Il linguaggio è sempre stato considerato il nostro strumento principe per comunicare e ragionare. E sappiamo come una comunicazione efficace sia importante per divertire, stimolare, motivare, ispirare, anche provocare e persuadere. Questi aspetti più squisitamente pragmatici nel passato sono spesso stati considerati non propriamente trattabili da un punto di vista computazionale. D’altra parte, le caratteristiche di una comunicazione efficace sono il classico territorio del buon giornalismo. Sembra quindi che un matrimonio tra Natural Language Processing (NLP) e giornalismo sia una direzione da perseguire che possa portare un mutuo beneficio nei due campi.
Intelligenza artificiale per il giornalismo: ultime frontiere e limiti irriducibili
Metodologie di IA per una comunicazione creativa
Dal punto di vista del NLP, i ricercatori possono trovare materiale importante e ideale, dove vengono espressi quei fenomeni sottili di cui parlavamo. Ricordiamo che la moderna intelligenza artificiale (di cui NLP è una branca molto attiva) vive sul tipico ciclo: collezione di dati (in NLP, corpora di testi) in cui il fenomeno da studiare è manifestato, annotazione dei dati, applicazione di tecniche di machine/deep learning per distillare e derivare classificatori automatici dei fenomeni studiati. Ecco che può venire in mente ai ricercatori di esplorare problemi come: quanto è persuasivo un particolare articolo, quanto è provocatorio o ideologizzato un certo testo, o anche è possibile capire l’emozione sottostante o addirittura l’ironia o l’umorismo? I fenomeni di comunicazione “creativa” sono straordinariamente numerosi, e possiamo dire che la tendenza attuale dell’IA fornisce metodologie che possono, se non ancora risolverli, certamente cercare di affrontarli.
Il matrimonio tra giornalismo e NLP
Il mondo del giornalismo fornisce un ottimo materiale: testi compiuti, pensati, eleganti talvolta cesellati per veicolare un’opinione, certamente un contesto più ricco dei corpora costruiti partendo da Twitter tanto popolari ultimamente nell’NLP (e che hanno anche portato a importanti risultati di ricerca), ma che spesso mostrano una comunicazione troppo scarna e telegrafica, in cui non è sempre facile ravvisare i fenomeni sottili di cui parlavamo.
Dal punto di vista del giornalismo, il matrimonio con l’NLP può fornire una serie di strumenti che vanno oltre l’information retrieval, o la categorizzazione di testi secondo l’argomento (e.g., politica, sport) – compiti, comunque, certamente importanti e ormai fondamentali nella vita digitale. Per esempio, come un matematico oggigiorno usa un calcolatore (e nessuno si sogna di dire che è meno matematico per questo), così chi scrive potrebbe trarre vantaggio da strumenti per esplorare la maniera migliore di rendere un testo secondo determinati obiettivi comunicativi. O anche dal punto di vista del lettore, si potrebbe segnalare che i testi che sta leggendo sono sottilmente orientati ideologicamente o particolarmente ricchi di tecniche persuasive. Quindi il tentativo di automatizzare il processo che sottende al linguaggio creativo è sicuramente un compito ambizioso, ma d’altra parte può cambiare le regole del gioco in molti processi sociali.
Nonostante tutte le ottime premesse, il mondo dell’NLP e del giornalismo non si erano molto parlati, salvo le per le classiche applicazioni di cui dicevamo. Ecco quindi che al sottoscritto, insieme a Larry Birnbaum (Northwestern University, Chicago) e a Octavian Popescu (IBM T. Watson Research Institute, New York) era venuto in mente di organizzare una serie di workshops NLP meets Journalism – nel contesto delle conferenze top di IA e NLP[1] – che mettessero a contatto le due comunità. L’idea era di far presentare ai ricercatori NLP le loro recenti attività per un trattamento creativo del linguaggio e di fare commentare ai giornalisti la loro effettiva utilità.
Vediamo solo alcuni esempi di argomenti presenti nelle ‘call for papers’: generazione automatica di pubblicità e slogan, relazione di causalità nelle notizie, controllo dei fatti ed etica del giornalismo, analisi e rilevamento di pregiudizi, cambiamento di opinione, rilevamento di schemi e cliché, rilevamento del plagio, rilevamento di emozioni nel linguaggio, analisi del discorso politico e sociale, rilevamento di stile propagandistico.
