Valorizzare le reti di produttori di contenuti e la percezione degli utenti per rilevare comunità discorsive online

Perché il dibattito online si raggruppa in schieramenti

Chiunque abbia scorrere i social durante un’elezione ha avvertito quanto rapidamente le conversazioni si dividano in campi opposti. Eppure solo una piccola parte degli account avvia davvero quei discorsi; la maggioranza di noi si limita per lo più a mettere mi piace, condividere o ritwittare. Questo articolo si chiede come quelle poche voci visibili plasmino il dibattito complessivo e mostra un modo per mappare le “camere dell’eco” politiche guardando prima i leader e solo poi i loro pubblici.

Pochi parlanti, molti ascoltatori

Su piattaforme come Twitter/X, la partecipazione è fortemente squilibrata. Un gruppo relativamente piccolo di utenti—politici, partiti, testate e altre figure pubbliche—produce la maggior parte dei post che alimentano il discorso politico. La maggioranza degli account consuma e ridistribuisce principalmente questi contenuti, per esempio tramite retweet. Gli autori sostengono che questi leader, perché parlano spesso e portano con sé la loro reputazione pubblica, assumono di solito posizioni più chiare e stabili rispetto agli utenti comuni. Se riusciamo a raggruppare in modo affidabile i leader, possiamo poi inferire dove sta la massa osservando chi essa amplifica.

Due modi per vedere chi sta insieme

Lo studio propone un quadro che divide tutti gli utenti in due insiemi: i produttori di contenuti (leader) e tutti gli altri (il pubblico). Costruisce quindi una rete di relazioni tra i leader e applica algoritmi standard di individuazione delle comunità su quella rete più piccola e più pulita. La scelta cruciale è come definire i legami tra leader. In una versione, chiamata MonoDC, i leader sono collegati quando si ritwittano spesso a vicenda, catturando endorsement diretti e segnali all’interno dei circoli politici. Nell’altra versione, chiamata BiDC, i leader sono legati quando vengono ritwittati da pubblici simili, così che due politici con follower sovrapposti finiscono nello stesso schieramento anche se non interagiscono direttamente.

Filtrare il rumore nei dati social

I dati grezzi dei social media sono estremamente rumorosi: alcune persone twittano continuamente, altre raramente; alcuni post diventano virali per caso. Per evitare di scambiare attività casuale per struttura reale, gli autori usano strumenti della teoria dell’informazione per filtrare le loro reti. Confrontano le interazioni osservate con ciò che ci si aspetterebbe in un mondo randomizzato in cui ogni utente mantiene lo stesso livello complessivo di attività ma i collegamenti sono rimescolati. Vengono conservati solo i legami molto più forti di quanto predirebbe questo “mondo casuale”. Questo filtraggio è lieve per la versione dei ritweet diretti (MonoDC) ma cruciale per la versione a pubblico condiviso (BiDC), dove la semplice popolarità potrebbe altrimenti creare somiglianze fuorvianti.

Figure pubbliche come ancore degli schieramenti online

I ricercatori testano il loro approccio su tre grandi dibattiti politici italiani su Twitter/X nel 2022: l’elezione presidenziale, una crisi di governo e le elezioni politiche. È importante sottolineare che tutti i dati provengono da prima che la piattaforma introducesse la verifica a pagamento, quando il badge blu segnalava per lo più riconoscimento pubblico e non un abbonamento. Gli autori trattano gli account verificati come leader e classificano manualmente alcune centinaia di essi per partito e coalizione elettorale. Riscontrano che, anche prima di qualsiasi filtraggio, i legami di retweet tra questi politici verificati si dispongono già in blocchi politici distinti. Applicando i loro metodi basati sui leader e filtrati statisticamente, la corrispondenza con partiti e coalizioni del mondo reale diventa molto più forte rispetto agli algoritmi standard eseguiti sulla rete di retweet completa e non filtrata.

Cosa funziona — e cosa funziona meno

MonoDC, che si basa sui ritweet diretti tra leader, è particolarmente efficace nell’individuare singoli partiti: i politici tendono a promuovere principalmente il proprio schieramento. BiDC, che raggruppa i leader per pubblici condivisi, riflette meglio le coalizioni elettorali più ampie che raggruppano diversi partiti sotto lo stesso ombrello. Gli autori provano anche vie alternative per selezionare i leader, come account con molti follower o con un alto “indice di retweet”. Queste selezioni basate sull’attività rendono peggio. Tendono a includere giornalisti e commentatori i cui pubblici attraversano linee ideologiche, offuscando i confini tra gli schieramenti. Al contrario, le figure politiche verificate prima del 2022, i cui ruoli offline le legano a partiti specifici, forniscono una spina dorsale più stabile per mappare il discorso online.

Perché questo è importante per capire il dibattito digitale

Per un lettore non specialistico, il messaggio principale è che la conversazione politica online non è un mercato piatto di idee. Piuttosto, è strutturata attorno a un insieme relativamente piccolo di attori riconoscibili, e il resto di noi rivela le proprie inclinazioni da quali messaggi scegliamo di trasmettere. Identificando prima quei leader, filtrando con attenzione i loro collegamenti e solo dopo assegnando gli utenti comuni alle comunità, gli autori riescono a ricostruire gran parte della mappa politica sottostante a partire da dati limitati. Il loro approccio, sebbene sviluppato su Twitter/X italiano, può in linea di principio essere applicato a molte piattaforme dove pochi account visibili modellano ciò che i molti vedono, offrendo un modo pratico per studiare le camere dell’eco anche quando le piattaforme limitano l’accesso ai dati o cambiano le regole di verifica.

Citazione: Guarino, S., Mounim, A., Caldarelli, G. et al. Leveraging content producer networks and user perception to detect online discursive communities. Sci Rep 16, 11911 (2026). https://doi.org/10.1038/s41598-026-39477-5

Parole chiave: polarizzazione sui social media, comunità politiche, discorso su Twitter, analisi di rete, camere dell’eco online