Identificazione delle metafore: MIPVU

Dopo aver estratto i pattern strutturati con EXTra, abbiamo ottenuto una lista di 3.407 metafore potenziali. Al fine di disambiguare le espressioni metaforiche da quelle non metaforiche `e stata

utilizzata la metodologia MIPVU (Steen et al., 2010).

MIPVU (Metaphor Identification Procedure Vrije Universiteit) si propone come una versio- ne aggiornata della procedura MIP (Metaphor Identification Procedure), sviluppata dal gruppo Pragglejaz e pubblicata nel volume Metaphor & Symbol (Pragglejaz, 2007). La MIP ha lo scopo di identificare la realizzazione linguistica di una metafora attraverso l’analisi delle parole o del- le unit`a lessicali presenti in un testo. Le fasi per individuare una metafora sono essenzialmente tre:

• La lettura preliminare del testo, per una sua comprensione generale. • L’isolamento delle unit`a lessicali nel testo.

• Per ogni unit`a lessicale, la ricerca del significato contestuale e del significato di base4_.

Successivamente, `e necessario decidere se il significato contestuale contrasta con quello di base ma pu`o essere compreso in relazione ad esso. In tal caso l’unit`a viene segnata come espressione metaforica.

La metodologia MIPVU mira invece a identificare i lessemi legati alle metafore (Metaphor- Related Words), attraverso un esame del testo parola per parola. In particolare, `e possibile indviduare tre tipologie di metafora:

• Se una parola `e usata in maniera indiretta e il suo uso pu`o essere potenzialmente spie- gato attraverso qualche forma di associazione tra domini concettuali a partire da un significato pi`u basilare, bisogna segnare la parola come “metafora indiretta”.

• Quando una parola `e usata in maniera diretta, ossia non c’`e contrasto tra il significato contestuale e quello di base, e il suo uso pu`o essere spiegato attraverso qualche forma di associazione tra domini concettuali verso un referente nel testo, bisogna segnare la parola come “metafora diretta”.

• Nel caso in cui forme di sostituzione (es. pronomi) o ellissi si trovano al posto di una metafora diretta o indiretta presente altrove nel testo, si parla di metafora “implicita”.

Bisogna tuttavia specificare che solo parte della procedura MIPVU `e stata impiegata nel presente lavoro di ricerca. Una prima differenza riguarda l’unit`a linguistica su cui si `e basato il processo decisionale. Come abbiamo visto, in MIP e MIPVU tale elemento `e la parola, ovvero ogni unit`a lessicale tranne i verbi frasali, qualche composto e i nomi propri. Questo significa che tra gli esempi citati dagli autori di queste metodologie figurano non solo morfemi lessi- cali (sostantivi, verbi, aggettivi), ma anche morfemi grammaticali usati metaforicamente. Un esempio `e la preposizione “in” nel caso di “You’ve never been in love”. In questo caso, c’`e un contrasto tra il significato di base che implica una localizzazione fisica e concreta e il significa- to contestuale, che invece indica una localizzazione in termini astratti. Tuttavia, dal momento che `e possibile comprendere la localizzazione astratta in termini di quella concreta, emerge un’associazione tra i due domini e quindi un uso metaforico della preposizione.

Nel nostro caso, poich´e l’analisi si basa su pattern metaforici, non `e stato necessario esegui- re i passaggi di lettura e riconoscimento delle Metaphor-Related Words per ogni unit`a lessicale contenuta nel corpus, ma solo per le metafore candidate estratte con EXTra. Inoltre, trattandosi unicamente di metafore indirette, il procedimento di disambiguazione si `e limitato all’indivi- duazione di un contrasto tra il significato contestuale e quello di base. Per questa operazione ci siamo avvalsi di un vocabolario della lingua italiana (Vocabolario Treccani).

