«Con quale parola descriveresti come ti senti oggi?»
È una domanda semplice, adatta anche all’accoglienza di una nuova classe. Quando le risposte diventano numerose, però, leggerle, raggrupparle e riconoscere le emozioni prevalenti richiede tempo e introduce una componente soggettiva. L’intelligenza artificiale può facilitare questo lavoro, purché venga utilizzata attraverso un metodo controllabile e senza attribuirle capacità diagnostiche.
Per sperimentare questa possibilità è stato costruito un corpus contenente 200 risposte simulate. I testi non provengono da studenti reali, ma sono stati generati artificialmente per collaudare la procedura senza coinvolgere dati personali.
Le risposte sono state divise in quattro gruppi da cinquanta e analizzate parallelamente da quattro agenti linguistici basati su Claude. Ogni agente ha associato a ciascun testo l’emozione ritenuta prevalente, scegliendola tra le 28 categorie della tassonomia GoEmotions. Un agente orchestratore ha successivamente riunito i risultati e controllato che nessuna risposta fosse stata modificata, duplicata o esclusa.
Nel campione simulato le emozioni più frequenti sono risultate il nervosismo, con 22 risposte, la delusione, con 21, l’entusiasmo, con 19, e il fastidio, con 18. Seguono neutralità, rabbia e gratitudine, presenti in 17 risposte ciascuna, oltre a ottimismo, paura, gioia, sollievo, curiosità, tristezza e altre sfumature emotive.
Questi risultati non descrivono una classe reale. Servono esclusivamente a verificare la capacità della pipeline di elaborare un corpus eterogeneo mantenendo la corrispondenza tra ogni risposta e la relativa classificazione.
Sentiment ed emozioni non sono la stessa cosa
La Sentiment Analysis riconosce principalmente l’orientamento generale di un testo, classificandolo per esempio come positivo, neutro, negativo o misto. L’Emotion Analysis cerca invece di individuare emozioni più precise, come gioia, gratitudine, paura, rabbia, delusione, entusiasmo o nervosismo.
Una frase come «Sono felice di iniziare, ma anche molto agitato» può avere un orientamento complessivamente positivo e, nello stesso tempo, esprimere entusiasmo e nervosismo. Per questa ragione RAGradix Pro, una mia app per Windows, utilizza procedure differenti per i due compiti.
Nella Sentiment Analysis, RAGradix Pro adotta una classificazione parallela definita “lossless”.
È una domanda semplice, adatta anche all’accoglienza di una nuova classe. Quando le risposte diventano numerose, però, leggerle, raggrupparle e riconoscere le emozioni prevalenti richiede tempo e introduce una componente soggettiva. L’intelligenza artificiale può facilitare questo lavoro, purché venga utilizzata attraverso un metodo controllabile e senza attribuirle capacità diagnostiche.
Per sperimentare questa possibilità è stato costruito un corpus contenente 200 risposte simulate. I testi non provengono da studenti reali, ma sono stati generati artificialmente per collaudare la procedura senza coinvolgere dati personali.
Le risposte sono state divise in quattro gruppi da cinquanta e analizzate parallelamente da quattro agenti linguistici basati su Claude. Ogni agente ha associato a ciascun testo l’emozione ritenuta prevalente, scegliendola tra le 28 categorie della tassonomia GoEmotions. Un agente orchestratore ha successivamente riunito i risultati e controllato che nessuna risposta fosse stata modificata, duplicata o esclusa.
Nel campione simulato le emozioni più frequenti sono risultate il nervosismo, con 22 risposte, la delusione, con 21, l’entusiasmo, con 19, e il fastidio, con 18. Seguono neutralità, rabbia e gratitudine, presenti in 17 risposte ciascuna, oltre a ottimismo, paura, gioia, sollievo, curiosità, tristezza e altre sfumature emotive.
Questi risultati non descrivono una classe reale. Servono esclusivamente a verificare la capacità della pipeline di elaborare un corpus eterogeneo mantenendo la corrispondenza tra ogni risposta e la relativa classificazione.
Sentiment ed emozioni non sono la stessa cosa
La Sentiment Analysis riconosce principalmente l’orientamento generale di un testo, classificandolo per esempio come positivo, neutro, negativo o misto. L’Emotion Analysis cerca invece di individuare emozioni più precise, come gioia, gratitudine, paura, rabbia, delusione, entusiasmo o nervosismo.
Una frase come «Sono felice di iniziare, ma anche molto agitato» può avere un orientamento complessivamente positivo e, nello stesso tempo, esprimere entusiasmo e nervosismo. Per questa ragione RAGradix Pro, una mia app per Windows, utilizza procedure differenti per i due compiti.
