Domani, 3 novembre, gli Stati Uniti tornano alle urne per le Midterm, le elezioni di metà mandato. E come ogni campagna elettorale degli ultimi anni, anche questa si è giocata in buona parte sui social network, dove l’incontro tra le scelte degli utenti e gli algoritmi che decidono cosa mostrare a ciascuno può generare le cosiddette bolle informative, o echo chambers: ambienti in cui si finisce per incontrare quasi solo opinioni simili alla propria. Capire come nascono e come si mantengono, però, è diventato sempre più difficile. Per questo un gruppo di ricerca coordinato dall’Istituto di scienza e tecnologie dell’informazione “Alessandro Faedo” del Consiglio nazionale delle ricerche (Cnr-Isti) di Pisa, insieme alle Università di Pisa e di Trento e all’Université Claude Bernard Lyon 1, ha costruito un social network in cui gli utenti non sono persone, ma agenti di intelligenza artificiale. Si chiama YSocial ed è descritto sulla rivista Big Data & Society.
Studiare i social da fuori è sempre più difficile
Per anni le piattaforme social sono state una miniera di dati per chi studia il comportamento umano online: disinformazione, radicalizzazione, propaganda coordinata, echo chambers. Nel 2023, però, Twitter (oggi X) e Reddit hanno annunciato la fine dell’accesso gratuito alle loro interfacce di programmazione, gli strumenti con cui i ricercatori raccoglievano i dati in modo sistematico. “Analizzare questi fenomeni direttamente sulle piattaforme reali è sempre più complesso: l’accesso ai dati è limitato, gli algoritmi che determinano i contenuti visualizzati dagli utenti sono spesso poco trasparenti e numerose sperimentazioni sono impedite per ragioni etiche”, spiega Giulio Rossetti, ricercatore del Cnr-Isti e primo autore dello studio. Non si può, per esempio, cambiare l’algoritmo di raccomandazione a milioni di elettori reali per vedere come reagiscono a ridosso di un voto.
Un archivio quasi completo di Bluesky
Un primo tassello del lavoro viene da un altro social, Bluesky, piattaforma nata nel 2023 che, controcorrente, ha aperto le proprie interfacce agli sviluppatori. In uno studio pubblicato nel 2024 su PLoS ONE, Andrea Failla dell’Università di Pisa e lo stesso Rossetti hanno raccolto la storia completa dei post di oltre 4 milioni di account, circa l’81% degli iscritti di allora, per un totale di 235 milioni di messaggi pubblicati tra febbraio 2023 e marzo 2024, insieme a chi segue chi, risposte, condivisioni e citazioni. I nomi degli utenti sono stati sostituiti da codici numerici e il materiale è stato reso pubblico per altri ricercatori.
Bluesky ha una caratteristica che lo rende particolarmente interessante: permette agli utenti di scegliere, e perfino di creare, l’algoritmo che compone il proprio flusso di contenuti. Per questo l’archivio include anche i post selezionati da undici di questi algoritmi tematici, dalla scienza alle notizie, con i relativi “mi piace”. Già da una prima analisi emergono tratti noti di tutti i social: pochi account concentrano gran parte dei follower, poco più della metà degli iscritti ha pubblicato almeno un post, e alcuni profili arrivano a migliaia di messaggi al giorno, un ritmo che fa pensare a grandi testate giornalistiche o, più verosimilmente, a bot.
Nella simulazione su YSocial questi dati sono stati usati per un aspetto preciso: calibrare i ritmi quotidiani di attività degli utenti artificiali, cioè quando e quanto pubblicano nel corso della giornata, in modo da avvicinarli a quelli osservati su una piattaforma reale.
Come funziona un social senza esseri umani
Gli abitanti di YSocial sono generati da grandi modelli linguistici, la stessa famiglia di tecnologie su cui si basano i chatbot. Ogni agente riceve un profilo: età, interessi, orientamento politico, livello di attività, propensione a toni aggressivi e tratti di personalità descritti secondo il modello dei “Big Five”, usato in psicologia. Quando viene attivato, l’agente decide da sé cosa fare: scrivere un post, commentare, reagire, condividere, seguire qualcuno. E come su un social vero, ciò che vede dipende da algoritmi di raccomandazione, uno per i contenuti e uno per i profili da seguire, che la piattaforma permette di scegliere tra diverse opzioni. Ogni messaggio viene poi analizzato automaticamente per tono, tossicità, emozioni e argomento.
