Dopo aver scritto il post che presentava l'idea generale del modello predittivo dell'audience di un talk-show politico a partire dall'attività su Twitter (nel post anche il volume medio dei Tweet generati dagli hashtag ufficiali delle principali trasmissioni nella prima parte di stagione) mi è venuto in mente un modo semplice per migliorare significativamente le capacità predittive del modello.

Guardando l'audience delle 376 puntate prese in considerazione sembra piuttosto evidente che le variazioni nelle puntate di un singolo programma siano piuttosto contenute.

Questo significa che ogni talk-show ha un pubblico piuttosto affezionato ed abitudinario che produce un audience che non si differenzia molto di puntata in puntata. La trasmissione con la varianza maggiore è Omnibus (28% dell'audience media), quella con la minore varianza è ServizioPubblico (0.09%). 

Questi dati ci danno un'idea di massima di quanto ogni trasmissione abbia un pubblico stabile di puntata in puntata (anche se va tenuto presente che la varianza, di solito, cresce al crescere dal numero di puntate trasmesse). Al di là del dettaglio sul singolo programma quello che conta è che l'audience non cambia molto di puntata in puntata. Questo significa che la media dell'audience delle puntate precedenti dovrebbe essere un buon predittore dell'audience della puntata futura. Infatti le performance di un modello di regressione lineare semplice basato sull'audience media come variabile indipendente vanta performance decisamente migliori di quelli testati in precedenza.

Residuals:
Min 1Q Median 3Q Max
-966867 -96515 -8538 84705 936133

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 2.305e-09 1.770e+04 0.00 1
showdata$avg_audience 1.000e+00 1.331e-02 75.16 ---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 221300 on 374 degrees of freedom
Multiple R-squared: 0.9379, Adjusted R-squared: 0.9377
F-statistic: 5648 on 1 and 374 DF, p-value: < 2.2e-16

A questo punto possiamo chiederci se l'aggiunta della variabile volume dei Tweet al minuto migliori le performance del modello ed infatti...

Residuals:
Min 1Q Median 3Q Max
-919587 -90990 -8523 82001 928457

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 1.557e+04 1.700e+04 0.916 0.36
showdata$avg_audience 9.141e-01 1.846e-02 49.512 < 2e-16 ***
showdata$tm 7.485e+03 1.172e+03 6.389 4.97e-10 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 210400 on 373 degrees of freedom
Multiple R-squared: 0.944, Adjusted R-squared: 0.9437
F-statistic: 3145 on 2 and 373 DF, p-value: < 2.2e-16

L'errore standard diminuisce da 221300 a 210400 e la percentuale di varianza spiegata dal modello sale dallo 0.93 allo 0.94%. La differenza fra i due modelli, ancorché contenuta è tuttavia significativa.

Analysis of Variance Table

Model 1: showdata$audience ~ showdata$avg_audience
Model 2: showdata$audience ~ showdata$avg_audience + showdata$tm
Res.Df RSS Df Sum of Sq F Pr(>F)
1 374 1.8314e+13
2 373 1.6508e+13 1 1.8067e+12 40.823 4.972e-10 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

A questo punto rimane solo da fare un'ultima prova. Cosa accade inserendo nel modello anche la variabile networked_publics (ovvero il valore medio del rapporto fra volume di Tweet ed audience - cioè la percentuale di attività dell'audience) propria di ciascuna trasmissione?

Residuals:
Min 1Q Median 3Q Max
-884852 -85906 -29916 89933 893697

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 8.913e+04 1.938e+04 4.599 5.83e-06 ***
showdata$avg_audience 8.613e-01 1.910e-02 45.098 < 2e-16 ***
showdata$tm 1.501e+04 1.567e+03 9.579 < 2e-16 ***
showdata$networked_publics -9.494e+07 1.400e+07 -6.783 4.66e-11 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 198700 on 372 degrees of freedom
Multiple R-squared: 0.9502, Adjusted R-squared: 0.9498
F-statistic: 2365 on 3 and 372 DF, p-value: < 2.2e-16

Si ottiene un modello ancora più preciso caratterizzato da un errore standard di 198700 ed un Adjusted R-squared di 0.95. In pratica questo modello è in grado di prevedere l'audience di un talk show politico sulla base del volume dei Tweet prodotto dall'hashtag ufficiale della trasmissione con un margine di errore che inizia a diventare interessante e forse utile nella pratica.

L'analisi della varianza degli ultimi due modelli testati conferma che la differenza fra i modelli è statisticamente significativa

Analysis of Variance Table

Model 1: showdata$audience ~ showdata$avg_audience + showdata$tm
Model 2: showdata$audience ~ showdata$avg_audience + showdata$tm + showdata$networked_publics
Res.Df RSS Df Sum of Sq F Pr(>F)
1 373 1.6508e+13
2 372 1.4691e+13 1 1.8168e+12 46.005 4.655e-11 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Anche quest'anno, con Alessandro Lovari, abbiamo analizzato le home page dei siti internet di tutti gli atenei italiani alla ricerca dei link agli spazi ufficiali sui social media. Da questi abbiamo raccolto tutti i dati disponibili attraverso le API delle diverse piattaforme e calcolato le performance dei diversi atenei sulle diverse piattaforme. Infine abbiamo calcolato il così detto University Social Media Performance Index (descritto brevemente qui e nel dettaglio qui).

I dati di maggiore interesse sono riassunti in questa info-grafica:

Ho anche aggiornato l'Osservatorio Università Italiane su Facebook con gli indirizzi di tutte le pagine rintracciate con la rilevazione 2012.

