Fase 1: Preprocessing e Normalizzazione Linguistica Regionale

Obiettivo: Rimuovere il “rumore dialectale” e preparare il testo per l’analisi semantica avanzata.
– **Tokenizzazione contestuale**: usare `SentencePiece` o `HuggingFace Tokenizer` con modelli addestrati su corpora regionali (es. Toscana, Calabria) per preservare forme idiomatiche e contrazioni.
– **Lemmatizzazione fine-grained**: applicare modelli come spaCy con estensioni multilingue, integrando leggende locali (es. “tu” vs “voi” con varianti regionali).
– **Rimozione di noise e distorsioni**: filtrare espressioni gergali non emotive (“ciao”, “ok”), ridurre lo slang colloquiale in fase iniziale per non sovraccaricare il modello, e normalizzare l’ortografia regionale (“zittu” → “zittito”, “caffunoso” → “inquieto”).
– **Segmentazione contestuale**: espandere la finestra di analisi in presenza di marcatori forti (es. “ma…”, “però…”), evidenziando marcatori di contrasto emotivo.

Fase 2: Arricchimento Vettoriale con Feature Emotive Regionali

Obiettivo: Trasformare il testo in vettori che codificano intensità, categoria emotiva e contesto dialettale.
– **Presenza di intensificatori**: identificare e pesare intensificatori linguistici (“così”, “davvero”, “seriamente”) tramite regole lessicali regionali; esempio: “è così triste” → peso +0.85 sulla polarità negativa.
– **Pronomi possessivi emotivi**: taggare espressioni come “il mio cuore”, “la mia rabbia” con annotazioni ISO 24615 per classi emotive specifiche.
– **Marcatori modali e loro contesto**: analizzare il ruolo di “deve”, “potrebbe”, “forse” in combinazione con espressioni emotive (“deve essere serio” = forte preoccupazione).
– **Embedding contestuali regionali**: integrare word vectors derivati da modelli come ItaloBERT fine-tuned su corpora mercati locali, migliorando la rappresentazione semantica di termini come “schifo” (sud Italia) o “galera” (Lombardia), che portano sfumature di frustrazione specifiche.

Fase 3: Training Ibrido con Dataset Bilanciato e Data Augmentation

Obiettivo: Costruire un modello emotivo multilivello con bilanciamento regionale e sintetico.
– **Dataset regionale stratificato**: combinare recensioni standard, commenti social da Twitter/Instagram, dialoghi raccolti in Campania, Sicilia e Veneto, garantendo parità di campioni per area geografica.
– **Training ibrido supervisionato/non supervisionato**:
– 70% dataset annotato manualmente (tag emotivi certificati con ISO 24615)
– 30% data augmentation: parafrasi controllate (“mi fa il cuore a pezzi” → “sento un dolore profondo”), sostituzione lessicale regionale (“zittu” → “inquieto”), inversione sintagmatica per robustezza.
– **Tecnica di training multi-task**: minimizzare perdita di classificazione emotiva e massimizzare coerenza contestuale, con loss function:
\[
\mathcal{L} = \lambda_1 \mathcal{L}_{CE} + \lambda_2 \mathcal{L}_{contrastive}
\]
dove *contrastive* rafforza la distinzione tra classi sottili (es. triste vs preoccupato).
– **Validazione incrociata stratificata**: preservare proporzioni regionali nei fold per evitare bias.

Fase 4: Valutazione e Calibrazione Fine-Grained con Metriche Emotive

Obiettivo: Misurare con precisione la performance su classi emotive sfumate.
– **Metriche avanzate**:
– F1-score per sottocategoria (es. rabbia vs frustrazione),
– Confusion matrix per distinguere “sorpresa” da “interesse”,
– Precisione su classi difficili (es. ironia nascosta: “che bello la pioggia…”).
– **Analisi di confusione regionale**: identificare errori ricorrenti – esempio, confusione tra “tranquillo” (calma) e “calmo” (apatia) in Lombardia.
– **Visualizzazione percettiva**: heatmap di confusione e grafici a barre comparati tra modello base e calibrato regionale.
– **Validazione umana controllata**: coinvolgere agenti linguistici regionali per revisare il 10% dei falsi positivi negativi, con feedback per aggiornare il dataset.

Fase 5: Deployment con Feedback Loop e Ottimizzazione Dinamica

Obiettivo: Trasformare il modello in un sistema vivo, capace di evolversi con il linguaggio reale.
– **Architettura feedback loop**: integrazione di un endpoint API per raccogliere correzioni utente (es. “questo era triste, non rabbia”) e aggiornare il dataset ogni 7 giorni.
– **Aggiornamento modello ogni 3 mesi**: retraining con dati freschi e regionali, mantenendo versioni backward compatibili.
– **Dashboard di monitoraggio**: visualizzazione in tempo reale di drift semantico (es. aumento di espressioni nuove come “stanco, suona”), attenzione a variazioni dialettali emergenti.
– **Ottimizzazione quantizzazione e pruning**: ridurre la dimensione del modello ItaloBERT-Emotico da 3.5Gb a <1Gb senza perdita significativa di accuracy, per deployment su dispositivi edge o app mobili.
– **Uso di tecniche SHAP/LIME**: spiegare perché il modello ha classificato un testo in un certo modo, migliorando fiducia e trasparenza.

Caso Studio: Calibrazione su Testi Emotivi Meridionali

“Nel Meridione, l’espressività emotiva è radicata nella sintassi e nel lessico: ‘mi fa il cuore a pezzi’ non è solo triste, è un dolore incarnato, viscerale. Il modello generico lo classifica come triste moderato, ma il modello calibrato regionale lo riconosce come forte intensità negativa, con 92% di correttezza.

Dataset e Risultati

</