“Il sistema ci consente di simulare e osservare, in un ambiente controllato, come si sviluppano la polarizzazione, la viralità dei contenuti, l’impatto degli algoritmi di raccomandazione e le interazioni con utenti e contenuti”, osserva Rossetti. Il tutto, aggiunge, attraverso un’interfaccia che non richiede di scrivere codice, pensata per essere usata anche da ricercatori senza competenze di programmazione.
Sessanta giorni di campagna elettorale simulata
Per mettere alla prova la piattaforma, il gruppo ha simulato due mesi di dibattito politico, scanditi in 1.440 turni di un’ora. In partenza c’erano mille agenti, divisi a metà tra democratici e repubblicani, tutti animati dallo stesso modello linguistico (Llama 3.1 di Meta). Nel social erano presenti anche due pagine di informazione che rilanciavano notizie reali: una di CNN, punto di riferimento della popolazione democratica, e una di Fox News, per quella repubblicana.
Alcune dinamiche tipiche dei social sono emerse spontaneamente, senza essere programmate: pochi utenti hanno prodotto gran parte dell’attività e alcuni contenuti sono diventati virali. Soprattutto, “i due gruppi hanno progressivamente sviluppato diete informative sbilanciate, interagendo prevalentemente con le fonti più affini al proprio orientamento”, racconta Rossetti. Ciascuna popolazione commentava e reagiva soprattutto ai contenuti della propria testata, sostenendola, e rispondeva in modo negativo a quelli della testata avversaria.
Il risultato forse più interessante riguarda il linguaggio. Gli argomenti più discussi e le emozioni espresse erano sostanzialmente gli stessi nei due schieramenti, ma gli hashtag no: parlando di economia, per esempio, gli agenti democratici usavano etichette come #GoGreen e #RenewableEnergy, assenti nel discorso repubblicano, dove ricorrevano invece #AmericaFirst e #Trump2024.
Con il passare dei giorni le due comunità si sono anche mescolate, fino a formare un’unica rete di relazioni, e la tendenza a collegarsi solo con chi la pensa allo stesso modo si è attenuata. Senza però scomparire: alla fine della simulazione l’indice che misura questa preferenza (che vale zero quando i legami si formano a caso e uno quando ci si collega solo con il proprio schieramento) era ancora a 0,52. “La polarizzazione si è mantenuta anche quando gli agenti hanno interagito con quelli del gruppo opposto”, sintetizza Rossetti.
Che cosa ci dice, e che cosa no
Per leggere bene questi risultati conviene tenere a mente come è stato costruito l’esperimento. Gli agenti avevano un orientamento politico assegnato fin dall’inizio, ogni schieramento aveva la propria testata di riferimento e tutti usavano la stessa configurazione di algoritmi di raccomandazione, senza un confronto tra alternative. La simulazione, quindi, non dice da dove nasca la polarizzazione, ma mostra che un ecosistema di agenti artificiali è in grado di riprodurne alcuni tratti riconoscibili e di mantenerla nel tempo, anche quando i due gruppi entrano in contatto.
Gli stessi autori indicano altri limiti. YSocial è un gemello “virtuale” e non “digitale” in senso stretto, perché l’unico flusso di dati reali che riceve sono le notizie delle testate. Il caso di studio è piccolo, usa un solo modello linguistico e profili piuttosto generici, e resta ancora da verificare quanto fedelmente gli agenti riproducano il comportamento umano. Senza contare che i modelli linguistici, con le loro capacità di ragionamento limitate, possono a loro volta amplificare informazioni false.
Il valore della piattaforma sta proprio nella possibilità di porre domande del tipo “che cosa succederebbe se”: se cambiasse l’algoritmo, se entrassero in scena moderatori o bot, se le regole della piattaforma fossero diverse. Esperimenti impossibili, o eticamente inaccettabili, su milioni di persone reali, ma realizzabili in un laboratorio popolato da elettori artificiali. Tra i prossimi passi, il gruppo prevede di collegare il sistema a piattaforme reali come X e Reddit, di introdurre agenti con obiettivi specifici e di validarlo con esperti dei diversi settori.
Foto di Dave Sherrill su Unsplash