...o almeno come provare a farlo.

Da fine agosto abbiamo (collabora al progetto Donatella Selva) raccolto tutti i Tweet contenenti almeno uno dei seguenti hashtag: #agorai#agorarai, #ballarò, #piazzapulita, #ottoemezzo, #infedele (e variante #linfedele), #omnibus, #inonda, #portaaporta, #inmezzora, #ultimaparola e #serviziopubblico.

Lo scopo del progetto è studiare l’emergere delle forme di social tv in Italia concentrando l’attenzione su quei programmi che, trattando della cosa pubblica, dovrebbero generare un maggior volume di conversazioni su un social network con le caratteristiche di Twitter.

Approfitto dunque della pausa di natale per fare il punto su quanto abbiamo fatto fino a questo momento. Fra il 30 Agosto ed il 23 Dicembre 2012 abbiamo raccolto e archiviato per programma 610,013 Tweet. Abbiamo inoltre segmentato gli archivi in corrispondenza della messa in onda delle trasmissioni ottenendo 367 sotto-archivi corrispondenti a tutte le puntate (esclusi i pochi casi in cui non erano ospiti politici) di tutte le trasmissioni prese in esame andate in onda in questa prima parte della stagione televisiva. Parallelamente abbiamo raccolto l’audience e lo share di ciascun episodio trasmesso.

Tab. 1. Valori medi per programma

Come si può vedere ci sono tre trasmissioni che si contendono la palma della più discussa in rete: ServizioPubblico, PiazzaPulita e Ballarò. Quest’ultima è invece di gran lunga la trasmissione più seguita con una media di quasi quattro milioni di spettatori. Ovviamente il numero di Tweet medio dipende dalla popolarità della trasmissione (che a sua volta può dipendere dall’orario di messa in onda) e dalla lunghezza della trasmissione stessa. Per ovviare a questo problema abbiamo calcolato rispettivamente 1. il rapporto fra Tweet medi per puntata e audience media e 2. la media dei Tweet per minuto. Rispetto all’average audience engagement PiazzaPulita risulta essere la trasmissione con l’audience più attiva, mentre è nuovamente ServizioPubblico a far registrare il valore più alto in relazione alla media di Tweet per minuto di trasmissione. La puntata che ha fatto registrare il maggior volume di Tweet al minuto (67.45) appartiene invece alla trasmissione Porta a Porta ed è andata in onda il 18 Dicembre (ospite Silvio Berlusconi).

A questo punto ci siamo chiesti se fosse possibile costruire un modello in grado di prevedere l’audience di una puntata sulla base del volume di attività su Twitter. Il semplice volume di Tweet fa registrare una correlazione pari a 0.6957124, mentre prendendo in considerazione la media di Tweet per minuto si arriva ad una correlazione di 0.7590615.

Fig. 1. Scatterplot audience e Tweet al minuto

Sulla base di questi risultati abbiamo costruito un modello di regressione lineare semplice mirato a stimare l’audience di un episodio sulla base del numero medio di Tweet scambiati al minuto durante la messa in onda.

Residuals:

     Min       1Q   Median       3Q      Max

-2249545  -343077  -178238   441166  1837812

Coefficients:

            Estimate Std. Error t value Pr(>|t|)

(Intercept)   539764      36556   14.77

showdata$tm    49737       2206   22.55

---

Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 578100 on 374 degrees of freedom

Multiple R-squared: 0.5762,    Adjusted R-squared: 0.575

F-statistic: 508.4 on 1 and 374 DF,  p-value: < 2.2e-16

Il modello non brilla particolarmente per capacità predittive con un residual standard error di 578,100 spettatori ed un mutiple R-squared di poco superiore a 0.5. A questo punto abbiamo deciso di aggiungere una nuova variabile al modello. Di fatto costruire un modello previsionale unico per tutti i talk show non è cosa semplice. Cito solo due esempi: 1. Le trasmissioni che vanno in onda la mattina difficilmente possono beneficiare di una vasta presenza di quel pubblico connesso (prevalentemente giovane e dunque impegnato la mattina a scuola, università o lavoro), 2. Ogni trasmissione fa un uso diverso dei Tweet. Talvolta sono trasmessi nel sottopancia, talvolta sono citati, talvolta si invita il pubblico ad usare l’hashtag ufficiale e talvolta sono del tutto ignorati. Tutto questo non può non avere un impatto sul modello. Per questo motivo abbiamo deciso di arricchirlo inserendo l’average audience engagement come indice sintetico della capacità della trasmissione di attirare o stimolare la presenza di un pubblico attivo. Il nuovo modello è dunque basato su una regressione lineare multipla le cui due variabili indipendenti sono il numero di Tweet/minuto della puntata e l’ultimo valore di average audience engagement della trasmissione.

Residuals:

     Min       1Q   Median       3Q      Max

-2868842  -399567  -102448   375619  1722195

Coefficients:

                             Estimate Std. Error t value Pr(>|t|)

(Intercept)                    700355      35174   19.91

showdata$tm                     68615       2595   26.45

showdata$networked_publics -352324911   32458632  -10.86

---

Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 504600 on 373 degrees of freedom

Multiple R-squared: 0.6779,        Adjusted R-squared: 0.6762

F-statistic: 392.5 on 2 and 373 DF,  p-value: < 2.2e-16

Il nuovo modello è effettivamente più efficace del precedente. Il Residual standard error è sceso a 504,600 ed il valore Adjusted R-squared è aumentato allo 0.6762. Ecco infine gli scarti previsionali medi dei due modelli rispetto ai singoli programmi.

