• data mining
• engagement
• hate speech
• islamofobia
• islamophobia
• misoginia
• misogyny
• polarization
• polarizzazione
• topic models

La nascita del World Wide Web, e lo sviluppo delle piattaforme di comunicazione online, note come social media, hanno favorito l’espansione di fenomeni come hate speech, eco chambers e
polarizzazione.
In questo lavoro si mirano ad analizzare tali fenomeni in scala ridotta, utilizzando il caso studio della liberazione di Silvia Aisha Romano, la volontaria tenuta in ostaggio in Somalia per 18 mesi e rilasciata l’8 maggio 2020. Il suo rilascio è stato un evento che ha creato grandi flussi di hate speech, tanto che tra il 10 e l’11 maggio si è assistito ad uno dei picchi più alti di incitamento all’odio online del 2020.
Conseguentemente a questi attacchi, il pubblico di Twitter si è diviso con opinioni polarizzate sulla vicenda.
Per procedere con la ricerca è stato fondamentale l’uso del metodo statistico noto come topic modeling,una tecnica di data mining che consente di rivelare in modo automatico i temi (topic) che compongono la struttura semantica di grandi corpus di documenti. Nel caso specifico si è lavorato su un campione di 28.332 tweet contenenti l’hashtag #SilviaRomano. Questo metodo ha consentito di analizzare la discussione digitale sulla vicenda, raggruppandola in sei macro-temi. Si è osservato che spesso la donna è stata utilizzata come pretesto per la discussione, ma nella maggior parte dei casi è scomparsa dalla scena e le critiche sono state rivolte ad altri soggetti.
È emersa la presenza di uno scenario di multipolarizzazione, per cui non si osserva la dualità “pro-Silvia Romano”/“contro-Silvia Romano”, bensì l’argomento generale (Silvia Romano) si articola in più sottotemi che vengono affrontati e interpretati attraverso frame molteplici, che pur rientrando in una categorizzazione duale (pro/contro), manifestano sensibilità culturali e ideologiche differenti. Questa situazione di spacchettamento potrebbe essere il riflesso di una multipolarità dello scenario politico italiano. Durante lo studio sulla polarizzazione si è notato che per quasi tutti i topic individuati si era in
grado di rilevare un nemico bersaglio di accuse, sintomo, probabilmente, di un momento storico (la pandemia causata dal Covid-19) che ha portato con sé ansie e frustrazioni.
Nella discussione si sono potuti individuare numerosi casi di hate speech, in modo particolare sono emersi misoginia ed islamofobia. Talvolta queste espressioni di odio sono state volontariamente messe in atto, altre volte sono state il risultato di stereotipi estremamente radicati nella cultura e dovute da bias cognitivi; infatti, si è osservato che anche chi voleva difendere Silvia Romano spesso, inconsapevolmente, cadeva negli stereotipi.
Infine, grazie all’analisi dell’engagement, è emerso che le tre tematiche maggiormente dibattute su Twitter sono anche state quelle maggiormente discusse nei media tradizionali, rafforzando l’argomentazione che online e offline si fondono e si influenzano vicendevolmente. L’analisi ha anche fatto emergere che i tweet con sentiment positivo sono stati quelli più ricondirvisi, e quindi più diffusi.


The birth of the World Wide Web, and the development of online communication platforms, well known as social media, have increased the expansion of phenomenons such as hate speech, echo chambers and polarization. This work aims to analyze these phenomenons on a small scale, using the case study of Silvia Aisha Romano’s release, the volunteer held hostage in Somalia for 18 months and set free on May 8, 2020. Her liberation was an event that created large flows of hate speech, so much that on 10 and 11 May there was one of the highest peaks of online hate speech of 2020. As a result of these attacks, the Twitter audiences was divided with polarized opinions. To proceed with the research it was fundamental the use of the statistical method known as topic modeling, a data mining technique that allows automatic disclosure of the topics that composes the semantic structure of a large corpus of documents.
In the specific case, we worked on a sample of 28,332 tweets containing the hashtag #SilviaRomano. This method made analyzing the digital discussion around the event possible, grouping it into six macro-themes. It was observed that the woman was often used as a pretext for discussion, but in mostcases she disappeared from the scene and criticism was directed at other subjects.
The presence of a multi-polarized scenario has emerged, for which the duality "pro Silvia Romano"/"counter-Silvia Romano" is not observed, but the general argument (Silvia Romano) is divided into several sub-themes that are addressed and interpreted through multiple frames, which although falling within a dual categorization (pro/con), manifest different cultural and ideological sensitivities. This result could be the reflection of a multipolarity of the Italian political scenario. During the study on polarization, it was noted that for most of the identified topics it was possible to detect an enemy, and this could be a symptom of a historical moment (the pandemic caused by Covid-19) that brought with it anxieties and frustrations. In the discussion it was possible to identify numerous cases of hate speech; in particular, misogyny and islamiphobia emerged. Sometimes these expressions of hatred have been voluntarly put into action, at other times they have been the result of stereotypes deeply rooted in the culture and stemming from cognitive bias. In fact, it has been observed that even those who wanted to defend Silvia Romano often, unknowingly, fell into stereotypes.
Finally, thanks to the engagement analysis, it emerged that the three most debated topics on Twitter were also those most discussed in traditional media, reinforcing the argument that the online and offline merge and influence each other. The analysis also has revealed that the tweets with positive sentiment were the most shared, and therefore the most widespread.