Passiamo ora a illustrare un esempio pratico di applicazione della metodologia MIPVU. Consideriamo il caso del pattern “fermare l’invasione”. Il primo passo `e stato quello di cercare l’ID della metafora (fermare-v#il-rd#invasione-s) all’interno del corpus esteso e annotato, al fine di isolare tutti i post in cui l’espressione compare. Come si nota, essa appare 21 volte in tutto il corpus, di cui 4 in post di Matteo Salvini. Di seguito riportiamo il testo di uno di questi:

“Disoccupazione, terrorismo, povert`a, immigrazione…. Ma l’Europa di cosa discute ora? Di mettere un bavaglio a Facebook, di censurare i seminatori di fake news, odio e populismo. Sono contro il terrorismo islamico, allora sono islamofobo? Sono contro le adozioni gay, allora sono omofobo? Voglio chiudere i Cam- pi Rom efermare l’invasione clandestina in corso, allora sono xenofobo? Voglio tornare a controllare una moneta nostra, sono populista? Questi sono pericolosi, vogliono zittire chi non la pensa come loro e i loro padroni. Viva la libert`a di pensiero e di parola, viva la Rete libera e informata.” 5

Dopo aver letto integralmente il post `e possibile applicare la MIPVU. Consultando il Vo- cabolario Treccani onlinesi ricava che il significato basilare del verbo “fermare” `e “arrestare, trattenere, interrompere il moto di qualche cosa”, mentre per “invasione” si intende l’“ingresso nel territorio di uno stato da parte delle forze armate di uno stato belligerante” (Vocabolario Treccani online). A questo punto osserviamo che, mentre il verbo “fermare” `e usato con il suo significato di base, si rileva un contrasto tra il significato di “invasione” trovato sul vocabola- rio e quello contestuale, in cui l’arrivo dei migranti in Italia `e paragonato all’invasione di un esercito. Tuttavia, ammettendo il parallelismo tra le forze armate e gli immigrati, il significato contestuale pu`o essere recuperato e dunque l’espressione viene considerata metaforica.

Esaminiamo invece un caso opposto. Tra i pattern potenzialmente metaforici estratti da EXTra figura lasciare-v#il-rd#direzione-s#di-ea#orchestra-s. Dalla ricerca all’interno del corpus annotato emerge che l’espressione appare in un post di Luca Zaia dell’8 febbraio, che riportia- mo integralmente:

“+++IN BOCCA AL LUPO A CHIARA E CHE TENGA ALTA LA BANDIERA DEL VENETO A SANREMO+++

Sar`a ‘Nessun posto `e casa mia’ di battaglia con cui Chiara si cimenter`a sul palco dell’Ariston. Domani, per la ‘serata cover’, salir`a assieme a lei il musicista Mauro Pagani, che per una sera lascer`a la direzione dell’orchestra sanremese per la sua pupilla. In bocca al lupo!”

Anche in questo caso la lettura del post permette di disambiguare l’espressione, che viene usata in senso letterale dall’esponente di Lega Nord. Il pattern viene dunque segnato come non metaforico ed eliminato dalla lista. Applicando questa procedura, `e stato possibile filtrare la lista di espressioni ricavate con EXTra e ottenere un corpus finale di 250 ID di pattern meta- forici. Come abbiamo visto, l’ID di una metafora `e la sua forma normalizzata: questo significa che a diverse realizzazioni grammaticali corrisponde uno stesso ID (ad esempio “strappo-s#in- ea#tessuto-s#sociale-s” `e sia l’ID di “strappi nel tessuto sociale” sia di “strappo nel tessuto sociale”). Dopo aver estratto i pattern con EXTra, si `e dunque proceduto ad annotare il cor-

pus associando a ogni POS dell’espressione metaforica l’ID della metafora. Di conseguenza, per trovare ogni occorrenza della stessa metafora baster`a cercare l’ID del pattern nel corpus annotato.