Tab. 2. Scarti fra valori di audience previsti ed osservati nei due modelli

Questa è solo una piccola anticipazione di quello che abbiamo in mente. Nei prossimi mesi continueremo a raccogliere i dati e perfezionare il modello sperimentando altre metriche di misura dell'attività su Twitter (ad esempio il numero di Tweet originali esclusi replay e RT). Quali sono, secondo voi, gli altri fattori che possono influenzare il rapporto fra attività su Twitter e audience?

Come forse saprete, è da ieri disponibile il film documentario tratto dal libro "The Singularity is Near" di Ray Kurzweil. Il film, non è nulla eccezionale né dal punto di vista della qualità della recitazione né dal punto di vista della sceneggiatura, solleva alcuni punti interessanti riguardo l'impatto sociale del potenziale avvento di intelligenze artificiali che superino le capacità della mente umana. Il pretesto è la storia di Ramona, un'entità artificiale che nel corso del film si confronta con diverse problematiche legate al riconoscimento sociale del proprio status di macchina cosciente. La storia è corredata da spezzoni di interviste nelle quali l'autore del volume si confronta con esperti di varia estrazione fra cui Sherry Turkle e Marvin Minsky.

Se non avete letto il libro potete dare un'occhiata a questo post che ho scritto tempo fa. Se decidete di imbarcarvi nella lettura sappiate che è disponibile dal 2008 una versione italiana del volume edita da Apogeo.

Invece il film può essere scaricato da qui al costo di $9.95 o $14.95 con i contenuti bonus (le interviste ai personaggi, un dietro le quinte ed un filmato intitolato Singularity in a Nuteshell). Il download è 930 Mb per il film e 2,45 Gb per i contenuti bonus.

Nel post precedente ho messo alla prova il modello sviluppato per le amministrative 2011 sui dati rilevati in questa tornata elettorale.

Vediamo come è andata.

Il modello ha funzionato nel 66,6% dei casi. Nello specifico il candidato con più Facebook Likes è risultato il più votato nel 41,6% dei casi (Catanzaro, Como, Genova, Lecce, Lucca, Monza, Palermo, Rieti, Taranto e Trani) ed è arrivato invece secondo nel 25% dei casi (Agrigento, Belluno, Brindisi, Cuneo, Gorizia e Pistoia).

Nel 2011 il modello aveva funzionato nell'82,1% dei casi (39,2%  primo e 42,86% secondo).

Nel 20,8% dei casi il modello ha previsto correttamente sia il candidato più votato che quello secondo classificato, ma in altrettanti casi il modello ha fallito completamente (in alcuni di questi casi non aveva alcuna chance visto che i candidati che hanno vinto non avevano una pagina Facebook).

L'indice di accuratezza della previsione è stato di 4,875 su 10. Nel 2011 questo indice ha fatto registrare performance simili (4,71).

Vediamo invece come è andata per quanto invece riguarda il secondo modello, il cui scopo è prevedere la percentuale di voti riportati da ciascun candidato.

Il margine di errore rilevato (candidate prediction gap) varia da un minimo di 0,07% ad un massimo di 70,54% (2011 CPG MIN: 0, MAX: 84,18).

Lo scarto medio fra le percentuali di voto e quelle di Likes è stato del -7,04% ovvero del 12,76% facendo la media dei valori assoluti degli scarti. Il primo valore è un indicatore di quanto la previsione sia sbilanciata in un senso o nell'altro (+ voti che like o + likes che voti), il secondo valore indica il margine di errore effettivo. Nel 2011 il CPG medio dei valori assoluti era 15,77% e l'ABS[CPG] -6,21%. Si tratta di margini di errori molto alti che rendono il modello così com'è poco utile dal punto di vista previsionale.

I 24 comuni capoluoghi con almeno due candidati con pagina Facebook avevano 5 e 16 candidati. Il 55,87% di questi candidati aveva una pagina Facebook che è stata monitorata nell'ambito di questo studio. Il margine medio di errore rilevato per comune ovvero ABS[Municipality Prediction Gap] è 15,24% con un massimo di scarto del 35,88% (Agrigento) ed un minimo del 4,70% (Genova). Nel 2011 l'ABS[MPG] rilevato fu 18,99% con un MIN di 5,09% ed un MAX di 51,99%.

Si conferma il rapporto fra ABS[MPG] e percentuale di candidati presenti con una pagina su Facebook rispetto al totale dei candidati. L'ABS[MPG] passa dal 24,78% dei comuni con meno del 33% di candidati su Facebook all'11,89% di quello dei comuni con oltre il 66% di candidati con pagina (nella categoria 34-66% l'ABS[MPG] è di 15,11%).

Confermato anche il rapporto fra dimensione della città (in termini di numero di elettori) e margine di errore. Nelle grandi città si ottengono previsioni più accurate che in quelle più piccole. Si passa infatti da un ABS[MPG] di 17,39% delle città con meno di 80000 elettori ad un ABS[MPG] intorno al 9% tanto per le città con un numero di elettori compreso fra 80000 e 200000 sia per quelle oltre i 200000.

