I diversi tipi di reti che si creano nei social network

Le reti sociali che vengono a crearsi nei social possono essere generate dall’interazione tra gli utenti, come le amicizie in Facebook o le menzioni ed i retweet in Twitter, o dalla discussione relativamente ad una tematica. In Twitter si può ricostruire l’intera rete comunicativa soggiacente ad un argomento indagando gli scambi comunicativi avvenuti che hanno adottato determinati hashtag o parole chiave, identificando quali degli utenti coinvolti hanno avuto un ruolo centrale nel dibattito. È possibile, inoltre, estrapolare la rete semantica soggiacente la discussione, collegando con un arco le parole che compaiono in uno stesso tweet, così da fornire visivamente l’universo semantico che circonda un certo tema (Caliandro Aka Ali, 2013).

Un esempio della prima tipologia è la Figura 2.12, che riporta le connessioni (espresse sottoforma di amicizia) di un utente Facebook; i nodi rappresentano gli utenti, le linee la loro connessione; il grafico mette in evidenza attraverso la grandezza dei nodi quali

47

sono gli utenti che hanno il maggior impatto su gruppi multipli, fungendo da connettori tra comunità che altrimenti sarebbero disconnesse.

Figura 2.12: Visualizzazione delle connessioni di un utente Facebook Fonte: persuasionradio.wordpress.com, 2010

Relativamente allo studio delle rete attraverso cui una notizia si diffonde, merita di essere citato Gilad Lotan, responsabile dell’elaborazione dei dati presso Betawork ed esperto di data mining, il quale ha analizzato parecchie reti sociali nate in Twitter conseguentemente alla diffusione di notizie su avvenimenti come le rivolte in Tunisia ed in Egitto e le elezioni iraniane.

Lo scopo degli studi che ha condotto era quello di individuare i principali influenzatori sul tema e le interconnessioni che lo scambio di idee ed informazioni sulla tematica generava.

48

Lotan (2012) si interessò di scoprire chi aveva diffuso e amplificato messaggi riguardanti la protesta in Tunisia del Gennaio 2011, che Tsotsis aveva mostrato nel suo studio (2011) aver creato un enorme traffico in Twitter pari a 28 tweet al secondo nelle ore successive alla notizia che il presidente tunisino aveva lasciato il Paese. Concentrandosi sul totale dei tweet riportanti l’hashtag #sidibouzid (la provincia in cui la protesta prese avvio), pari a 170,000, pubblicati tra il 12 ed il 19 Gennaio da 40.000 differenti utenti Twitter, individuò i principali partecipanti in termini di volume ed indagò le connessioni di questi nodi.

Il grafico in Figura 2.13 rappresenta il network sociale di uno dei nodi principali all’interno del gruppo, Sami Ben Gharbia; è evidente come il suo audience sia diviso con altri utenti chiave, come ‘mfatta7’ e ‘jrug’, rispettivamente un giornalista egiziano e un corrispondente affari esteri di Channel 4 News.

Figura 2.13: Rete sociale di Sami Ben Gharbia, uno dei principali utenti che contribuirono alla

diffusione dell’hashtag #sidibouzid tra il 12 ed il 19 gennaio 2011

Fonte: Lotan, 2011

Inoltre, allo scopo di comprendere la tipologia di persone che era stata coinvolta nella diffusione dell’hashtag, creò un word cloud per mettere in luce le informazioni personali degli utenti Twitter che avevano partecipato alla discussione sugli

49

avvenimenti politici in Tunisia (vedi Figura 2.14), scoprendo che erano per la maggioranza giornalisti, studenti ed attivisti.

Figura 2.14: Word cloud contenente le informazioni personali dei partecipanti alla diffusione di

tweet contenenti l’hashtag #sidibouzid tra il 12 ed il 19 Gennaio 2011

Fonte: Lotan. 2011

Appare chiaro da quest’esempio come la visualizzazione dei dati può rivelare qualcosa che altrimenti non sarebbe ovvio guardando semplicemente i dati grezzi, per quanto possano essere ben organizzati; questo è tanto più vero quando si studiano le reti sociali. Un’analisi simile è quella di Galea (2012) sui legami creati dai 3660 tweet e relativi retweet contenenti l’hashtag #healthinall dell’ottava Global Conference on Health Promotion avvenuta ad Helsinki tra il 10 ed il 14 giugno 2013. Nel grafico in Figura 2.15 ogni nodo rappresenta un utente nei cui messaggi è apparso l’hashtagh #healthinall, i collegamenti tra i nodi indicano l’azione di un nodo di aver retwittato un messaggio di un altro utente, senza però mostrare quale dei due fosse l’autore originale. La grandezza dei nodi e delle loro etichette dipende dalla centralità dell’utente rappresentato, mentre i colori differenziano i diversi sottogruppi. WHO appare essere il nodo maggiormente collegato, rivestendo pertanto un ruolo cruciale nell’aumentare l’esposizione dell’evento attraverso la sua attività nel social network.

