Strategie di classificazione automatica nella ricerca sociale: un'analisi delle risorse e dei vincoli

1Introduzione I principi della classificazione automatica hanno trovato ampio spazio in molte discipline: nelle scienze naturali, geologiche, mediche ed ingegneristiche, ma anche negli studi sociali, quelli di scienza politica ed economica. La polivalenza di questo strumento ha dato luogo ad una letteratura molto vasta, ma poco integrata. Basti pensare, per esempio, alla differente terminologia che si incontra nel passaggio da una disciplina all’altra: i biologi usano spesso il termine “numerical taxonomy”, gli scienziati sociali quello di “tipologia”, e così via, fino ad arrivare agli ingegneri che frequentemente si riferiscono alla cluster analysis con il termine “apprendimento non supervisionato” (Anderberg, 1973, p.6, nostra traduzione). La scarsa collaborazione fra le discipline, che ha caratterizzato soprattutto il passato, è la conseguenza di prospettive diverse, e di una mancanza di apertura verso punti di vista alternativi ai propri. Questo lavoro si rivolge, ovviamente, alla ricerca sociale. Sono tre gli elementi essenziali che lo hanno caratterizzato e che ne costituiscono il fondamento: la conoscenza teorica, l’esperienza empirica, e la consapevolezza nell’uso degli strumenti informatici. Ognuno di essi è un elemento essenziale per risolvere un problema di classificazione e, più in generale, d’analisi multivariata. La conoscenza teorica è lo studio dei principi su cui si basa la classificazione, delle sue risorse, delle regole e dei vincoli. La cluster analysis è una tecnica d’analisi multivariata che offre un numero di varianti molto più elevato rispetto alle altre tecniche statistiche. Ogni variante porta con sé vantaggi e limiti che la rendono più o meno adatta, a seconda del tipo di dati con cui si lavora. Dunque questo sapere è fondamentale per scegliere consapevolmente fra le diverse tecniche. L’esperienza empirica deriva dall’impatto con la realtà: ciò produce la consapevolezza del modo in cui, spesso, si strutturano i dati nella ricerca sociale e degli inconvenienti pratici che si incontrano nelle operazioni di classificazione. Ci riferiamo, per esempio, alla frequente assenza di clusters naturali, o alla inapplicabilità di alcuni algoritmi. Questa conoscenza si può acquisire davvero solo nelle concrete esperienze di ricerca, poiché spesso i manuali basano le spiegazioni solamente su situazioni ipotetiche, ben lontane dalle condizioni reali in cui si lavora.