Il pregiudizio di genere nel giornalismo sportivo
I proceedings sono tutti disponibili pubblicamente. Qui vogliamo solo ricordare come esempio un paio di articoli che avevano ricevuto il premio come miglior paper: “Tie-breaker: Using language models to quantify gender bias in sports journalism” di L. Fu, C. Danescu-Nicolescu-Mizil, e L. Lee della Cornell University.
Il pregiudizio di genere è una questione sempre più importante nel giornalismo sportivo. Gli autori proponevano un approccio basato su un modello linguistico per quantificare le differenze nelle domande poste agli atleti di sesso femminile rispetto a quelli di sesso maschile e applicarlo alle interviste post-partita di tennis. Scopriamo che i giornalisti fanno ai giocatori di sesso maschile domande che sono generalmente più incentrate sul gioco rispetto alle domande che fanno alle loro controparti femminili. Gli autori proponevano anche un’analisi dettagliata della misura in cui l’importanza di questo pregiudizio dipende da vari fattori, come il tipo di domanda, l’esito del gioco o il livello del giocatore.
Contenuti delle notizie e comportamenti degli utenti
L’altro articolo che volevamo ricordare è: “Predicting User Views in Online News” di D. Heart e O. Rambow della Columbia University. La domanda che si ponevano gli autori era in sostanza: vista l’enorme quantità di notizie che vengono fruite online, c’è grande interesse per il modo in cui queste notizie vengono consumate: in altre parole, la loro direzione di ricerca consiste nel predire su quali articoli fanno click gli utenti e perché. I dati generati nel consumo di notizie online costituiscono una risorsa interessante per l’esplorazione dei contenuti delle notizie e la loro relazione con le opinioni e i comportamenti degli utenti.
Creazione automatica e flessibile di titoli accattivanti
Concludiamo questa breve nota su NLP e giornalismo menzionando un progetto sviluppato in FBK parzialmente finanziato da Google News Initiative, relativo alla creazione automatica e flessibile di titoli accattivanti. Un buon titolo non deve solo riassumere il contenuto (task che nell’ NLP classico va sotto il nome di summarization). È risaputo che un titolo accattivante ed efficace è in molti casi un presupposto fondamentale per il successo delle notizie. Questo compito è normalmente il lavoro di un giornalista creativo o di un copy editor che ha l’obiettivo di attirare l’attenzione dei lettori sulle varie notizie. Tuttavia, poiché l’input (i.e., il contenuto della news) e l’obiettivo della comunicazione devono cambiare continuamente, un sistema creativo può essere estremamente vantaggioso per i giornalisti per trovare automaticamente titoli efficaci e accattivanti.
L’optimal innovation
Questo è un classico esempio di task multidisciplinare: per essere affrontato non bastano le tecniche pur raffinate di linguistica computazionale, bisogna cercare di automatizzare un’ipotesi cognitiva di come venga apprezzata esteticamente una produzione creativa. Tra le varie teorie cognitive possibili avevamo scelto l’optimal innovation elaborata della professoressa Rachel Giora, dell’università di Tel Aviv. L’optimal innovation è una teoria che mira a spiegare l’apprezzamento degli stimoli basati su variazioni di materiale familiare.
Nel caso del linguaggio il materiale famigliare può essere costituito da cliché, proverbi, frasi idiomatiche, titoli di film, canzoni famose, ecc. L’automazione del task consiste in variazioni contestuali di questo materiale, essendo il contesto fornito dalla comprensione della notizia. I titoli di prima pagina del quotidiano “Il Manifesto” – creati da umani per quanto ne sappiamo – sono un esempio dell’uso pratico di questa teoria.
L’ovvietà, piuttosto che la familiarità, è l’antitesi della creatività. Quindi per essere creativi dobbiamo usare ciò che è famigliare in un modo non ovvio. Come realizzarlo automaticamente è una delle tante sfide dell’intelligenza artificiale.
Note
- Le tre edizioni sono state alle conferenze IJCAI-2016 a New York, EMNLP-2017 a Copenhagen, e LREC-2018 in Giappone. ↑
