La svolta digitale nella ricerca storica

Per generazioni, lo studio dei movimenti sociali si basava su un lavoro archivistico meticoloso: leggere lettere da parte degli organizzatori, codificare manualmente la copertura dei giornali e condurre le storie orali. Mentre questi metodi forniscono una ricca conoscenza qualitativa, spesso mancano i modelli su larga scala che emergono quando migliaia di eventi o documenti vengono esaminati insieme.

Questo cambiamento non è solo l'utilizzo di computer per fare il vecchio lavoro più velocemente. Rappresenta un cambiamento fondamentale nell'epistemologia della ricerca storica. Dove gli storici tradizionali spesso costruiscono argomenti da esemplari spaziali accuratamente selezionati, gli storici computazionali possono testare ipotesi contro l'intero universo di prove disponibili. Per esempio, piuttosto che affidarsi a alcuni famosi discorsi per caratterizzare un movimento, un ricercatore può analizzare il sentimento in ogni discorso, volantino, e stampa di profondità di rilascio prodotto

Principali metodi computazionali nella ricerca del movimento sociale

Un toolkit diverso è emerso, con ogni metodo adatto a diversi aspetti della dinamica del movimento sociale. Di seguito sono le tecniche più ampiamente adottate, insieme ad esempi di come vengono applicate. Come il campo matura, questi metodi sono sempre più combinati in modelli misti-metodo che mescolano scala computazionale con l'interpretazione qualitativa.

Estrazione del testo e lavorazione della lingua naturale

Text mining allows historians to extract themes, sentiments, and framing strategies from large corpora of documents. Using techniques such as topic modeling (e.g., Latent Dirichlet Allocation) and named entity recognition, researchers can identify how movements construct their messages and how those messages change over time. For example, a study of the U.S. civil rights movement might mine thousands of newspaper articles to track the shifting prominence of terms like “nonviolence,” “freedom,” and “justice” across different years and regions. Sentiment analysis can reveal whether media coverage of a protest becomes more positive or negative as the movement gains power, offering insights into the relationship between public opinion and mobilization. Advanced natural language processing models, including transformer-based architectures like BERT, now enable researchers to detect more nuanced linguistic features, such as irony or dog whistles, that earlier keyword-based methods would have missed. Researchers at the Observatory on Social Media (OSoMe) at Indiana University have been at the forefront of developing these tools for protest contexts, providing open-access platforms for analyzing information diffusion.

Analisi della rete

[LTS:0]L'analisi della rete] mappa i collegamenti tra individui, organizzazioni e eventi.Ristrutturando il grafico sociale di un movimento, che ha comunicato con chi, quali gruppi di risorse condivise, quali attivisti erano più centrali, i ricercatori possono identificare gli influencer chiave, i ruoli di intermediazione, e le dinamiche strutturali che permettono o constrano l'azione collettiva.

Analisi Geospaziale e mappatura degli eventi

L’analisi geospaziale aggiunge una dimensione spaziale allo studio della protesta. Geocoding le posizioni delle manifestazioni, degli arresti spaziali o delle azioni di polizia, gli storici possono esaminare come i movimenti si diffondono geograficamente.

Modellazione temporanea e analisi di sequenza

Modelli temporali] si concentrano sulla tempistica e la sequenziamento degli eventi. Un'azione governativa particolare ha scatenato un improvviso aumento delle proteste, o ha mobilitato gradualmente la costruzione di scaffalature? Applicando analisi delle serie temporali per protestare banche dati degli eventi, i ricercatori possono rilevare gli indicatori principali di escalation, come i picchi nella rabbia online o la formazione di nuove organizzazioni.

Imparare a macchina per la rilevazione di eventi più prove

Un'aggiunta più nuova classe al toolkit è l'apprendimento automatico per il rilevamento degli eventi di protesta, che utilizza algoritmi per identificare automaticamente le occorrenze di protesta da fonti di testo non strutturate.

Studi sui casi: Metodi computazionali in azione

La primavera araba e la retorica della rivoluzione

I risultati di un'analisi dialettica in inglese, che ha dimostrato di essere un'analisi di tipo digitale, hanno dimostrato che i risultati di un'analisi dialettica in inglese hanno mostrato un ruolo di riferimento più approfondito, che ha permesso ai ricercatori di individuare i dati di riferimento nazionali.

