Titolo della tesi: Modelling Opinion Dynamics in Complex Social Sytems: from agent-based to AI-powered simulations
Questa tesi indaga l'opinion dynamics di sistemi sociali complessi, combinando metodi provenienti dalla fisica statistica, dalla scienza delle reti e dall’intelligenza artificiale. L’obiettivo centrale è comprendere come il comportamento individuale, la struttura sociale e i modelli computazionali possano essere utilizzati per rappresentare i sistemi sociali e prevederne gli esiti collettivi, e come tali conoscenze possano essere applicate a scenari reali. In particolare, la tesi si concentra su come modellare la formazione delle opinioni e descrivere i cambiamenti di opinione nella popolazione, su come sondare le opinioni attraverso nuovi metodi di indagine che sfruttano gli effetti di rete, e su come simulare agenti umani utilizzando strumenti di intelligenza artificiale di nuova generazione.
Iniziamo mostrando come una semplice modifica al modello classico del voter model — ovvero l'introduzione di un periodo di latenza dopo ogni cambio di opinione — alteri profondamente il comportamento del sistema. Invece di convergere casualmente verso il consenso, il sistema manifesta oscillazioni persistenti, offrendo una possibile spiegazione ai ricorrenti cambiamenti di opinione osservati nei contesti elettorali e sociali. Questo risultato mette in evidenza come piccole variazioni nelle regole individuali possano generare forme qualitativamente nuove di dinamiche collettive.
Successivamente, analizziamo come le caratteristiche strutturali delle reti sociali influenzino il modo in cui le opinioni vengono misurate. Studiando il metodo dei sondaggi basato sul “social circle” all’interno di un quadro di reti generative, mostriamo come la topologia della rete distorca contemporaneamente i risultati di tali sondaggi e riveli il livello di polarizzazione della società. Sviluppiamo un estimatore migliorato che combina le risposte individuali con informazioni strutturali, e ne dimostriamo l’applicabilità utilizzando dati di sondaggio relativi alle elezioni presidenziali statunitensi del 2016.
Infine, estendiamo l’ambito della modellizzazione delle dinamiche dell’opinione impiegando Large Language Models (LLM) come agenti artificiali in conversazioni politiche online. Utilizzando discussioni di Reddit sulle elezioni presidenziali statunitensi del 2016 come banco di prova, valutiamo la capacità di GPT-4 di riprodurre comportamenti simili a quelli umani. Gli esperimenti rivelano sia il realismo sia i bias sistematici del discorso generato dagli LLM, evidenziandone il potenziale come strumenti per simulare interazioni complesse, ma anche sollevando preoccupazioni in merito alla manipolazione e alla governance negli ambienti digitali. Inoltre, proponiamo un possibile metodo per individuare testi generati da LLM all’interno delle reti sociali.
Nel complesso, questi studi mostrano come l’interazione tra regole decisionali individuali, struttura delle reti e sistemi di intelligenza artificiale avanzati possa essere descritta all’interno di una prospettiva di modellizzazione unificata. Integrando approcci provenienti dalla fisica statistica, dall’analisi empirica dei dati e dall’intelligenza artificiale, questo lavoro contribuisce con nuovi meccanismi teorici, metodologie pratiche e riflessioni critiche sul futuro della simulazione sociale con approcci di tipo fisico.