Italiano. L'articolo si propone di investigare l'impatto delle comunicazioni istituzionali durante la crisi sanitaria causata dal Covid-19 in Italia, attraverso l'analisi computazionale dell'attivita` di microblogging su Twitter. A partire dal corpus TWITA, abbiamo realizzato una Sentiment Analysis per osservare eventuali cambiamenti nella polarita` delle scritture degli utenti, in reazione a undici discorsi istituzionali tenuti durante l'emergenza sanitaria. Variazioni sono state osservate in reazione a tre discorsi tenuti dal Presidente del Consiglio rispettivamente il 4 marzo, il 9 marzo e il 26 aprile 2020.
English. This paper aims at investigating the impact of institutional communications during the health crisis due to Covid19 pandemic in Italy, through the analysis of micro-blogging activities on Twitter by means of NLP techniques. We performed a Sentiment Analysis on the TWITA corpus, to pinpoint potential correlations between opinion polarity (positive or negative) of the users and public speeches during the outbreak. Our findings show changes in sentiment polarity related to three institutional speeches delivered by the Italian Prime Minister Giuseppe Conte on March, 4th, March, 9th, and April, 26th 2020.
La Sentiment Analysis e` un campo di studi
multidisciplinare finalizzato ad investigare e valutare
le opinioni espresse nei testi
Questo studio utilizza la TSA per investigare l’impatto che le comunicazioni istituzionali hanno riodo di emergenza della pandemia, come parte dell’iniziativa Computational Linguistics and the Covid-19 Outbreak5 promossa dall’Associazione degli utenti (positiva o negativa) e i discorsi tenuti Italiana di Linguistica Computazionale (AILC). Il dal Presidente del Consiglio e dal Presidente della
2 2.1
Preliminarmente allo studio, e` stato costruito
un piccolo corpus di dichiarazioni e conferenze
stampa pronunciate dal Presidente del Consiglio
Giuseppe Conte e dal Presidente della
Repubblica Sergio Mattarella, chiamato ItalC-Covid19
Attualmente, il corpus include undici testi orali, pronunciati tra il 3 marzo e il 16 maggio 2020. 2018), una versione del formato standardizzato
2.2
I tweet utilizzati per questo studio sono derivati dal corpus 40wita,4 un dataset di tweet italiani 1https://euiccovid19.altervista.org/ 2https://www.youtube.com/user/ governoit
3https://www.youtube.com/user/ presidenzarepubblica
4http://twita.di.unito.it/dataset/
40wita
dataset e` stato costruito giornalmente dal 1
febbraio 2020, filtrando TWITA
Al fine di ottenere delle statistiche generali, e` stato esaminato un lasso di tempo di 88 giorni, dal 26 febbraio al 23 maggio 2020. Il periodo considerato inizia una settimana prima della prima comunicazione istituzionale, e finisce una settimana dopo l’ultima. Il numero di tweet giornalieri sul coronavirus durante questo periodo va da un minimo di 9:245 a un massimo di 51:490, per un totale di 2:298:566 post. In fig. 1 e` illustrata la distribuzione di questi numeri in funzione del tempo. Si puo` chiaramente osservare una crescita significativa nei primi giorni di marzo, quando, in alcune regioni, il lockdown e` iniziato; il picco viene raggiunto il 10 marzo 2020, in corrispondenza 5http://www.ai-lc.it/covid-19/ 6covid, covid19, covid-19 corona virus, coronavirus, quarantena, autoisolamento, auto-isolamento, iorestoacasa, stateacasa, COVID19Italia, redditodicittadinaza, eurobond, coronabond, restiamoacasa, preghiamoinsieme, NoMes, milanononsiferma, bergamononsiferma, l’italianonsiferma, abbracciauncinese, iononsonounvirus, iononmifermo, aperisera, covidunstria, italiazonarossa, bergamoisrunning, quarantena, chiudetetutto, apritetutto, CuraItalia, ciricordiamotutto, oggisciopero, chiudiamolefabbriche, iononrinuncioalletradizioni, andra`tuttobene, INPSdown, percheQuando, cercareDi, ringraziarevoglio, 600euro, CineINPS, COVID19Pandemic. dell’estensione del lockdown a tutto il territorio nazionale. Segue una diminuzione graduale fino alla fine di maggio, quando la maggior parte delle attivita` viene riaperta.