Nella Sentiment Analysis, RAGradix Pro adotta una classificazione parallela definita “lossless”.
Ogni risposta possiede un identificativo univoco e viene conservata integralmente durante l’elaborazione. Se il modello omette un record o una richiesta non viene completata, il sistema riprocessa soltanto gli elementi mancanti.
I conteggi finali non vengono affidati al modello linguistico, ma sono calcolati direttamente dal software.
Il modello interpreta quindi il significato del testo, mentre RAGradix Pro controlla identificativi, ordinamento, copertura e conteggi.
Il modello interpreta quindi il significato del testo, mentre RAGradix Pro controlla identificativi, ordinamento, copertura e conteggi.
Il termine “lossless” indica proprio questa conservazione strutturale del corpus, non un’accuratezza semantica garantita del cento per cento.
Per l’Emotion Analysis, RAGradix Pro utilizza un classificatore neurale specializzato: Lettuce Thymos 26M, un Transformer encoder multilingue che supporta anche l’italiano e produce 28 score emotivi indipendenti.
Questa architettura consente una classificazione multi-label.
Per l’Emotion Analysis, RAGradix Pro utilizza un classificatore neurale specializzato: Lettuce Thymos 26M, un Transformer encoder multilingue che supporta anche l’italiano e produce 28 score emotivi indipendenti.
Questa architettura consente una classificazione multi-label.
Lo stesso testo può quindi essere associato contemporaneamente a più emozioni, come gioia e ottimismo oppure entusiasmo e nervosismo.
Gli score prodotti non rappresentano probabilità assolute dello stato emotivo della persona, ma misurano quanto il testo corrisponda alle categorie apprese dal modello.
L’esecuzione avviene localmente nel formato ONNX INT8. La quantizzazione riduce le dimensioni del modello e il consumo di memoria, permettendo un’elaborazione rapida anche sulla CPU e limitando la dipendenza dai servizi cloud.
La classificazione delle 200 risposte simulate è stata effettuata dagli agenti Claude e non direttamente da Lettuce Thymos. L’esperimento costituisce quindi anche una base per un futuro confronto tra il ragionamento linguistico degli agenti e gli score prodotti dal classificatore neurale locale di RAGradix Pro.
Uno strumento di analisi, non di diagnosi
L’Emotion Analysis individua nel testo espressioni linguistiche associate a determinate emozioni, ma non può stabilire con certezza che cosa provi una persona. I risultati non devono quindi essere impiegati per formulare diagnosi, valutare la personalità degli studenti o prendere decisioni automatiche individuali.
In ambito scolastico, lo strumento può invece offrire una rappresentazione aggregata e orientativa del linguaggio utilizzato in questionari anonimi, sempre con un’interpretazione prudente e responsabile.
RAGradix Pro è una piattaforma proprietaria destinata alla ricerca e alla sperimentazione metodologica, attualmente non commercializzata né pubblicizzata. L’obiettivo non è chiedere genericamente all’intelligenza artificiale di “capire” un insieme di testi, ma costruire intorno ai modelli una procedura verificabile, riproducibile e coerente con il compito.
Quando si analizzano le parole delle persone, infatti, classificare può essere utile.
L’esecuzione avviene localmente nel formato ONNX INT8. La quantizzazione riduce le dimensioni del modello e il consumo di memoria, permettendo un’elaborazione rapida anche sulla CPU e limitando la dipendenza dai servizi cloud.
La classificazione delle 200 risposte simulate è stata effettuata dagli agenti Claude e non direttamente da Lettuce Thymos. L’esperimento costituisce quindi anche una base per un futuro confronto tra il ragionamento linguistico degli agenti e gli score prodotti dal classificatore neurale locale di RAGradix Pro.
Uno strumento di analisi, non di diagnosi
L’Emotion Analysis individua nel testo espressioni linguistiche associate a determinate emozioni, ma non può stabilire con certezza che cosa provi una persona. I risultati non devono quindi essere impiegati per formulare diagnosi, valutare la personalità degli studenti o prendere decisioni automatiche individuali.
In ambito scolastico, lo strumento può invece offrire una rappresentazione aggregata e orientativa del linguaggio utilizzato in questionari anonimi, sempre con un’interpretazione prudente e responsabile.
RAGradix Pro è una piattaforma proprietaria destinata alla ricerca e alla sperimentazione metodologica, attualmente non commercializzata né pubblicizzata. L’obiettivo non è chiedere genericamente all’intelligenza artificiale di “capire” un insieme di testi, ma costruire intorno ai modelli una procedura verificabile, riproducibile e coerente con il compito.
Quando si analizzano le parole delle persone, infatti, classificare può essere utile.
Sapere come avviene la classificazione e che cosa non possiamo dedurne è ancora più importante.