1 Il il R RD num=s—gen=m

2 premier premier S SW num=n—gen=m 3 fotocopia fotocopia S S num=s—gen=f 4 Gentiloni Gentiloni S SP

5 ieri ieri B B

6 ha avere V VA num=s—per=3—mod=i—ten=p 7 detto dire V V num=s—mod=p—gen=m

8 che che C CS

9 gli il R RD num=p—gen=m

10 strappi strappo S S num=p—gen=m

strappo-s#in-ea#tessuto-s#sociale-a

11 nel in E EA num=s—gen=m strappo-s#in-ea#tessuto-s#sociale-a

12 tessuto tessuto S S num=s—gen=m

strappo-s#in-ea#tessuto-s#sociale-a,tessuto-s#sociale-a

13 sociale sociale A A num=s—gen=n

strappo-s#in-ea#tessuto-s#sociale-a,tessuto-s#sociale-a 14 del di E EA num=s—gen=m

15 Paese Paese S SP

16 sono essere V VA num=p—per=3—mod=i—ten=p 17 causati causare V V num=p—mod=p—gen=m 18 anche anche B B

19 da da E E

20 Internet Internet S SP 21 . . F FS

Capitolo 5

Analisi dei dati e discussione

Attraverso i procedimenti descritti nel precedente capitolo, abbiamo ottenuto un corpus di 132 pattern. La nostra ricerca si focalizza tuttavia sulle espressioni metaforiche che inquadrano i temi centrali dell’agenda setting nazionale. Per questo motivo, il corpus ha subito un ulteriore processo di scrematura, nel quale sono state eliminate le metafore poco rilevanti. Il prere- quisito fondamentale che ha guidato la selezione `e stato il riferimento a temi dell’attualit`a. Al fine di stabilire quali fossero le aree tematiche da tenere in considerazione, `e stata presa come riferimento la lista proposta da Lakoff (2004; 2002), e quindi modificata in alcuni punti per adattarla all’agenda setting nazionale. L’elenco definitivo comprende le seguenti quattro macroaree con relativi sottotemi:

• rapporti tra politici, in cui rientrano le espressioni riferite (tipicamente) agli avver- sari politici nazionali e internazionali.

• politica interna, che include le metafore collegate ai programmi di governo, i dise- gni di legge, la situazione economica, la lotta alla criminalit`a e le questioni sociali e ambientali.

• politica estera, che comprende il tema dell’immigrazione e quello dei rapporti con l’Unione Europea.

Una volta individuate le tematiche, la lista di metafore `e stata riesaminata tenendo conto del- l’associazione tra domini concettuali: se il dominio obiettivo rientra in uno dei sottotemi sopra riportati, la metafora `e stata segnata come rilevante per la nostra analisi. Attraverso questa operazione, sono state eliminate le metafore poco informative, ossia le espressioni idiomatiche (“metter nero su bianco”) e le metafore pi`u convenzionali (“seminare odio”). Il risultato finale `e un insieme di 67 pattern metaforici.

In questo capitolo vengono discussi e comparati i risultati dell’indagine condotta su en- trambi i corpora. Per quanto riguarda il corpus “FB.Post.2016/17”, oltre all’analisi qualitativa delle metafore individuate, `e stata effettuata anche un’indagine di tipo quantitativo, che ha permesso di confrontare la produzione dei diversi leader. Nella Sezione 5.1 vengono quin- di presentati i dati relativi alla produttivit`a e alla creativit`a delle espressioni metaforiche in “FB.Post.2016/17”. Successivamente, sono state individuate le realizzazioni grammaticali di ogni ID metaforico, al fine di esaminare la distribuzione del pattern all’interno del corpus [cf. Sezione 5.2]. Durante questa fase `e stato evidenziato il fenomeno della condivisione, semplice e per contrasto, a cui viene dedicata la Sezione 5.4. Nella Sezione 5.3 si discute invece della possibilit`a di operare una distinzione dicotomica tra frame di destra e di sinistra, sulla scia della divisione proposta da Lakoff (2004) per la politica americana. La Sezione 5.5 `e infine dedicata allo studio condotto sul secondo corpus “FB.Elezioni.2018”, per il quale ci siamo limitati all’a- nalisi qualitativa dei frame metaforici. Questa indagine ha avuto un duplice scopo: da un lato, quello di evidenziare i temi che durante la campagna elettorale su Facebook sono stati pi`u fre- quentemente inquadrati attraverso metafore. Dall’altro, attraverso il confronto con il promo corpus, si `e cercato di individuare le eventuali variazioni nella retorica degli attori politici in prossimit`a delle elezioni.