La Sentiment Analysis e` stata realizzata con
Sentita
Analisi della sentiment polarity Il dataset appena descritto e` stato utilizzato per misurare se e in che misura le reazioni dei cittadini alle comunicazioni istituzionali siano riflesse nei loro tweet.
A tal fine, e` necessario considerare che la
polarita` dei tweet non e` uniforme durante il giorno
Che palle questo coronavirus mi sta rovinando tutti i piani e mi sta togliendo troppe gioie mi uccido So che non si puo` abbracciare per il Covid-19 ma io voglio mandare un enorme abbraccio virtuale a medici, infermieri, operatori ospedalieri che in queste settimane lavorano senza sosta per garantire la salute di tutti.
Grazie, grazie, grazie. pos. 0.046 neg.
0.963 0.985 0.093 azione all’interno del corpus, e` stato misurato l’andamento di tweet positivi e negativi nell’arco delle 24 ore e la media e` stata calcolata sull’intero periodo di osservazione (88 giorni). Questo ha permesso di comparare l’andamento di tweet positivi e negativi intorno agli eventi comunicativi con la media giornaliera, per determinare eventuali deviazioni. Per l’analisi e` stata considerata una finestra temporale che va da quattro ore prima a quattro ore dopo ogni comunicazione: all’interno di essa e` stata misurata la percentuale di tweet positivi e negativi per ogni ora. Per evitare ogni potenziale fluttuazione oraria, e` stata misurata la deviazione di polarita` rispetto alla media calcolata su tutti gli 88 giorni. In tab. 3 sono riportati, a titolo di esempio, i dati relativi alla prima comunicazione, la dichiarazione del Presidente del Consiglio del 4 marzo 2020, trasmessa tra le 19:00 e le 20:00.
I dati rappresentati sono i seguenti: distanza in ore dall’evento comunicativo (dist), ora del giorno (hour), percentuale di tweet positivi (pos), differenza tra pos e la media percentuale di tweet positivi per la stessa ora del giorno (pos dev); analogamente sono calcolati neg e neg dev sui tweet negativi.
I valori delle ultime due colonne (pos dev e neg dev) sono stati divisi in due gruppi: le percentuali relative ai tweet precedenti all’evento (A) e quelle relative ai tweet successivi all’evento (B). Numericamente i tweet considerati per l’analisi (nella finestra temporale [-4,+4] ore da ogni evento) sono 161.197, di cui 27.057 con polarita` positiva o negativa. Abbiamo applicato un modello di regressione lineare con una variabile dummy per ogni evento, assegnando un valore di 1:0 agli elementi di (A) e di 0:0 a quelli di (B). I p-value risultanti sono stati utilizzati per identificare gli eventi dopo i quali la polarita` dei tweet e` cambiata significativamente. 4
I risultati della regressione lineare sono riportati nella tab. 4.
I dati mostrano che per tre comunicazioni istituzionali si registrano variazioni significative: sono quelle rilasciate il 4 marzo, il 9 marzo e il 26 aprile 2020. Tali risultati sono coerenti con il contenuto delle comunicazioni: le prime due (4 e 9 marzo) hanno annunciato, rispettivamente, l’istituzione delle prime zone rosse e l’estensione del lockdown a tutto il territorio nazionale. L’ultima, al contrario, ha annunciato le misure contenitive relative alla cosiddetta Fase 2 (cioe` la parziale riapertura delle attivita`, e la fine del lockdown). E` importante sottolineare che i tre eventi hanno suscitato tre reazioni diverse (fig. 2): 4 marzo 2020: significativa diminuzione sia di tweet positivi sia di negativi; 9 marzo 2020: significativa crescita sia di tweet positivi sia di tweet negativi; 26 aprile 2020: significativa crescita esclusivamente di tweet negativi, con percentuale di tweet positivi invariata.
