Sentiment Analysis e applicazione in R: ''The Brexit Mood''

16 2.1 Acquisizione del testo Il primo passo da compiere per implementare un'analisi testuale è perciò l’ottenimento dei dati testuali, che è divenuto negli ultimi anni molto più semplice ed efficace per via dello sviluppo delle capacità e della capienza dei database elettronici, dei software statistici, e della maggiore rapidità di scambio dei dati. Le fonti più immediate da reperire e da utilizzare, come i database online di articoli accademici o database di varie istituzioni pubbliche, forniscono i dati in maniera diretta e già in formato adatto per effettuare l’analisi. Più complesso è invece ottenere i dati all’interno di siti web, ma vi sono fortunatamente alcuni software per lo “scraping” che alleggeriscono il lavoro; in questo caso un’altra possibilità consiste nell’appoggiarsi a piattaforme web che in cambio di un corrispettivo in denaro, commissionano la ricerca e la raccolta di informazioni a soggetti terzi 12 . I dati provenienti dal Web rivestono una grande importanza nel mondo dei Big Data, infatti ne presentano tutte e tre le caratteristiche basilari (velocità, varietà, volume) in modo accentuato e inoltre hanno un potenziale informativo elevatissimo. Nel dettaglio si fa riferimento alle seguenti tipologie di dati:  Pagine HTML 13 in qualsiasi lingua;  I tweet;  Contenuti Facebook o di altri social network (come LinkedIn);  Documenti XML, PDF, Excel, Word e Power Point;  Commenti sui blog e sui forum, e altri post. La particolarità di questi dati è che sono non strutturati o semi-strutturati, quindi il testo è spesso caratterizzato da errori di battitura, slang, errori grammaticali, imprecisioni, abbreviazioni, emoticon; e questo complica un po’ la procedura successiva di analisi. 12 Un esempio è il servizio offerto da Amazon, denominato Amazon Mechanical Turk, servizio internet di crowdsourcing che permette ai programmatori informatici (requester) di coordinare l’uso di intelligenze umane per eseguire compiti che i computer non sono ancora totalmente in grado di svolgere. 13 HTML, acronimo di Hyper Text Markup Language, in informatica è il linguaggio di markup solitamente utilizzato per la formattazione e impaginazione di documenti ipertestuali disponibili nel World Wide Web.