Per quanto riguarda gli schieramenti si è proceduto a calcolare un Party Prediction Gap (PPG). Nel 2011 tutti gli schieramenti avevano ricevuto un maggiore consenso su Facebook, rispetto alle percentuali reali di voto, ma questa tendenza si faceva più evidente in rapporto ai partiti più estremi (sinistra PPG=-11,27% e destra PPG =-8,66%). Il partito invece meno sopravvalutato dal modello risultò il Centro Destra (PPG=-1,30%). Rispetto all'edizione 2011, sono stati aggiunti due nuovi schieramenti: Terzo Polo e Lega Nord. Il primo non esisteva nel 2011 ed il secondo era accorpato al risultato del Centro Destra. Proprio questi due nuovi schieramenti sono stati quelli più sottostimati dal modello Terzo Polo (PPG=4,58%) e Lega Nord (PPG=5,56%). La Destra è invece risultato lo schieramento più sopravvalutato nelle previsioni di Facebook (PPG=-18,71%).

Se dunque si conferma un maggiore attivismo online da parte dei supporter dei partiti più estremi, si evidenzia anche l'anomalia della Lega Nord. Accorpando infatti i dati della Lega Nord con quelli del Centro Destra, quest'ultimo torna ad essere fra gli schieramenti più sopravvalutati dal modello. Questi dati potrebbero far pensare ad un incidenza dei candidati (o meglio delle strategie e supporter) Lega Nord anche sul risultato del 2011. Quello che appare evidente è che le strategie di costruzione del consenso della Lega Nord (e forse la tipologia di elettori di questo partito) non sono passate, almeno in questa occasione, per Facebook.

Per il futuro intendo provare a perfezionare il modello basato sugli scarti prendendo in considerazione solo i voti ottenuti dai candidati effettivamente presenti con una pagina su Facebook e applicando dei correttivi basati sui risultati dei PPG dei diversi schieramenti. Inoltre vorrei capire quali variabili possono influenzare il margine di errore e l'indice di accuratezza in modo da costruire un indice di affidabilità delle previsione.

I dati sono disponibili in questo Google Spreadsheet.

Da oggi ho inoltre reso pubblicamente disponibile il working paper relativo allo studio del 2011: Giglietto, Fabio, If Likes Were Votes: An Empirical Study on the 2011 Italian Administrative Elections (January 16, 2012). Available at SSRN: http://ssrn.com/abstract=1982736. Una versione ridotta di questo articolo sarà pubblicata negli atti dell'ICWSM-12.

Dopo la prima esperienza fatta con le elezioni amministrative 2011, ho deciso di raccogliere i dati delle amministrative 2012. Grazie alla indispensabile collaborazione di Agnese Vardanega e del suo team, sono riuscito a identificare e monitorare 116 pagine Facebook relative ai 229 candidati sindaco dei 26 comuni capoluogo che andranno al voto il 6 e 7 Maggio. Si tratta del 51,6% contro il 44,5% dell'edizione 2011 dell'indagine.  Come lo scorso hanno ho deciso di concentrarmi solo sull'utilizzo delle pagine e non su quello dei profili personali (per una panoramica complessiva sull'utilizzo del web da parte dei candidati 2012 si veda questo report). La raccolta dati è iniziata il 17 Aprile e si è conclusa con la rilevazioni di oggi 5 Maggio. Per ogni pagina individuata ho raccolta sia il numero di Likes che quello dei talking_about_count (una metrica di engagement della pagina che non esisteva nel 2011).

Nel complesso ho rilevato un totale di 80147 Likes (contro i 179003 del 2011). Nel 2011 i rinnovi delle amministrazioni dei 29 capoluoghi coinvolgevano un totale di 4724554 elettori. Il rapporto con i Likes era dunque del 3,78%. Al momento non ho il dato degli elettori totali per i capoluoghi 2012, ma una prima stima basata sul numero di abitanti dei comuni chiamati al voto farebbe pensare ad una flessione della partecipazione. Gli elettori chiamati al voto 2012 nei 26 comuni capoluoghi sono in totale 2846168. Il rapporto con i like è dunque sceso dal 3,78% al 2,81% (un calo del 25,6% rispetto all'anno precedente).

Seguendo quanto fatto lo scorso anno, per ogni candidato calcolerò un Candidate Prediction Gap (CPG) inteso come la differenza fra la percentuale di voti validi e la percentuale di Likes ricevuti sul totale di quelli ricevuti da tutti i candidati del comune presenti con una pagina su Facebook.

Lo scopo è quello di creare un semplicissimo modello previsionale che possa essere studiato e testato nel tempo con l'obiettivo di creare, eventualmente, un modello previsionale più articolato, basato su un numero maggiore di variabili ed auspicabilmente più preciso.

Per ogni comune provvederò poi a calcolare un Municipality Prediction Gap (ABS[MPG]) e per comprendere meglio gli effetti di alcune variabili saranno messi a confronto categorie di comuni omogenee per numero di abitanti e percentuale di candidati presenti con pagina su Facebook. Infine provvederò a classificare i candidati per area politica di appartenenza e calcolerò un Party Prediction Gap (PPG) e un ABS[PPG] . Lo scarto fra la previsione ed il risultato può essere negativo o positivo. Per questo motivo in alcuni casi ho calcolato la media dei valori assoluti degli scarti [ABS] per dare conto dell'effettiva distanza fra i valori e in altri casi, laddove era importante mettere in evidenza la direzionalità dello scarto la semplice media degli scarti.

