top of page

Machine Learning

Dal 2018 all’interno del programma di ricerca della Scienza Dialogica si è iniziato a  compiere delle sperimentazioni con il supporto teorico-metodologico del Machine  Learning.  

Il Machine Learning è una branca dell'intelligenza artificiale che raccoglie metodi sviluppati negli ultimi decenni del XX secolo quali: statistica computazionale, riconoscimento di  pattern, reti neurali artificiali, filtraggio adattivo, teoria dei sistemi dinamici, algoritmi  adattivi ecc; che utilizzano metodi statistici per migliorare la performance di un algoritmo  nell'identificare pattern nei dati (De Mauro, 2019; Bishop & Bishop, 2007).  

In altri termini il Machine Learning può essere inteso come una variante alla programmazione tradizionale, nella quale si predispone in una macchina l'abilità di apprendere qualcosa dai  dati in maniera autonoma, senza istruzioni esplicite (Bishop & Bishop, 2007; De Mauro,  2019).  

 

In riferimento al programma di ricerca della Scienza Dialogica il Machine Learning è stato inizialmente applicato per generare un algoritmo che fosse capace di svolgere in automatico il processo di denominazione

Successivamente sono state avviate diverse sperimentazioni volte ad applicare la Machine Learning secondo i riferimenti della Scienza Dialogica, in riferimento a diversi obiettivi di ricerca-intervento. A seguire si riportano alcune delle sperimentazioni applicative: 

  • Lo sviluppo di un algoritmo capace di generare un indice di persuasività delle notizie pubblicate online, capace così di informare il lettore rispetto a quanto l’architettura argomentativa di un articolo/notizia è tesa a convincere il lettore rispetto al contenuto portato.  

  • Lo sviluppo di un algoritmo che, rispetto agli interventi psicoterapeutici e in generale di psicologia clinica, permette di valutare il cambiamento generato nelle modalità discorsive utilizzate nel parlante A (paziente), a seconda delle domande poste dal parlante B (psicologo o psicoterapeuta), attraverso un processo di denominazione automatizzato. La potenzialità d’uso dell’algoritmo è quindi quella di fornire una valutazione automatizzata dell’efficacia dell’intervento stesso.

Grazie agli sviluppi di queste prime sperimentazioni, il programma di ricerca della Scienza Dialogica è entrato a pieno titolo entro l’ambito del Natural Language Processing (NLP), il quale indaga l’interazione fra computer e linguaggio “umano”, ed in particolare come programmare un computer ad elaborare ed analizzare grandi quantità di dati generati attraverso l’impiego del linguaggio naturale. Il modello di Machine Learning introdotto, tutt'ora in corso di raffinazione, all'attuale stato dell'arte è in grado di elaborare in modo automatizzato i dati testuali secondo l’approccio teorico-metodologico della Scienza Dialogica. Gli algoritmi usati per la Dialogic Process Analysis sono in grado di suddividere il testo in “porzioni”, denominarne i relativi Repertori Discorsivi e misurare il “peso” di questi ultimi rispetto all’impatto pragmatico che generano nelle interazioni umane, ma non solo.

 

Come frutto della generazione di tale modello di analisi automatizzata, si delinea la possibilità di proporre e contribuire a progetti nel campo dell’Intelligenza Artificiale, fornendo un apparato conoscitivo ed applicativo in grado di far interagire uomo e macchina tramite l’uso del linguaggio naturale (recommender system, digital twins, analisi predittiva, etc.).

 

Inoltre, a fronte dell’impostazione quantistica dell’impianto teorico di analisi dei dati testuali, apre le porte alla transizione verso il QuantumNLP e all’uso di computer quantistici per l’elaborazione – e la futura generazione – automatizzata di linguaggio naturale.

 


 

Riferimenti 

 

Bishop, P. o. N. C. C. M., & Bishop, C. M. (2007). Pattern Recognition and Machine Learning (Springer Science+Business Media, Ed.). Springer.

 

De Mauro, A. (2019). Big Data Analytics. Analizzare e interpretare dati con il machine learning. Apogeo.

 

bottom of page