50

Figura 2.15: Network creato dai tweet e retweet contenenti l’hashtag #healthinall nel periodo

10-16 giugno 2013

Fonte: Galea, 2013

A sottolineare le prospettive di questo tipo di analisi c’è Vespignani, professore di Fisica, Informatica e Scienze della Salute, che durante il Wired Next Fest del 30 Maggio 2013 afferma: “Abbiamo cominciato ad utilizzare i Big Data con le epidemie per capire come si propaga l’infezione nel tempo e nello spazio. Ovviamente non riusciamo a prevedere quando ci sarà la prossima pandemia, ma a quanto appare possiamo intuire come si propagherà. Allo stesso modo si propagano le idee; il contagio del pensiero è un

51

fenomeno epidemico, in cui non dobbiamo più mappare la geografia, ma lo spazio sociale. Se ciò fino a pochi anni fa era impossibile, oggi si può”9.

Infine, per quanto riguarda l’analisi delle reti semantiche sottostanti alla diffusione di una notizia online, di un hashtag o di una parola chiave Gilad Lotan afferma: “Io credo fortemente che la vera rivoluzione di Twitter sta nel come questo mezzo permette alle persone di relazionarsi alle notizie e di diffonderle in modo personalizzato”10. Si può così comprendere come il messaggio venga collegato ad altri argomenti perché trattato sotto prospettive differenti, e come quindi nel tempo venga anche manipolato da parte dai suoi diffusori.

Nel 2012 Lotan ha fatto emergere le diverse tipologie di rete create dalla diffusione dei tweet contenenti l’hashtag #SahelNow riferito alla campagna dell’Unicef volta a raccogliere cibo ed altri tipi di aiuti per i bambini della regione del Sahel in Africa. I grafici seguenti sono degli screenshot delle analisi sulle reti di diffusione (Figura 2.16) e sulla rete semantica (Figura 2.17) ricavate elaborando i dati estratti da Twitter attraverso il software Ghepi.

9

Rizzoli, D., 2013. “Vespignani: Il pensiero è contagioso. E noi possiamo prevederlo coi Big Data" Wired

10

Lotan, G., 2012. “Analyzing UNICEF’s #SahelNow Campaign”. giladlotan.com, [blog] 23 Maggio 2012

52

Figura 2.16: Visualizzazione attraverso Ghepi delle connessioni tra gli utenti che hanno postato

l’hashtag #SahelNow durante il periodo analizzato. I cluster che emergono mettono in luce le differenti comunità a livello regionale e gli argomenti apparsi nei tweet che fanno riferimento alla campagna umanitaria Sahel Now

Fonte: Lotan, 2012

Figura 2.17: Grafico del network totale dei concetti comparsi nei tweet contenenti l’hashtag

#SahelNow hashtag (blu = menzioni di altri utenti, verde chiaro = altri hashtag, verde scuro = frasi)

53

Un altro esempio di studio possibile sulle reti semantiche online è un’analisi di Lotan del 2011 sugli account Twitter dei principali canali tradizionali di notizie.

L’immagine che segue (Figura 2.18) è il grafico del network generato dagli argomenti oggetto dei tweet dei follower di Al-Jazeera English (@AJEnglish) durante il periodo di un’ora; più l’argomento è trattato e più il suo nodo è grande e gli argomenti che compaiono nello stesso messaggio sono tra loro collegati.

Si notano sottogruppi relative a notizie afferenti a diverse parti del mondo (in alto a destra ci sono temi europei, in basso a sinistra relativi al Medio Oriente, in alto a destra quelli africani), non c’è un argomento predominante ma piuttosto conversazioni multiple che avvengono nello stesso momento, i cui argomenti sono comunque eventi d’attualità a livello globale o locale. La possibilità di monitorare l’evolversi e il declino di queste discussioni in tempo reale dà ad Al-Jazeera English la capacità di interagire al meglio con il proprio audience e di concentrare i suoi post sugli argomenti che più interessano al suo pubblico in quel momento.

Figura 2.18: Grafico della rete di connessioni tra gli argomenti oggetto dei tweet dei follower di

Al-Jazeera English durante il periodo di un’ora

54