validazione impedisce una comparazione robusta tra studi.
Intelligenza artificiale e nuove architetture di analisi
Una delle innovazioni più promettenti evidenziate nel paper è l’utilizzo di graph neural networks (GNN) per modellare le relazioni tra utenti e contenuti. Le GNN permettono di mappare la rete delle interazioni, prevedendo con maggiore accuratezza l’evoluzione delle conversazioni e la diffusione dei contenuti. Questa tecnologia riduce del 10% gli errori rispetto ai modelli tradizionali, garantendo al contempo scalabilità anche su dataset composti da milioni di nodi.
Le implicazioni per il design delle piattaforme
Il lavoro degli autori non si limita all’analisi, ma propone anche direzioni concrete per l’architettura delle piattaforme. Suggeriscono l’introduzione di indicatori dinamici di instabilità, l’adozione di metriche che tengano conto della diversità di esposizione, e la promozione di meccanismi di trasparenza algoritmica. Secondo i ricercatori, la sensibilità ai feedback ricorsivi tra attività utente e ranking dei contenuti deve diventare un elemento centrale nella valutazione dell’impatto dei sistemi di raccomandazione.
Verso una scienza integrata del comportamento online
Il paper rappresenta un passo decisivo verso una scienza sociale computazionale matura, in grado di integrare dati empirici, modelli teorici e inferenze affidabili. Gli autori auspicano la creazione di osservatori indipendenti e multi-piattaforma, ma già emergono dei conflitti di interesse l’elaborazione di benchmark condivisi e lo sviluppo di infrastrutture aperte per l’accesso ai dati comportamentali. In gioco non c’è solo la comprensione del presente, ma la capacità di anticipare le patologie sistemiche del comportamento collettivo digitale, in un mondo sempre più interconnesso.