5.1

Analisi quantitativa di “FB.Posts.2016/17”: produtti-

vit `a e creativit `a

L’analisi quantitativa dei dati relativi al corpus “FB.Posts.2016/17” fornisce informazioni sul- l’attivit`a delle pagine FB [cf. Tabella 5.1] e sull’uso pi`u o meno estensivo di espressioni metafo- riche da parte dei vari politici [cf. Tabella 5.2]. In particolare, la Tabella 5.1 indica le frequenze medie giornaliere, settimanali e mensili della produzione di post per ciascuno dei politici con- siderati. Al primo posto si posiziona il leader della Lega Matteo Salvini, con una media di circa 8 nuovi post al giorno e 1906 post totali. A seguire troviamo il collega leghista Luca Zaia e l’esponente di Forza Italia Giovanni Toti, che hanno pubblicato circa 7 aggiornamenti gior- nalieri. Beppe Grillo si colloca invece al quarto posto, subito prima di Giorgia Meloni (1168 post totali) e Renato Brunetta (876 post). In generale, si nota che le prime dieci posizioni sono occupate da politici appartenenti a schieramenti di destra, estrema destra e dal Movimento 5 Stelle. L’unica eccezione `e costituita da Enrico Rossi (480 post), che si trova all’ottavo posto, mentre il segretario del PD Matteo Renzi `e posizionato circa a met`a della classifica (370 post totali e una media di 2.2 post giornalieri). Chiudono l’elenco Bersani, Boldrini, de Magistris e Pisapia, con una produzione totale inferiore ai 100 e una media di circa un post al giorno.

Una prima conclusione deducibile da questi dati `e che non tutti i politici usano il social network Facebook allo stesso modo. L’osservazione pi`u rilevante in questo senso `e la scis- sione quasi netta tra gli esponenti degli schieramenti pi`u prolifici (Lega Nord, M5S, Fratelli d’Italia e Forza Italia), che praticamente monopolizzano la prima met`a della lista, e i politici di (centro)sinistra e dei partiti minori, che mostrano una produttivit`a sensibilmente minore.

Nella Tabella 5.2 sono invece riportati i dati relativi alle occorrenze metaforiche: per cia- scun politico preso in esame viene indicato il numero complessivo di metafore prodotte (Totale Metafore Usate) e la type/token ratio (TTR), ossia il rapporto tra numero di mefafore distinte e numero totale di metafore usate. Quest’ultimo parametro rappresenta una sorta di indice di creativit`a, perch´e mette in luce la ricchezza e variet`a nell’uso del linguaggio figurato utilizzato. Nell’ultima colonna `e infine visibile la frequenza d’uso relativa, un valore che corrisponde al rapporto tra il numero di metafore usate e il totale dei post prodotti. In altre parole, si tratta della frequenza con cui ogni politico inserisce metafore all’interno degli aggiornamenti sulla

sua pagina Faceook.

Quanto al numero totale di metafore usate, la prima posizione `e occupata da Giorgia Melo- ni, che ha impiegato 125 espressioni metaforiche. Dopo di lei, Brunetta e Di Maio, con 103 e 91 metafore totali. Il numero scende rapidamente mano a mano che si scorre l’elenco: Calderoli (76), Salvini (73), Raggi (61) e Zaia (50). Nei post di Grillo le occorrenze sono solo 26, mentre Renzi ne totalizza 19. In coda troviamo Alfano (2), Franceschini (1) e Pisapia (0)1_.