Infine calcolerò un indice di accuratezza della previsione attribuendo ad ogni comune un punteggio in base alla seguente tabella:

Lo studio sui dati del 2011 ha fatto registrare un CPG che variava fra 0 e 84,18% per una media degli scarti in valore assoluto di 15,77% e non in valore assoluto di -6,21% (il valore negativo indica che la percentuale di popolarità su Facebook era tendenzialmente superiore a quella effettivamente ottenuta dai candidati alle elezioni - anche per via del minore numero di candidati per città). Nel 2011, dopo aver escluso i tre comuni che presentavano meno di due candidati con pagina Facebook, il campione era rappresentato da 26 competizioni elettorali corrispondenti ad altrettanti comuni. Fra i candidati di questi comuni poco più della metà avevano una pagina Facebook (51,1%). Nel 2012 questa percentuale, relativa ai 24 comuni con più di un candidato presente con una sua pagina Facebook, è del 54,8%.

Fra le conclusioni dello scorso anno si notava che:

• l'ABS[MPG] diminuiva al crescere della percentuale di candidati del comune presenti con una pagina su Facebook;
• l'ABS[MPG] nelle grandi città era inferiore rispetto a quello delle città medie e piccole;
• Lo schieramento di centro-destra era quello più sottostimato rispetto agli altri dalla previsione basata sull'analisi del consenso su Facebook. Quello meno sottostimato era invece lo schieramento di sinistra;
• In base all'indice di accuratezza della previsione ho potuto osservare come il candidato che risultava primo nella competizione su Facebook, in oltre l'80% dei casi risultava vincitore o piazzato al secondo posto della competizione elettorale.

Sulla base di queste conclusioni vorrei provare a fare delle vere previsioni sui dati di quest'anno (con la premessa che si tratta di un gioco e che il minore interesse degli elettori rispetto al 2011 porterà con tutta probabilità a previsioni meno attendibili):

Hanno l'80% di vincere o arrivare secondi nelle rispettive competizioni elettorali:

• Salvatore Pennica (Agrigento), scarsamente affidabile;
• Corrado Parise (Alessandria), poco affidabile;
• Mariangela Cotto (Asti), poco affidabile;
• Jacopo Massaro (Belluno), scarsamente affidabile;
• Mauro D'Attis (Brindisi), poco affidabile;
• Salvatore Abrano (Catanzaro), poco affidabile;
• Mario Lucini (Como), poco affidabile;
• Gigi Garelli (Cuneo), poco affidabile;
• Marco Doria (Genova), affidabile;
• Giuseppe Cingolani (Gorizia), scarsamente affidabile;
• Raffaele Mauro (Isernia), scarsamente affidabile;
• Ettore Di Cesare (L'Aquila), scarsamente affidabile;
• Massimiliano Mammì (La Spezia), scarsamente affidabile;
• Paolo Perrone (Lecce), affidabile;
• Alessandro Tambellini (Lucca), poco affidabile;
• Roberto Scanagatti (Monza), poco affidabile;
• Leoluca Orlando (Palermo), molto affidabile;
• Roberto Ghiretti (Parma), poco affidabile;
• Anna Maria Celesti (Pistoia), poco affidabile;
• Simone Petriangeli (Rieti), scarsamente affidabile;
• Ezio (Ippazio) Stefano (Taranto), poco affidabile;
• Gigi Riserbato (Trani), scarsamente affidabile;
• Sabrina Rocca (Trapani), poco affidabile;
• Gianni Benciolini (Verona), molto affidabile.

Il calcolo dell'affidabilità tiene conto della dimensione del comune e della percentuale di candidati presenti con una loro pagina su Facebook.

Nei prossimi giorni tornerò sull'argomento per vedere come è andata e quali indicazioni si possono trarre in vista della costruzione di un modello più efficace (magari tenendo anche conto della metrica talking_about_this_count).

I dati che ho raccolto sono disponibili a https://docs.google.com/spreadsheet/pub?key=0AlvOxUU1s8RVdGlFUlYwUy1nWW5QYV9mNFFobng4eUE&output=html.

L'articolo relativo allo studio sui dati del 2011 è stato accettato per la pubblicazione negli atti e la presentazione nella sezione poster di ICWSM-12.

Ecco la seconda parte del seminario "Il valore reale del denaro virtuale. Dai giochi Online ai mercati valutari" organizzato dal Dipartimento di Scienze di Base e Fondamenti dell'università degli Studi di di Urbino "Carlo Bo" in collaborazione con  l'Associazione Culturale NeuNet.

Come avevamo fatto per la prima parte del seminario, proponiamo i diversi interventi in video separati in modo da permettere, a chi volesse, di guardarli un po' per volta. Ogni singolo intervento, pur essendo collocato in un unico contesto, offre diverse sfaccettature del tema affrontato, per questo è importante dare il giusto rilievo ad ogni punto di vista. Le riflessioni e gli spunti emersi sono stati raccolti in un white paper (A. Bogliolo, F. Giglietto, P. Polidori, and F. Stradini, Il valore reale del denaro virtuale: dai giochi online ai mercati valutari, NeuNet white paper No. 12.001, 2012), scaricabile cliccando sul link.

Nei primi video pubblicati, dopo una breve introduzione, Alessandro Bogliolo e Paolo Polidori hanno affrontato rispettivamente da un lato le problematiche connesse al denaro virtuale dal punto di vista tecnologico,  informatico e applicativo e, dall'altro, gli aspetti della moneta virtuale vista come uno step nel processo evolutivo della moneta come sistema di scambio.

I video che pubblichiamo oggi completano il quadro delineato proponendo gli interventi di Fabio Giglietto e Francesca Stradini.

