Digital Methods - Appunti lezioni

Digital methods prof Ceravolo

Definizione e utilizzo dei metodi digitali

5 ottobre

Definizione metodo: è quel luogo della decisione che bilancia gli obiettivi che si vogliono avere con tutte le possibilità che si hanno davanti per raggiungere l’obiettivo. Esempio: il prof vuole capire qual è la nostra predisposizione a prevenire il virus. Si può usare un approccio quantitativo o qualitativo. Il primo usa la statistica, il secondo dati qualitativi come interviste o osservazioni etnografiche; in esso non vengono usati dati quantitativi, ma entrambi i metodi sono ugualmente scientifici. Nel mondo digitale, i due metodi possono anche essere utilizzati in contemporanea e possono essere “condensati”.

Definizione tecnica: insieme di macchinette logiche di ricerca che vengono applicate per il raggiungimento degli obiettivi. Esempio: controllando il comportamento delle persone su un social, sto utilizzando una tecnica. Tutte le scelte tecniche implicano una certa quota di “rumore di fondo” (distorsione).

Quali sono i motivi per i quali vengono raccolti i dati? C’è sempre qualcuno che utilizza le informazioni per creare qualcosa, il fine è quello di utilizzare le informazioni per migliorare quel qualcosa e raggiungere i propri obiettivi nella maniera migliore. Questi obiettivi hanno due tipi di livelli: strategico e tattico. Obiettivo vincere una guerra = livello strategico. Vincere una battaglia e non la guerra = livello tattico.

Tipologie di ricerca

9 ottobre

L'obiettivo in un processo di ricerca può essere definito come un obiettivo militare. Esistono due tipologie di ricerca: ricerca applicata e ricerca pura.

Ricerca pura o di base: è fatta da coloro che sono pagati da istituzioni pubbliche per rispondere a interrogativi cognitivi che non hanno una diretta applicazione nel mondo, bensì rispondono a una domanda legata a una curiosità scientifica. Ci fa scoprire la realtà intorno a noi, anche se in modo imperfetto perché le tecniche utilizzate sono imperfette.

Ricerca applicata: è svolta per ampliare conoscenze ma anche e principalmente allo scopo di una pratica e specifica applicazione. Risponde a domande che hanno esigenze di risposta immediata.

L’obiettivo è costruire una conoscenza che abbia tre caratteristiche: affidabilità, consistenza (basata su esperienze) ed adeguatezza metodologica (costruita tramite un metodo valido e monitorato dalla comunità scientifica).

Processo di ricerca scientifica

Qualsiasi processo di ricerca scientifica può essere fatto cadere in due modelli: una ricerca dove noi sappiamo nulla e una ricerca da cui partiamo avendo già delle basi che vogliamo verificare. Qualsiasi processo di ricerca però è sempre un processo che parte da un attore. La scienza è un processo fatto di scelte di un ricercatore che impone queste scelte come strumento di analisi della realtà: queste scelte sono influenzate dalla creatività del ricercatore. La ricerca scientifica è fatta di un continuo susseguirsi di scelte soggettive, anche se vi è un limite, ossia delle regole apposite della comunità scientifica che ci fanno capire se è giusto o sbagliato ciò che stiamo facendo. La scienza è un processo creativo oltre che tecnico, dove il ricercatore applica la creatività per scegliere le diverse strade possibili.

Terminologia di base

Metodo: il ragionamento di secondo livello, scelgo l’obiettivo e decido i mezzi.

Tecniche: i mezzi che utilizzo per raggiungere l’obiettivo.

Il nemico degli scienziati è il senso comune. Tutti pensano di essere in grado di dire qualsiasi cosa sulla base della propria esperienza pensando che la propria esperienza valga più di tutte le altre esperienze nel mondo. Il senso comune non è accurato. Esempio: concetto di “giovane” nella ricerca scientifica ha avuto evoluzioni col passare del tempo. Negli anni ’60 una persona sopra i 26 anni non era più considerata giovane perché aveva compiuto già una serie di tappe nella propria vita. Adesso invece la variabile anagrafica da sola non basta perché le tappe della vita sono cambiate molto e di conseguenza la definizione è cambiata a sua volta. Serve rigore per utilizzare un determinato termine perché così la comunità scientifica lo riconosce in maniera univoca.

Correttezza linguistica, precisione logica, rigore nell’utilizzo delle tecniche (nel quale rientra l’ispezionabilità e la trasparenza dei dati) sono tre tratti identificativi per uno scienziato.

Operazioni con i dati nel mondo digitale

Quali operazioni possiamo fare con i dati? Soprattutto nel mondo digitale, queste sono le operazioni principali che possiamo fare: profiling, forecasting e evaluation.