La prima dichiarazione e` stata seguita da un forte calo sia di tweet positivi sia di negativi: questo e` coerente con il clima di grande incertezza che ha caratterizzato i primi giorni di marzo 2020. Il Covid-19 si stava, infatti, ancora diffondendo prevalentemente nel Nord Italia, e la dichiarazione analizzata ha stabilito le prime misure contro un’ulteriore diffusione del virus. La percezione di pericolo crescente, da un lato, e l’attesa generale di altre misure contenitive, dall’altro, si traduce in opinioni meno chiaramente orientate.
La seconda dichiarazione e` servita ad annunciare il decreto ”Io resto a casa”: da quel momento, tutta la nazione e` diventata ”zona protetta”. Le reazioni emotive a questa comunicazione sono ambivalenti, con una crescita importante di tweet sia positivi, che negativi. Questa ”doppiezza” emotiva mostra da un lato la paura causata dall’epidemia in corso, e il lutto per le vittime, in quel momento particolarmente numerose; dall’altro, l’approvazione che il lockdown nazionale ha suscitato nella popolazione, e la tendenza a rimanere ottimisti e soprattutto uniti, esemplificata dall’hashtag andr a`tuttobene.
La terza comunicazione ha, invece, provocato
solo una significativa crescita di tweet negativi: il
26 aprile sono state annunciate le linee guida per
la progressiva riapertura, e l’ingresso nella
cosiddetta Fase 2. Una reazione cos`ı negativa e`
imputabile prevalentemente alla delusione: le
misure annunciate sono state percepite come ancora
troppo restrittive, tanto che molti tweet
ironizzavano sulla sostanziale identita` di Fase 1 e Fase 2.
La delusione e` derivata da una precedente
aspettativa: un rapido ritorno alla normalita`. Questo
desiderio, a sua volta, e` stato provocato da
effetti piu` generali che la pandemia ha avuto sul
benessere mentale ed emotivo della popolazione
italiana. La pandemia di Covid-19, analogamente a
quanto osservato per altre epidemie, ha suscitato
reazioni psicologiche negative, come un’incidenza
maggiore di depressione, stress
Per concludere, questo studio ha lo scopo di investigare le reazioni dei cittadini italiani alle comunicazioni istituzionali durante l’epidemia di Covid-19. Grazie al crescente utilizzo dei social network, e` infatti possibile esplorare le reazioni psicologiche ad eventi traumatici, sia individuali sia collettivi: secondo i nostri dati, le comunicazioni istituzionali che hanno provocato reazioni psicologico-emotive piu` forti sono quelle pronunciate il 4 e 9 marzo e il 26 aprile 2020, che hanno annunciato le misure piu` drastiche di contenimento dell’epidemia. Ulteriori studi potrebbero espandere questo lavoro, considerando contesti nazionali differenti (sia dove sono state attuate misure di contenimento del virus simili a quelle italiane, sia dove sono state attuate misure molto diverse). Inoltre, potrebbero essere oggetti di analisi eventi socio-politici diversi, come suggerito dallo studio Emoitaly8 (es. elezioni politiche, Giornata Internazionale dei Lavoratori, omicidio di George Floyd). Valerio Basile and Tommaso Caselli.
40twita 1.0: An collection Tweets during the COVID-19 http://twita.di.unito.it/dataset/40wita.
2020. of Italian
Pandemic.
Valerio Basile and Malvina Nissim. 2013. Sentiment analysis on Italian tweets. In Alexandra Balahur, Erik van der Goot, and Andres Montoyo, editors, Proceedings of the 4th Workshop on Computational Approaches to Subjectivity, Sentiment and Social Media Analysis, page 100–107. Association for Computational Linguistics. sis in Social Media and Its Applications in Disaster Relief. Springer, New York.