Come gli algoritmi leggono le nostre emozioni su Facebook?

I social network sono una miniera d'oro di dati: post, commenti, foto e reazioni raccontano molto su chi siamo e come ci sentiamo. Un gruppo di ricercatori ha messo a punto un sistema di machine learning capace di analizzare questi segnali e di ricostruire due aspetti fondamentali: i legami sociali e lo stato d'animo degli utenti.

Il modello parte da una mappa grafica della rete, dove ogni nodo è un profilo e ogni arco è un’interazione (like, commento, condivisione). Grazie a tecniche di clustering, individua le “community”, cioè gruppi di amici stretti o interessi comuni. Poi, usando l'analisi del sentiment, esamina il testo e le immagini per capire se un post è positivo, neutro o negativo, fornendo una stima dello stato emotivo medio di ciascuna community.

Per capire chi influenza di più, il sistema calcola metriche di centralità: gli utenti più connessi o più citati emergono come “nodi chiave”. Infine, per proteggere la privacy, i dati vengono elaborati con il federated learning, una tecnica che addestra il modello direttamente sui dispositivi senza trasferire informazioni sensibili al server.

I risultati mostrano che è possibile estrarre conoscenze utili per promuovere il benessere mentale e rafforzare i legami digitali, sempre nel rispetto della riservatezza degli utenti.

Il framework proposto combina tre pilastri metodologici. 1) **Clustering basato su grafi**: si utilizza l'algoritmo Louvain per massimizzare la modularità, consentendo di rilevare community dense anche in reti con milioni di nodi. 2) **Sentiment analysis multimodale**: per il testo si impiega BERT fine‑tuned su corpora di lingua italiana, mentre per le immagini si sfrutta un modello CNN (ResNet‑50) addestrato a riconoscere espressioni facciali e contesti emotivi. I risultati dei due moduli vengono fusi mediante un layer di attention, migliorando la precisione nella classificazione delle emozioni. 3) **Centralità e influenza**: oltre a degree e betweenness, si calcolano metriche di eigenvector centrality per identificare utenti con potere di diffusione non lineare.

Per la privacy, il federated learning è implementato con l'algoritmo FedAvg, che aggrega i pesi locali in modo sicuro. Si aggiungono meccanismi di differential privacy (ε‑DP) per limitare la possibilità di ricostruire dati individuali. L'approccio è stato testato su un dataset di 10 milioni di interazioni Facebook, ottenendo un F1‑score del 0.87 nella classificazione del sentiment e una precisione del 0.81 nella rilevazione dei nodi influenti. Questi risultati suggeriscono che l'integrazione di grafi, NLP e visione artificiale, con salvaguardie sulla privacy, può fornire una base solida per applicazioni di monitoraggio del benessere digitale.