Fabio Giglietto esplora il denaro virtuale anche nel suo rapporto con i giochi online. In ambiente digitali il medium denaro viene riproposto e, per stimolarne la circolazione e il ricambio con il denaro reale viene simulata una condizione di scarsità di risorse. Le virtual currency, a seconda degli ambienti virtuali per cui sono create, presentano delle differenze e diverse implicazioni.

Se, da un lato, i giochi online generano denaro perché, ad esempio, per giocare è necessario e si è disposti a pagare; dall’altro generano un vero e proprio mercato del lavoro: c'è chi è disposto a pagare qualcun altro che giochi al suo posto pur di proseguire nel gioco. Per questo stanno nascendo dei nuovi imprenditori dall’altra parte del mondo che offrono questo servizio sfruttando operai/giocatori, i così detti gold farmers.

Il valore reale del denaro virtuale - Quarta Parte from Erica Reika on Vimeo.

L'intervento di Francesca Stradini (Diritto Tributario) si concentra sulla rilevanza fiscale delle transazioni online e problematizza le questioni fiscali che il denaro virtuale potrebbe far emergere.

Il valore reale del denaro virtuale - Quinta parte from Erica Reika on Vimeo.

Il video finale presenta il dibattito che apre a nuove prospettive da esplorare.

Il valore reale del denaro virtuale - Sesta Parte from Erica Reika on Vimeo.

Terzo articolo della serie dedicata al progetto ULOOP a cura di Erica Giambitto.

Le ricerche sul capitale sociale, sulla sostenibilità sociale e la nostra attività nell'ambito di ULOOP hanno una domanda in comune: quali sono le motivazioni che spingono le persone appartenenti ad una stessa comunità a mettere a disposizione degli altri le proprio risorse e ad impegnarsi in prima persona per il bene collettivo?

In questo articolo cercheremo di capire come in ULOOP si è cercato di motivare la cooperazione degli utenti. L’innovazione di ULOOP si basa su due elementi chiave: considerare l’utente come una componente chiave dei servizi di rete e la creazione di wireless local loop on-the-fly. Questi sono realizzabili solo implementando meccanismi di gestione della fiducia e di incentivazione alla cooperazione (AA.VV. D.1.1: ULOOP User-Centric Wireless Local Loop, 2010).

Annche Yochai Benkler (Berkman Professor of Entrepreneurial Legal Studies, Harvard Law School, faculty co-director, Berkman Center for Internet and Society) riflette su come  creare sistemi basati su modelli cooperativi. Secondo Benkler l’utente deve essere considerato in tutte le sue sfaccettature, è importante, quindi, implementare nei sistemi cooperativi non solo incentivi di tipo materiale come premi e punizioni, ma anche di tipo sociale come empatia e solidarietà (Benkler, Y. The Penguin and The Leviathan, Crown Business, New York 2011).

Le caratteristiche chiave di ULOOP sono un valore che gli stessi utenti aggiungono al sistema, attraverso la loro partecipazione. Così la sostenibilità socio-economica di ULOOP dipende dalla densità di nodi presenti in un local loop (AA.VV. D2.2: ULOOP. Socio-economic sustainability report 2011) e dalla capacità del sistema di inserire gli utenti nella catena del valore. Per questo gli utenti sono stati divisi in categorie e, a seconda degli effetti positivi, negativi e trascurabili di cui fanno esperienza, sono stati previsti incentivi specifici per stimolarne la cooperazione. Questo tipo di incentivi sono principalmente di tipo materiale, fanno cioè leva su vantaggi e svantaggi derivanti da una data situazione.

Nel primo White Paper dedicato a ULOOP viene sollevata una questione importante: la cooperazione dipende dalla volontà dei nodi (utenti) di partecipare, ma anche da elementi percepiti come negativi che disincentivano la partecipazione, tra cui la percezione della scarsità delle risorse e la mancanza di fiducia tra gli utenti.

Scarsità di risorse disponibili nel nodo.

L’idea di condividere una risorsa finita, ad esempio l’ampiezza di banda o la capacità di processing del device, potrebbe disincentivare la cooperazione. Per questo  ULOOP incentiva lo scambio di risorse tra utenti permettendo loro di contribuire con la risorsa che hanno maggiormente a disposizione, o che in quel momento usano meno. Così l’utente che contribuisce, guadagna il diritto di ricevere la risorsa di cui ha bisogno nel momento più adatto alle sue esigenze. La risorsa che riceverà in cambio è stata condivisa da un altro utente, dunque è frutto di un’altra scelta individuale. Lo scambio non è negoziato autonomamente dai due utenti ma è gestito automaticamente dal sistema ULOOP. Gli utenti fanno dunque affidamento sul suo funzionamento come garante dello scambio. Chi tiene un comportamento scorretto viene, mediante il meccanismo della social trust, identificato e sanzionato, ad esempio con una riduzione delle possibilità di accesso o una riduzione di banda.

Questo tipo di incentivo sembra basato sul concetto di fiducia sistemica (Luhman 1979, cit. in E. Keimolen, D. Broeders “Quando alcuni sono più uguali degli altri... Fiducia, free riding e azione collettiva in una rete P2P” in Sociologia della Comunicazione n. 40, Franco Angeli, 2009, p. 94-95). Quando calati in un sistema complesso, in cui si relazionano in collettività ampie e con sconosciuti, gli utenti non godono di fiducia reciproca ma ripongono fiducia nelle capacità del sistema di gestire questi scambi e il rischio che altri non contribuiscano, li danneggino o abbandonino il sistema danneggiandolo. <<La fiducia sistemica viene allora costruita automaticamente attraverso continue esperienze positive (feedback)>> (ibidem).