Esaminando i dati si osserva che alcuni tra i politici pi`u produttivi in termini di metafore (es. Meloni, Brunetta, Calderoli, Raggi) presentano un indice TTR – e quindi un indice di creativit`a – piuttosto modesto. In altri termini, si rilevano casi in cui l’alto numero di metafore totali `e dovuto alla ripetizione delle solite espressioni metaforiche. Un caso evidente `e quello di Giorgia Meloni, che possiede il pi`u alto numero di occorrenze metaforiche ma solo lo 0,41 di indice TTR. Al contrario, alle 91 metafore totali di Di Maio corrisponde una TTR pi`u alta (0,7). Questa informazione si rivela interessante se si vuole ad esempio condurre un’indagine sulla ripetizione degli stessi pattern metaforici, che diventano veri e propri slogan, occasionalmente anche trasformati in hashtag (es. “#stopinvasione” usato da Salvini e gli altri esponenti di Lega Nord).

Un secondo gruppo di politici, tra cui Di Maio, Di Battista, Salvini, Zaia, unisce invece una produzione metaforica abbastanza nutrita a un valore TTR medio-alto. In generale, si evince tuttavia una maggiore propensione dei partiti del centro-destra e del Movimento Cinque Stelle (M5S) all’uso di espressioni metaforiche rispetto alla galassia dei partiti di (centro)sinistra, i cui esponenti – a eccezione di Rossi e Renzi – si attestano sulle ultime posizioni tanto per il nume- ro di metafore prodotto quanto per l’indice di creativit`a. Questo dato evidenzia un approccio alla comunicazione politica del centro-destra e del M5S maggiormente orientato a sfruttare l’immaginario evocato dal linguaggio figurato. Si tratta, in altre parole, di una comunicazione nettamente spostata sul versante connotativo ed emotivo, rispetto a quello meramente deno- tativo.

Confrontando infine i dati relativi alle due Tabelle 5.1 e 5.2 `e facile individuare una cor- relazione tra la frequente attivit`a sulle pagine Facebook e il maggiore utilizzo di espressioni

metaforiche. Questa osservazione vale unicamente per i politici che si trovano ai primi posti in entrambe le tabelle: Salvini, Zaia, Meloni, Brunetta, Di Maio, Raggi e Di Battista. Un’altra categoria di politici presenta invece una produzione piuttosto elevata ma un modesto uso di metafore: `e il caso di Toti, Grillo, Rossi, Fico e Renzi. In questo scenario troviamo tuttavia due casi particolari: il primo `e costituito da Roberto Calderoli, che si trova ai primi posti quanto a numero di occorrenze metaforiche (76), mentre il totale degli aggiornamenti sulla pagina Facebook rientra nella media (415). Il secondo `e Angelo Ciocca, che presenta invece una situa- zione diversa: solo 4 occorenze metaforiche in un corpus di 267 post. A parte queste eccezioni, tra numero di post pubblicati e occorrenze metaforiche sussiste una relazione direttamente proporzionale. Alle ultime posizioni di entrambe le classifiche ritroviamo infatti, con poche variazioni, gli stessi nomi (Bersani, Boldrini, Pisapia, Alfano, Serracchiani, Franceschini).

Riassumendo i risultati finora esposti, possiamo concludere che il comportamento su Fa- cebook degli attori politici italiani segue sostanzialmente due direzioni: da un lato troviamo i politici che associano a una produzione di post medio-alta una frequenza d’uso di espres- sioni metaforiche abbastanza elevata. Come abbiamo visto, a questo gruppo appartengono principalmente gli esponenti degli schieramenti di centrodestra e destra (Lega Nord, Fratelli d’Italia e Forza Italia) e del M5S. Dall’altro si collocano i politici meno attivi su Facebook, che di conseguenza presentano un numero ridotto di occorrenze metaforiche: `e il caso di politici appartenenti ai partiti minori della sinistra italiana. In questo scenario il PD si colloca al cen- tro, a met`a tra le due tendenze. Queste osservazioni sono riassunte dalla tabella [5.3], nella quale i risultati sono aggregati per partito.