• Profiling: Costruire dei tipi di soggetti che possono essere consumatori, utenti, organizzazioni o qualunque cosa che stiamo studiando. Ciò ci consente di avere dei profili di classificazioni su cui applichiamo delle scelte. Se so chi sono i miei consumatori, ad esempio, saprò quali saranno i metodi migliori per arrivare a comunicare con loro.
• Forecasting: Previsione. Serve per prevedere cosa accadrà costruendo un algoritmo.
• Evaluation: Valutazione. Come stanno rispondendo i consumatori a ciò che ho messo sul mercato? Come stanno rispondendo a ciò che ho postato sui social? Le valutazioni sono fatte in base a una serie diversa di cause. È importante quindi costruire modelli causali.

Importanza della ricerca e competenze metodologiche

12 ottobre

Dati: informazione che ha subito un processo di organizzazione.

Quali sono i punti di applicazione in cui la ricerca può essere importante?

• Il momento in cui il decisore o il ricercatore ha il problema di profilare, descrivere, comprendere come sono fatti i casi di cui si sta occupando (sia persone, che aziende, istituzioni, luoghi geografici, ecc.). Di solito parliamo di casi perché dietro diamo per scontato che il ricercatore abbia già deciso il proprio obiettivo di profilazione. Quali caratteristiche di un consumatore, per esempio, vengono profilati? Le abitudini di consumo. Il profilo, anche quando è riferito ad un solo individuo, può tenere conto di diverse tipologie di caratteristiche. La profilazione può essere sia quantitativa che qualitativa. Essa esiste già da tempo, ma col digitale è più facile raccogliere e organizzare informazioni anche complesse grazie a tecniche di calcolo molto potenti.
• Fissare obiettivi operativi di lavoro e per identificare un problema in maniera chiara, costruendone le risposte.
• Pianificazione delle risposte a un determinato stimolo. Essere capace di prevedere e anticipare uno scenario è importante perché se si riesce a prevedere ciò che accadrà a t+1 riuscirò ad organizzarmi a t0 per fronteggiare la situazione t+1.
• Monitoraggio e valutazione. L’obiettivo della valutazione è quella di capire se una serie di attività che sono state implementate vadano bene o meno.

Questi sono punti che aiutano il decisore a non prendere una decisione sbagliata e rientrano in ogni processo di management. Questi 4 processi, nella decisione manageriale, sono integrati: analiticamente le dividiamo in quattro processi diversi, ma vengono applicati tutti insieme.

Diversi livelli di competenza metodologica

Competenze di base:

• Saper costruire un disegno di ricerca. È una competenza critica: bisogna continuare a farsi domande.
• Saper entrare dentro le tecniche e smontarle.
• Capacità di farsi idee leggendo un rapporto di ricerca, valutando nell’accuratezza ex-ante o ex-post quanto successo. Competenza strategica. Al tempo stesso, quando noi proponiamo un progetto di ricerca a qualcuno, è possibile che egli non capisca tutto ciò che vogliamo fare e quindi dobbiamo spiegare al meglio ogni cosa.

Primo problema di ricerca

Informazione self-reported non è perfettamente corretta, questi dati sono self-reported nella struttura di uno schema che il ricercatore ha pensato e costringe l’utente ad adattarsi a una struttura specifica. Anche un’analisi social potrebbe essere errata: se io ho intenzione di studiare determinate abitudini, non è attendibile basarsi unicamente sulle informazioni trovate sui social perché non sappiamo al 100% la veridicità di quanto postato dall’utente. Anche se controllo per esempio gli acquisti su una carta di credito ciò può essere ingannevole: ipotesi una persona compra un biglietto del concerto, ciò non vuol dire che lo abbia comprato per sé, magari per un amico. Come valutare questi dati allora? Questi dati valgono ma so che ci sono delle distorsioni all’interno e devo avere spirito critico in sede di analisi.

Ricerca psicologica cognitiva

Ha isolato due grandi modelli di pensieri: sistema di pensiero a livello uno e sistema di pensiero sistematico riflessivo.

Sistema di pensiero a livello uno: è il pensiero automatico, quello di tipo fortemente reattivo utilizzando uno stimolo. Esso funziona bene quando vogliamo fare le cose in fretta.

Sistema di pensiero sistematico riflessivo: è quello in cui rifletto a ciò che vedo senza usare impulsività. Esso funziona quando è importante non effettuare errori. Questo tipo di pensiero è difficile che sia ben rivelato dai soli comportamenti perché nella maggior parte dei casi i comportamenti sono reattivi, soprattutto sul web.

Un esempio di comportamento reattivo può essere il like su Facebook, mentre un questionario o un testo più elaborato richiede più riflessione. Il self-reporting ha un’impronte più riflessiva. Questa è una regola che ha molte eccezioni e va accolta con tanta riflessione critica.