Black Lives Matter e la geografia di Protest

Il movimento Black Lives Matter (BLM) fornisce un altro caso ricco. Gli storici computazionali hanno combinato i dati degli eventi geospaziali (dai rapporti di polizia e dagli archivi di notizie) con i dati di Twitter per mappare le proteste del 2020 dopo l’omicidio di George Floyd. Uno studio pubblicato in Le comunicazioni in particolare hanno dimostrato che gli eventi di protesta non erano concentrati solo in grandi città costiere, ma si sono diffusi a migliaia di fenomeni demografici.

Attivismo climatico Across Generations

I movimenti climatici come il venerdì per il futuro presentano l'opportunità di studiare come l'organizzazione digitale intergenera tra le campagne online guidate dai giovani e le strutture delle ONG tradizionali.

Il movimento MeToo e la diffusione della lingua

Il movimento #MeToo offre un caso convincente per l'analisi computazionale della diffusione narrativa su piattaforme e contesti nazionali. I ricercatori hanno usato l'estrazione di testo per tracciare come l'hashtag si diffonde dalle sue origini nel lavoro di attivista Tarana Burke attraverso il momento virale della celebrità-driven di sviluppo del 2017 e nell'uso globale in oltre 85 paesi.

Sfide e considerazioni etiche

Dati Bias e Rappresentanza

I metodi computazionali sono altrettanto validi dei dati che utilizzano, e i dataset storici sono profondamente modellati da schemi di digitalizzazione e conservazione archivistica. Gli archivi coloniali, per esempio, sovrarappresentano le attività dei poteri imperiali, cancellando le voci dei popoli colonizzati. I dati dei social media si aggirano verso i giovani, gli utenti urbani e relativamente ricchi, sostenendo che i movimenti guidati da gruppi emarginati possono essere indesiderati a certi algoritmi.

Tensioni etiche nel riutilizzo dei dati digitali

I dati di base utilizzati nella storia computazionale spesso provengono da piattaforme di social media, che non sono mai stati progettati per la ricerca. Gli studiosi affrontano questioni spinose sulla privacy e il consenso: possono citare un tweet cancellato da un organizzatore di protesta che da allora è stato arrestato?

La necessità di formazione interdisciplinare

La storia computazionale efficace richiede la competenza in almeno tre domini: metodologia storica, analisi statistica e codifica. Pochi studiosi possiedono tutti e tre, portando a un gap di competenze che può produrre affermazioni poco profonde. Ad esempio, un ricercatore può tranquillamente segnalare una correlazione tra la frequenza di protesta e l'attività dei social media emergenti senza controllare per la densità di popolazione o la penetrazione di Internet, un errore che un econometrico addestrato cattura.

Direzioni e Frontiere emergenti

Integrazione dati multimodale

La maggior parte della storia computazionale finora si è concentrata sul testo, ma i movimenti sociali producono anche immagini, video e audio, dai murales di protesta e dai filmati di fotocamere ai podcast e alle danze di TikTok.

Modelli e storia controproducente

Alcuni studiosi stanno sperimentando modelli predittivi che stimano la probabilità di risultati specifici, come un movimento che raggiunge il cambiamento politico o una protesta che diventa violento, basato su segnali iniziali. Mentre controversi (la storia non è un laboratorio dove le condizioni identiche possono essere rielaborate), questi modelli possono servire a scopi euristici.

Modelli di scienza collaborativa e aperta

I progetti di grande scala come il [LT:0]]Global Database of Events, Language, and Tone (GDELT)] o il Possibilità di sviluppare i dati di condivisione di dati di base

Conclusione: Un quadro più completo dell'azione collettiva

La storia computazionale non è una sostituzione dei metodi tradizionali ma un arricchimento. Combinando la scala e la riproducibilità del calcolo con la profondità interpretativa della ricerca qualitativa, gli studiosi possono ora rispondere a domande sui movimenti sociali che una volta erano fuori portata: Come le idee viaggiano attraverso i confini? Quali condizioni strutturali rendono contagiosa la protesta? Quali attivisti diventano dimenticati, e perché? La promessa del campo non è quella di ridurre la storia ai numeri, ma di usare i numeri più chiaramente i dati più

Per ulteriori informazioni sui metodi e l'etica, vedere il Data for History project (un consorzio internazionale che sviluppa le migliori pratiche per la storia computazionale) e il Observatore sui social media (OSoMe)] all'Università Indiana, che fornisce strumenti per analizzare la diffusione delle informazioni in contesti di protesta globale.