1. Introduzione

1L’epidemia Covid-19 si è rapidamente diffusa da Wuhan, in Cina, a numerose nazioni in tutto il mondo e il 28 marzo 2020 l’Organizzazione Mondiale della sanità (OMS) ha ufficialmente dichiarato lo stato di pandemia del Covid-19. In Italia, il primo caso è stato riportato il 21 febbraio 2020; i contagi si sono poi diffusi a diverse regioni e l’8 marzo 2020 l’intera nazione è stata dichiarata zona rossa. È stato inoltre stabilito un lockdown nazionale, che è durato circa due mesi, fino al 4 maggio 2020. La situazione di emergenza è stata drammatica e completamente nuova: le comunicazioni istituzionali, finalizzate ad illustrare le misure di contenimento e ad indirizzare il comportamento della popolazione, hanno dunque giocato un ruolo determinante. La loro diffusione è avvenuta sia attraverso la televisione pubblica, sia attraverso i social network, come Facebook, Instagram e Twitter; di conseguenza, questi sono diventati i principali canali di diffusione di informazioni e di condivisione di opinioni.

2La Sentiment Analysis è un campo di studi multidisciplinare finalizzato ad investigare e valutare le opinioni espresse nei testi (Beigi et al. 2016; Mejova, Srinivasan, and Boynton 2013; Zimbra et al. 2018) cioè l’orientamento (positivo o negativo) che il parlante esprime verso un oggetto (Jurafsky and Martin 2019) attraverso dispositivi lessicali. Twitter è una fonte privilegiata di dati per l’analisi di emozioni e opinioni, tanto che oggi si parla di Twitter Sentiment Analysis (TSA) per identificare la specifica branca di ricerca basata su dati estratti da questo social network. Oggi la TSA è usata in vari ambiti e per diversi scopi, come, ad esempio, monitorare le opinioni degli utenti su prodotti commerciali (Ghiassi, Skinner, and Zimbra 2013; Jansen et al. 2009), studiare gli orientamenti politici (Mejova and Srinivasan 2012; Mejova, Srinivasan, and Boynton 2013; Garcia and Thelwall 2013; Wang et al. 2012, 2014), analizzare i livelli e le cause di stress tra gli adolescenti (Basili et al. 2017) o l’opinione pubblica riguardo i vaccini (Tavoschi et al. 2020).

3Questo studio utilizza la TSA per investigare l’impatto che le comunicazioni istituzionali hanno avuto durante la crisi sanitaria di Covid-19 in Italia. Nello specifico, è stato analizzato il sentiment di tweet italiani sul coronavirus per identificare correlazioni tra la polarità delle opinioni degli utenti (positiva o negativa) e i discorsi tenuti dal Presidente del Consiglio e dal Presidente della Repubblica durante la pandemia.

2. Materiali

2.1 Il corpus ItalC-Covid19

4Preliminarmente allo studio, è stato costruito un piccolo corpus di dichiarazioni e conferenze stampa pronunciate dal Presidente del Consiglio Giuseppe Conte e dal Presidente della Repubblica Sergio Mattarella, chiamato ItalC-Covid19 (Gagliardi and Suozzi 2020).1 Tutti i dati provengono dal canale YouTube ufficiale di Palazzo Chigi2 e del Quirinale3.

5Attualmente, il corpus include undici testi orali, pronunciati tra il 3 marzo e il 16 maggio 2020. Tab. 1 riassume il loro contenuto. Per ogni video è stata realizzata una trascrizione ortografica, conforme al formato L-AcT (Cresti and Moneglia 2018), una versione del formato standardizzato CHAT (MacWhinney 2000).

2.2 Il corpus Twitter Covid-19

6I tweet utilizzati per questo studio sono derivati dal corpus 40wita,4 un dataset di tweet italiani raccolto da Basile e Caselli (2020) durante il periodo di emergenza della pandemia, come parte dell’iniziativa Computational Linguistics and the Covid-19 Outbreak5 promossa dall’Associazione Italiana di Linguistica Computazionale (AILC). Il dataset è stato costruito giornalmente dal 1 febbraio 2020, filtrando TWITA (Basile and Nissim 2013; Basile, Lai, and Sanguinetti 2018), la più grande raccolta di messaggi pubblicati su social media in lingua italiana, con le parole-chiave relative al Covid-19.6