Mancanza di fiducia tra gli utenti.

La cooperazione in un sistema di relazioni create on-the-fly tra utenti che non si conoscono personalmente, deve far fronte al problema della mancanza di fiducia a livello interpersonale. La mancanza di fiducia tra utenti dipende dalla loro scarsa conoscenza reciproca. ULOOP propone diversi incentivi per ovviare a questa mancanza, innanzitutto prevede un sistema di riconoscimento univoco dell’user ID, tutelandone al tempo stesso la privacy. Dà la possibilità di creare legami tra utenti basati su interessi condivisi (stesse tipologie di file, stesse abitudini) e un sistema di valutazione reciproca collettiva (informazioni SNR, individuazione di malicious users, Quality of Experience).

Questi incentivi richiamano ciò che la letteratura sull’azione collettiva definisce meccanismi regolativi (ibidem, p. 93): l’esclusione, la reputazione, la reciprocità (Becker, Clement 2006, cit. in ibidem, p. 103; R. Alexander The biology of moral systems, cit. in Benkler The penguin and the leviathan, Crown Business, New York 2011, p. 42).

Dunque sembra che ULOOP gestisca le motivazioni alla cooperazione su due livelli. Un livello sistemico che crea fiducia nel funzionamento del sistema facendo leva sulle motivazioni strumentali alla cooperazione (Portes Alejandro, SOCIAL CAPITAL: Its Origins and Applications in Modern Sociology Annu. Rev. Sociol. 1998, pp.1-24). Si basano sulla enforceable trust, cioè il senso di appartenenza ad una comunità la cui esistenza è percepita come garanzia che il contributo dato verrà ripagato. Un livello interpersonale, che fa leva sulle motivazioni consumatorie alla cooperazione basate sulla bounded solidarity, per cui un individuo agisce per il bene collettivo anche se ad un costo personale, perché si sente parte del gruppo e si identifica in esso.

Sembra che anche Benkler lavori su questi due livelli, anche se non esplicitamente. Egli individua degli elementi chiave da implementare in un sistema perché sia cooperativo.

1. Comunicazione: nella costruzione di un sistema cooperativo è fondamentale implementare la possibilità di comunicare tra gli utenti e, in maniera altrettanto importante, stimolare un processo di negoziazione e mediazione tra i punti di vista differenti. La comunicazione fa sviluppare empatia e fiducia negli altri, aiutando nella risoluzione di problemi.
2. Empatia e Solidarietà: immedesimarsi in qualcun altro, provare le stesse emozioni e talvolta le stesse sensazioni (empatia) così come identificarsi in un gruppo (solidarietà), rende gli utenti disposti a sopportare un costo personale per il benessere del gruppo a cui sentono di appartenere. Per stimolare questo processo è importante umanizzare le persone, permettere di sapere chi sono e perché necessitano dell’aiuto o contributo di altri.
3. Framing: creare un frame, un contesto che descriva il sistema come cooperativo, come una comunità, orientando l’interpretazione del sistema da parte degli utenti rendendoli maggiormente disposti alla cooperazione. Il frame, però, funziona solo se costruito sulla verità. Il sistema deve veramente essere progettato come cooperativo, altrimenti, non rispondendo alle aspettative degli utenti, si svuoterebbe dopo poco tempo.
4. Reputazione, trasparenza e reciprocità: i sistemi che si basano sulla reciprocità, soprattutto quella indiretta, sono facilmente invasi da utenti che attingono al sistema senza contribuire, basta pensare al fenomeno dei free riders (Benkler 2011). La reputazione è lo strumento più importante che si ha per sostenere il sistema ma per essere veramente efficace necessita che l’identità delle persone coinvolte sia visibile e trasparente, sempre nei limiti della privacy.
5. Equità, moralità, norme sociali: se percepiamo il sistema in cui siamo inseriti come  equo, siamo più predisposti a cooperare. Basarsi solo su incentivi e punizioni può essere controproducente, è necessario pensare se e come il nostro sistema risulti equo. Moralità: definire chiaramente i valori, discutendone, spiegandoli, evidenziando qual è la cosa che si ritiene giusta da fare in ogni situazione. Social Norms: Le norme sociali sono un codice che orientano il comportamento ma non sono stabilite a priori, sono emergenti, per questo generalmente la maggior parte delle persone tende a seguirle. Rendere trasparente il comportamento degli altri nelle diverse situazioni permetterà di conformarsi con ciò che è ritenuto “normale”.
6. Modularità: cooperare ha un costo, è come l’impegno in una attività, una spesa economica per l’accesso a un servizio, la rinuncia ad una risorsa a favore di qualcun altro. Dunque uno dei primi elementi da attivare per incentivare la cooperazione è consentire la partecipazione per piccoli moduli di contribuito, permettendo a ciascuno di cooperare secondo le possibilità e disponibilità del momento.
7. Premi e punizioni: siano essi materiali (ottenimento di vantaggi per il singolo), oppure sociali (raggiungimento di un benessere comune) ma sempre dati in base alle motivazioni degli utenti. Dare premi materiali a qualcuno che coopera alla comunità perché interessato al bene comune o, viceversa, premiare con la reputazione qualcuno interessato ad un aumento di risorse materiali, potrebbe causarne l’allontanamento spontaneo dalla comunità.
8. Flessibilità: è necessario tenere presente i diversi profili motivazionali, anche quelli poco produttivi, perciò i sistemi che si avvalgono della cooperazione devono essere flessibili e consentire una contribuzione asimmetrica, sfruttando il principio della coda lunga.