Comportamenti e pensieri

16 ottobre

In linea molto generale, rilevare un comportamento e rilevare il pensiero è una cosa diversa: per rilevare comportamenti possiamo usare dati derivanti da studi e analisi, mentre per il pensiero usiamo dati self-reported, che però non sono molto affidabili. La strategia migliore per studiare ogni cosa è utilizzare sia dati del pensiero che del comportamento, unendoli nella maniera più intelligente possibile.

Dati quantitativi e qualitativi

I dati che noi utilizziamo possono avere due caratteristiche principali: essere facilmente riportabili (esempio numeri) oppure non esserli. Si chiamano quantitativi quei dati in cui possiamo operare una trasformazione e farli diventare dei numeri, mentre qualitativi quelli che sono maggiormente elaborati. Tutte le volte che ci facciamo dare un dato quantitativo da un soggetto, gli forziamo la risposta: diverso il caso del dato quantitativo relazionato al comportamento, il quale è più attendibile (esempio: quante volte hai usato la carta di credito nell’ultima settimana?). I dati qualitativi sono per definizione non strutturati e molto spesso hanno a che fare con testo (esempio: post Facebook, ma anche le immagini).

Come scegliere quale tipo di dato usare? È una scelta influenzata dalla disponibilità dei dati stessi. È insensato trasformare i dati qualitativi in dati quantitativi perché si perde quantità di informazione. Nel mondo del digitale si ha la possibilità di avere grosse quantità di informazioni poco dettagliate (quantitativi) oppure minori quantità informative più dettagliate (qualitativi). La differenza sta nella grandezza del campione di riferimento: coi dati quantitativi abbiamo un campione più ampio perché i dati sono meno complessi, mentre i dati qualitativi risultano più complessi e ciò riduce la grandezza del campione di riferimento.

Parlando sempre della grandezza del campione di riferimento, ognuno di noi tramite cellulare fornisce dati georeferenziali perché è addirittura possibile sapere dove siamo grazie al tracciamento IP su internet. La quantità delle informazioni disponibili dipende anche dal fatto che le persone hanno diverse modalità d’accesso al mondo digitale. Quanto più i device sono in grado di tracciare il nostro profilo, quanto più chi le controlla ha una miniera di informazioni e di dati su di noi.

Quanto veloce può essere la raccolta dei dati? Tra dati analogici e dati digitali vi è una grande differenza. Se nel 1970 avessi voluto fare una ricerca su quante persone hanno un atteggiamento di dx o sx, avrei dovuto accedere alle liste elettorali, costruire un campione, un questionario e scegliere intervistatori e di conseguenza scegliere una intervista a voce o telefonica. Di conseguenza i dati raccolti li devo raggruppare in una matrice dati. Al giorno d’oggi, il processo è decisamente più veloce: preparo un Google form, lo mando in giro (raccogliendo anche più risposte) e nel giro di poco tempo avrò tantissime risposte. La velocità di raccolta dati nel mondo digitale è incomparabile con quella del mondo analogico, in qualsiasi caso, anche se dovessi analizzare dei testi.

Quanto ci si può però fidare del fatto che questi flussi ci diano una buona varietà del fenomeno che sto studiando? I dati del mondo analogico generalmente erano molto mirati. Il grosso vantaggio dei big data è di coordinare informazioni che vengono da flussi differenti. 3 V di big data: volume, velocity, variety. Coi big data siamo in grado di avere grandi volumi di dati, raccolti in maniera veloce e con grande varietà. Ne deriva una possibilità di raccolta di dati di comportamento impliciti ed espliciti. A big data si contrappone anche una big complexity e mi devo affidare sempre di più a strumenti ai quali ho un controllo indiretto (meccanismi di intelligenza artificiale), affidando quindi questi lavori a una macchina.

Cambia la struttura concettuale di ricerca

Convenzionale: concetto – indicatori – proprietà – variabili. Tale processo è molto supervisionato dal ricercatore.

Nel mondo digitale funziona al contrario, soprattutto quando si usano i Big data: si prendono tante variabili, le si trasformano in proprietà, poi in indicatori ed infine diventano un concetto. Variabile 1,2,3 ecc – proprietà – indicatori – concetto.

Nel mondo analogico il numero di indicatori veniva scelto dal ricercatore; egli cerca di capire quanto siano validi tali indicatori.

Confirmatory factor analysis CFA (Analisi fattoriale confermata CFA): testare se lo specifico modello rappresenta bene quelle informazioni che vorresti raccogliere. Questo modello implica un ulteriore lavoro di supervisione da parte del ricercatore.

Multitrait-multimethods matrix MTMM: mette insieme diversi algoritmi di classificazione che si riferiscono a diversi ambiti di informazioni che prendiamo da un soggetto, li mette insieme e ci restituisce un modello di profilazione. Questo crea problemi? Sì, perché avendo meno accesso ai dati.