Sentiment Analysis, la svolta per la Smart City e la Sicurezza Pubblica

Il Social Web raccoglie ogni giorno una grandissima quantità di informazioni sull’espressione dei giudizi degli utenti. Attraverso l’estrazione e l’analisi di questi dati possiamo comprendere le preferenze, emozioni ed opinioni umane. Queste informazioni permettono di costruire delle strategie pubbliche di sostenibilità e miglioramento della qualità della vita. La Sentiment Analysis diventa così la chiave per pensare a delle strategie di sviluppo di Smart City.

Cos’è la Sentiment Analysis

La Sentiment Analysis è quella branca del Natural Language Processing (NLP) che analizza dati testuali online restituendo informazioni sui giudizi degli utenti. Essa ha una vasta gamma di applicazioni. Interpretando i dati di testo su larga scala, le organizzazioni possono ricevere svariate informazioni da diverse fonti online. Ad esempio, la Sentiment Analysis è utilizzata spesso nel marketing per il monitoraggio del brand o per le ricerca di mercato. Allo stesso modo viene applicata nella politica per capire le preferenze dei votanti. I servizi pubblici possono ricavarne grandi vantaggi andando ad analizzare le aspettative dei cittadini. Un utilizzo poco conosciuto, e che approfondiremo in questo articolo, è quello nella Sicurezza Pubblica.

Perché è importante la Sentiment Analysis

Come spiegato nel precedente articolo la Clusterizzazione Semantica è fondamentale quando trattiamo i Big Data. Ogni giorno le organizzazioni raccolgono un’enorme mole di dati da svariate fonti. Essi sono l’energia vitale che permette di creare strategie, migliorare i rapporti con gli stakeholder e apportare valore. Tuttavia, la maggior parte dei dati sono destrutturati ed inutilizzabili. È per questo che sono necessari degli strumenti specifici che elaborino il linguaggio umano.

I Software di Sentiment Analysis prendono dati destrutturati dal web e li strutturano e classificano in modo che la macchina riesca a restituire informazioni utili sulle emozioni, preferenze e idee degli utenti.

Smart City e Sentiment Analysis

Sicuramente avrai sentito nominare il termine Smart City. Solitamente rappresenta un’area urbana in cui è possibile ottimizzare i servizi e le infrastrutture rivolti ai cittadini grazie all’utilizzo della tecnologia. L’idea è quella di integrare l’innovazione tecnologica con la vita quotidiana delle persone, promuovendo la sostenibilità e la qualità della vita.

La Sentiment Analysis offre il vantaggio di poter monitorare il livello di soddisfazione dei cittadini. In questo modo si faranno delle analisi più accurate e si potranno implementare delle strategie che migliorino i servizi e la qualità della vita.

I vantaggi della Sentiment Analysis nella Sicurezza Pubblica

Uno dei settori pubblici che possono trarre beneficio dalla Sentiment Analysis è la Sicurezza Pubblica. Infatti, attraverso l’analisi dei testi presenti nei social network essa permette di scoprire, e così monitorare, il livello di soddisfazione dei cittadini sulle azioni di polizia, investigazione e applicazione delle politiche di sicurezza in generale. Saremo in grado di capire anche in che zone della città le persone si sentono più o meno sicure e confrontarle con i dati sul tasso di criminalità e/o sulle azioni di polizia. Solo grazie a queste informazioni potremo creare delle strategie e politiche di sicurezza pubblica che rispettino le aspettative dei cittadini.

L’esperienza di Pragma Etimos 

Pragma Etimos, leader nella raffinazione dei dati, ha svolto diversi studi sui processi di Sentiment Analysis. Partendo da un testo destrutturato è stato attribuito un livello di “positività” o “negatività” emotiva alle parole che compongono le frasi. Per creare un tale algoritmo di machine learning è stato necessario recuperare una grande mole di testi “etichettati” presenti sul social web e aventi già una valutazione che ne costituisse una catalogazione sentimentale. Ciò è servito per effettuare un training il più accurato possibile. Successivamente si è resa necessaria una calibrazione di riconoscimento per mezzo di precise tokenizzazioni (sperazione degli elementi) con una lemmatura (gestione delle forme flesse) e una ricerca dell’elemento naturalizzato nel Database dei lemmi catalogati in modo positivo e negativo. È qui che l’algoritmo ha il compito di calcolare la reale polarità del testo, confrontando i vari punteggi delle parole che lo compongono.

POTREBBE INTERESSARTI ANCHE…