14/10/2020
Ricercatori del Consiglio nazionale delle ricerche - Istituto di analisi dei sistemi ed informatica “A. Ruberti” (Cnr-Iasi) e Istituto di elettronica e di ingegneria informatica e delle telecomunicazioni (Cnr-Ieiit) - in collaborazione con il Dipartimento di elettronica e telecomunicazioni del Politecnico di Torino hanno sviluppato una tecnica innovativa basata sul Machine Learning, in grado di stimare, a partire dall’osservazione dei dati di voto, la “fedeltà” di ciascun senatore al proprio gruppo parlamentare e, simultaneamente, il grado di influenza degli altri gruppi concorrenti. Concentrando l’attenzione sulle leggi più importanti votate durante la XVII legislatura lo studio, pubblicato su PLoS One, associa a ogni senatore un “Political DNA” che rappresenta graficamente le influenze dei gruppi.
Negli ultimi decenni, la comunità scientifica ha dedicato sforzi significativi allo studio di modelli matematici che descrivano la formazione di opinioni in gruppi sociali. Secondo questi modelli, le opinioni degli “agenti” sono il risultato di una opportuna media tra le opinioni altrui e le proprie convinzioni iniziali. In questo senso, gli agenti non sono completamente aperti alle opinioni altrui, essendo spinti con perseveranza da un attaccamento individuale dovuto, per esempio, all'influenza di una specifica appartenenza di gruppo. Obiettivo dello studio, e ingrediente chiave per offrire un’analisi efficace di un gruppo sociale, è lo sviluppo di nuove metodologie in grado di estrarre dai dati queste mutue influenze. Il Political DNA potrebbe fornire un utile strumento di sintesi per l’osservazione e la valutazione dell’attività politica dei rappresentanti.
Per informazioni:
Corrado Possieri
Cnr - Iasi
corrado.possieri@cnr.it
Fabrizio Dabbene e Chiara Ravazzi, Cnr-Ieiit, e-mail: fabrizio.dabbene@ieiit.cnr.it, chiara.ravazzi@ieiit.cnr.it;
Giuseppe Calafiore, DET-PoliTo: giuseppe.calafiore@polito.it
Riferimenti pubblicazione: "A new metric for understanding hidden political influences from voting records". PLOS ONE, 2020, 15, 9: e0238481. DOI: 10.1371/journal.pone.0238481