2.3 Il dataset

7Al fine di ottenere delle statistiche generali, è stato esaminato un lasso di tempo di 88 giorni, dal 26 febbraio al 23 maggio 2020. Il periodo considerato inizia una settimana prima della prima comunicazione istituzionale, e finisce una settimana dopo l’ultima. Il numero di tweet giornalieri sul coronavirus durante questo periodo va da un minimo di 9.245 a un massimo di 51.490, per un totale di 2.298.566 post. In fig. 1 è illustrata la distribuzione di questi numeri in funzione del tempo. Si può chiaramente osservare una crescita significativa nei primi giorni di marzo, quando, in alcune regioni, il lockdown è iniziato; il picco viene raggiunto il 10 marzo 2020, in corrispondenza dell’estensione del lockdown a tutto il territorio nazionale. Segue una diminuzione graduale fino alla fine di maggio, quando la maggior parte delle attività viene riaperta.

Figure 1: Numero di tweet sul Covid-19 in Italia durante il lockdown

8La Sentiment Analysis è stata realizzata con Sentita (Nicola 2018).7 Lo strumento, specifico per i tweet italiani, fornisce due valori indipendenti: un valore tra 0 e 1 per la polarità positiva (0 = neutro, 1 = completamente positivo) e uno tra 0 e 1 per la polarità negativa (0 = neutro, 1 = completamente negativo). Per ridurre la complessità del compito, sono stati inclusi nell’analisi solo i tweet con una polarità chiaramente orientata, escludendo quelli con bassa polarità (positivi e negativi sotto la soglia di 0.5) e quelli polarizzati sia in positivo che in negativo (con entrambi i valori superiori a 0.5). Due esempi di tweet analizzati con Sentita sono riportati in tabella 2.

3. Analisi della sentiment polarity

9Il dataset appena descritto è stato utilizzato per misurare se e in che misura le reazioni dei cittadini alle comunicazioni istituzionali siano riflesse nei loro tweet.

10A tal fine, è necessario considerare che la polarità dei tweet non è uniforme durante il giorno (Larsen et al. 2015): i tweet pubblicati al mattino sono solitamente più neutri di quelli della sera. Per avere una panoramica di questa variazione all’interno del corpus, è stato misurato l’andamento di tweet positivi e negativi nell’arco delle 24 ore e la media è stata calcolata sull’intero periodo di osservazione (88 giorni). Questo ha permesso di comparare l’andamento di tweet positivi e negativi intorno agli eventi comunicativi con la media giornaliera, per determinare eventuali deviazioni. Per l’analisi è stata considerata una finestra temporale che va da quattro ore prima a quattro ore dopo ogni comunicazione: all’interno di essa è stata misurata la percentuale di tweet positivi e negativi per ogni ora. Per evitare ogni potenziale fluttuazione oraria, è stata misurata la deviazione di polarità rispetto alla media calcolata su tutti gli 88 giorni. In tab. 3 sono riportati, a titolo di esempio, i dati relativi alla prima comunicazione, la dichiarazione del Presidente del Consiglio del 4 marzo 2020, trasmessa tra le 19:00 e le 20:00.

11I dati rappresentati sono i seguenti: distanza in ore dall’evento comunicativo (dist), ora del giorno (hour), percentuale di tweet positivi (pos), differenza tra pos e la media percentuale di tweet positivi per la stessa ora del giorno (pos_dev); analogamente sono calcolati neg e neg_dev sui tweet negativi.

12I valori delle ultime due colonne (pos_dev e neg_dev) sono stati divisi in due gruppi: le percentuali relative ai tweet precedenti all’evento (A) e quelle relative ai tweet successivi all’evento (B). Numericamente i tweet considerati per l’analisi (nella finestra temporale [-4,+4] ore da ogni evento) sono 161.197, di cui 27.057 con polarità positiva o negativa. Abbiamo applicato un modello di regressione lineare con una variabile dummy per ogni evento, assegnando un valore di 1.0 agli elementi di (A) e di 0.0 a quelli di (B). I p-value risultanti sono stati utilizzati per identificare gli eventi dopo i quali la polarità dei tweet è cambiata significativamente.

4. Risultati e discussione

13I risultati della regressione lineare sono riportati nella tab. 4.

