Digital Methods - Appunti lezioni

DIGITAL METHODS PROF CERAVOLO

Materia da combinare con Big Data o Marketing Politico

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 / approccio

qualitativo. Il primo usa la statistica, il secondo usa 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.

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 ad una domanda legata ad 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)

Qualsiasi processo di ricerca scientifica può essere fatto cadere in due modelli:

una ricerca dove noi sappiamo nulla ed 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 continuare 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.

Quali operazioni possiamo fare con i dati? Soprattutto nel mondo digitale,

queste sono le operazioni principali che possiamo fare: profiling, forecasting ed

evaluation.

Profiling: costruire dei tipi di soggetti che possono essere consumatori, utenti,

organizzazioni o qualunque cosa che stiamo studiamo. 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 ad una serie diversa di cause. E’ importante

quindi costruire modelli causali.

12 ottobre

Dato: informazione che ha subito un processo di organizzazione.

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

1) 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, istituizioni, 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 ed organizzare informazioni anche complesse grazie a

tecniche di calcolo molto potenti;

2) Fissare obiettivi operativi di lavoro e per identificare un problema in

maniera chiara, costruendone le risposte;

3) Pianificazione delle risposte ad un determinato stimolo. Essere capace di

prevedere ed 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;

4) Monitoraggio e valutazione. L’obiettivo della valutazione è quella di

capire se una serie di attività che son 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 managment. 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. E’ 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 ad 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 se, 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. Il 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.

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? E’ una scelta influenzata dalla

disponibilità dei dati stessi. E’ 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 veloci 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 ad 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 implicare 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? Si perché avendo meno accesso ai dati