Anche gli elementi suggeriti da Benkler si possono raggruppare e implementare nei due livelli di motivazione alla cooperazione: sistemico e interpersonale.
Comunicazione, empatia, solidarietà, reputazione, trasparenza, reciprocità e framing possono essere utili strumenti per costruire, a un livello interpersonale, la fiducia reciproca tra gli utenti, contribuendo a realizzare l’identificazione nel gruppo e a rafforzare la bounded solidarity.

Equità, moralità, norme sociali, modularità, premi, punizioni e flessibilità possono essere utili strumenti, a livello sistemico, per costruire la fiducia sistemica, contribuendo a rafforzare il senso di appartenenza alla comunità e la enforceable trust.

Oltre il 40% degli atenei italiani ha una presenza ufficiale su Facebook (fonte: http://ssrn.com/abstract=1978393). I dati cambiano tuttavia con frequenza quotidiana ed eventi specifici (come ad esempio le recenti nevicate) possono modificare significativamente l'intensità di utilizzo di questi strumenti da parte della comunità di riferimento di un ateneo. Per questo motivo ho deciso di dedicare un po' di tempo a realizzare uno strumento in grado di tenere traccia di questi cambiamenti nel tempo. A questo scopo ho raffinato alcuni strumenti che avevo già utilizzato in passato per creare un vero e proprio osservatorio che racconti gli atenei italiani su Facebook calcolando quotidianamente indici sintetici di popolarità, popolarità ponderata sul numero degli iscritti e trend dell'attività sulla pagina ponderato in base alla popolarità della pagina stessa.

Alla pagina dell'osservatorio troverete i dati aggiornati quotidianamente. Il reperimento dei dati è affidato ad un script che aggiorna automaticamente il foglio di calcolo prelevandoli da Facebook Graph, archivia i dati del giorno precedente e crea le tabelle riassuntive ed i grafici.

Il servizio è in fase sperimentale. C'è un problema noto che riguarda la pagina dell'Università di Foggia i cui dati sono disponibili solo ad utenti di Facebook autenticati (probabilmente è attivo qualche limitazione geografica o di età sul target di utenti che può visualizzare la pagina). Questo fa si che lo script non sia in grado di reperire i dati di quella pagina.

Potrebbero inoltre mancare delle pagine. Nella pagina dell'osservatorio è descritta la metodologia che ci ha consentito di individuare le pagine ufficiali. Potrebbero tuttavia essere intercorsi dei cambiamenti dalla data di rilevazione e nuovi atenei potrebbero aver aperto pagine ufficiali. Provvederò ad aggiungere queste pagine dietro segnalazione.

Vai alla pagina dell'osservatorio.

Alessandro Lovari, durante la scuola di dottorato Meris, mi ha proposto, avendo letto il post sulla popolarità delle pagine Facebook delle Università italiane, di sviluppare insieme l'idea di analizzare se e come gli atenei italiani usassero i social media.

Dopo un paio di incontri in Skype, qualche telefonata e diverse ore di lavoro abbiamo completato la scrittura di questo articolo che prende in esame le presenze ufficiali sui media sociali di tutte i 95 atenei italiani. Poco più della metà degli atenei è presente su almeno un social media. Facebook è il più diffuso seguito da YouTube e Twitter. Gli atenei di medie dimensioni e le università private sono più presenti ed attive. Per valutare meglio le performance delle Università sui social media abbiamo sviluppato un indice che abbiamo denominato USMPI ovvero "university social media performance index". Questo indice valuta la presenza e le performance degli atenei sui social media usando combinando una serie di metriche e rapportando alcune di esse alla dimensione dell'ateneo (i dettagli metodologici sono nel paragrafo 4.1 dell'articolo).

I dieci atenei che hanno fatto registrare le migliori performance sono:

Ateneo, USMPI

Libera Univ. Inter.le Studi Sociali "Guido Carli" LUISS-ROMA, 0.31
Università Commerciale "Luigi Bocconi" MILANO, 0.31
Politecnico di MILANO, 0.25
Università degli Studi di MILANO-BICOCCA, 0.24
Università degli Studi di URBINO "Carlo BO", 0.19
Libera Univ. degli Studi "Maria SS.Assunta" - LUMSA - Roma, 0.19
Università "Cà Foscari" VENEZIA, 0.17
Libera Università di lingue e comunicazione IULM-MI, 0.17
Università degli Studi di PAVIA, 0.16
Università degli Studi di UDINE, 0.16

USMPI nel complesso varia da un minimo di 0 ad un massimo di 0.31. La media è 0.0502 e la deviazione standard 0.07351.

L'indice è stato realizzato con l'intento di essere facilmente calcolabile con un intervento umano minimo o nullo. Tutte le metriche analizzate sono basate su dati esposti pubblicamente dalle API delle piattaforme di social media.

Maggiori dettagli sull'indice e su tutta la ricerca sono disponibili nell'articolo (in inglese) che abbiamo pubblicato, in versione pre-print, su ssrn.

Lovari, Alessandro and Giglietto, Fabio, Social Media and Italian Universities: An Empirical Study on the Adoption and Use of Facebook, Twitter and Youtube (January 2, 2012). Available at SSRN: http://ssrn.com/abstract=1978393.

Consigli e suggerimenti sono più che benvenuti