Figure 2

14I dati mostrano che per tre comunicazioni istituzionali si registrano variazioni significative: sono quelle rilasciate il 4 marzo, il 9 marzo e il 26 aprile 2020. Tali risultati sono coerenti con il contenuto delle comunicazioni: le prime due (4 e 9 marzo) hanno annunciato, rispettivamente, l’istituzione delle prime zone rosse e l’estensione del lockdown a tutto il territorio nazionale. L’ultima, al contrario, ha annunciato le misure contenitive relative alla cosiddetta Fase 2 (cioè la parziale riapertura delle attività, e la fine del lockdown).

15È importante sottolineare che i tre eventi hanno suscitato tre reazioni diverse (fig. 2):

• 4 marzo 2020: significativa diminuzione sia di tweet positivi sia di negativi;

• 9 marzo 2020: significativa crescita sia di tweet positivi sia di tweet negativi;

• 26 aprile 2020: significativa crescita esclusivamente di tweet negativi, con percentuale di tweet positivi invariata.

16La prima dichiarazione è stata seguita da un forte calo sia di tweet positivi sia di negativi: questo è coerente con il clima di grande incertezza che ha caratterizzato i primi giorni di marzo 2020. Il Covid-19 si stava, infatti, ancora diffondendo prevalentemente nel Nord Italia, e la dichiarazione analizzata ha stabilito le prime misure contro un’ulteriore diffusione del virus. La percezione di pericolo crescente, da un lato, e l’attesa generale di altre misure contenitive, dall’altro, si traduce in opinioni meno chiaramente orientate.

17La seconda dichiarazione è servita ad annunciare il decreto "Io resto a casa": da quel momento, tutta la nazione è diventata "zona protetta". Le reazioni emotive a questa comunicazione sono ambivalenti, con una crescita importante di tweet sia positivi, che negativi. Questa "doppiezza" emotiva mostra da un lato la paura causata dall’epidemia in corso, e il lutto per le vittime, in quel momento particolarmente numerose; dall’altro, l’approvazione che il lockdown nazionale ha suscitato nella popolazione, e la tendenza a rimanere ottimisti e soprattutto uniti, esemplificata dall’hashtag andràtuttobene.

18La terza comunicazione ha, invece, provocato solo una significativa crescita di tweet negativi: il 26 aprile sono state annunciate le linee guida per la progressiva riapertura, e l’ingresso nella cosiddetta Fase 2. Una reazione così negativa è imputabile prevalentemente alla delusione: le misure annunciate sono state percepite come ancora troppo restrittive, tanto che molti tweet ironizzavano sulla sostanziale identità di Fase 1 e Fase 2. La delusione è derivata da una precedente aspettativa: un rapido ritorno alla normalità. Questo desiderio, a sua volta, è stato provocato da effetti più generali che la pandemia ha avuto sul benessere mentale ed emotivo della popolazione italiana. La pandemia di Covid-19, analogamente a quanto osservato per altre epidemie, ha suscitato reazioni psicologiche negative, come un’incidenza maggiore di depressione, stress (Shultz et al. 2016), preoccupazione (Thompson et al. 2017), e ansia di essere contagiati (Horney et al. 2010); il tutto è stato esacerbato dall’impossibilità di accedere a servizi di supporto e di dedicarsi ad attività come hobbies e sport.

5. Conclusioni

19Per concludere, questo studio ha lo scopo di investigare le reazioni dei cittadini italiani alle comunicazioni istituzionali durante l’epidemia di Covid-19. Grazie al crescente utilizzo dei social network, è infatti possibile esplorare le reazioni psicologiche ad eventi traumatici, sia individuali sia collettivi: secondo i nostri dati, le comunicazioni istituzionali che hanno provocato reazioni psicologico-emotive più forti sono quelle pronunciate il 4 e 9 marzo e il 26 aprile 2020, che hanno annunciato le misure più drastiche di contenimento dell’epidemia. Ulteriori studi potrebbero espandere questo lavoro, considerando contesti nazionali differenti (sia dove sono state attuate misure di contenimento del virus simili a quelle italiane, sia dove sono state attuate misure molto diverse). Inoltre, potrebbero essere oggetti di analisi eventi socio-politici diversi, come suggerito dallo studio Emoitaly8 (es. elezioni politiche, Giornata Internazionale dei Lavoratori, omicidio di George Floyd).