Nella puntata precedente abbiamo visto come i social media sfruttano i meccanismi psicologici per tenerci incollati allo schermo. Ora alziamo lo sguardo: non più solo la dipendenza individuale, ma le conseguenze collettive. Perché la stessa architettura che ci rende dipendenti ha un effetto ancora più profondo sulla società: ci divide.
Gli algoritmi che decidono cosa vedere nel nostro feed non sono neutrali. Sono progettati per massimizzare il tempo di permanenza, e il modo più efficace per farlo è mostrarci contenuti che confermano le nostre convinzioni - e che ci fanno arrabbiare, indignare, temere. La rabbia e la paura trattengono l’attenzione più della gioia o della serenità. Lo dimostrano i dati: i contenuti negativi generano in media il doppio delle interazioni di quelli positivi.
Il risultato è un ecosistema che ci chiude in bolle informative, ci isola in camere d’eco e amplifica la polarizzazione sociale e politica fino a livelli pericolosi.
Filter bubble e echo chamber: due fenomeni, un effetto
Prima di procedere, chiariamo due termini spesso confusi ma distinti.
Filter bubble (bolla di filtro) - È l’effetto degli algoritmi di personalizzazione. La piattaforma seleziona automaticamente i contenuti in base ai nostri comportamenti passati, mostrandoci solo ciò che ritiene affine ai nostri interessi e opinioni. Non vediamo ciò che non ci piace o che non conferma le nostre idee. La bolla è invisibile: non sappiamo cosa ci viene nascosto.
Echo chamber (camera d’eco) - È l’ambiente sociale che si crea all’interno della bolla. Un gruppo di persone che condividono le stesse opinioni interagisce ripetutamente, amplificando e radicalizzando le proprie posizioni. Ogni voce viene rimbalzata e rafforzata, mentre le opinioni divergenti vengono escluse o attaccate. La camera d’eco è attiva: siamo noi, insieme ad altri, a costruirla.
I due fenomeni si alimentano a vicenda: l’algoritmo ci spinge in una bolla, e all’interno della bolla creiamo camere d’eco che rafforzano le nostre convinzioni. Il circolo vizioso è completo.
Caso concreto: l’esperimento di Eli Pariser. Il termine filter bubble è stato coniato dall’attivista e saggista Eli Pariser nel 2011. In un famoso esperimento, Pariser chiese a due amici di cercare su Google la parola “BP” (British Petroleum). Uno dei due ricevette risultati su investimenti in BP, l’altro su notizie ambientali negative. I due amici non sapevano di aver visto due Google diversi. Lo stesso accade sui social: il tuo feed è diverso dal mio, e nessuno dei due sa cosa l’altro sta vedendo.
Come gli algoritmi amplificano la polarizzazione
Gli algoritmi di raccomandazione non cercano la verità né l’equilibrio. Cercano l’engagement. E l’engagement più facile da ottenere è quello che passa attraverso le emozioni forti: rabbia, indignazione, paura, odio.
Uno studio pubblicato su Science nel 2018 ha analizzato la diffusione delle notizie su Twitter e ha scoperto che le fake news si diffondevano molto più velocemente e più lontano delle notizie vere. Il motivo? Le notizie false erano più sorprendenti, più scandalose, più emotivamente cariche. L’algoritmo, premiando le interazioni, favoriva la diffusione della menzogna.
Non solo: l’algoritmo tende a mostrare contenuti sempre più estremi per tenere alto il coinvolgimento. Se guardi un video politico moderato, il sistema ti propone qualcosa di un po’ più acceso. Se clicchi, ancora più acceso. Questo effetto è stato documentato in modo preoccupante su YouTube.
Caso concreto: la radicalizzazione su YouTube. Un’inchiesta del Wall Street Journal del 2018, intitolata “The YouTube algorithm radicalizes people”, ha dimostrato che la piattaforma spinge gli utenti verso contenuti sempre più estremi, anche quando l’utente non li cerca. Partendo da video innocui (come “Trump vs. Hillary Clinton”), l’algoritmo di YouTube proponeva video via via più radicali: teorie del complotto, contenuti suprematisti, negazionismo. Un esperimento ha mostrato che bastavano pochi clic per passare da un video su un gioco per bambini a video con teorie della cospirazione.
YouTube ha risposto modificando parzialmente l’algoritmo, ma il meccanismo di fondo rimane: l’estremo vende (in termini di visualizzazioni) più del moderato.
Polarizzazione politica: il caso delle elezioni
La polarizzazione alimentata dagli algoritmi ha conseguenze dirette sulla vita democratica. Le persone non solo si informano in modo distorto, ma sviluppano una percezione distorta dell’avversario politico: lo vedono come più estremo, più pericoloso, più disumano di quanto sia in realtà. Questo rende il dialogo impossibile e la convivenza sempre più difficile.
Caso concreto: il Myanmar e Facebook. Un esempio drammatico del potere polarizzante dei social è il caso del Myanmar (Birmania). Facebook è il principale (spesso l’unico) accesso a internet per gran parte della popolazione. Nel 2017, l’algoritmo di Facebook ha amplificato messaggi di odio contro la minoranza Rohingya, diffondendo disinformazione e incitamento alla violenza. Un rapporto delle Nazioni Unite ha concluso che Facebook ha avuto un «ruolo determinante» nel genocidio dei Rohingya, poiché la piattaforma ha permesso che l’odio si diffondesse senza freni. La moderazione è arrivata solo quando il danno era ormai fatto.
Caso concreto: le elezioni USA 2020. Durante le elezioni presidenziali americane del 2020, sia Facebook che Twitter sono stati accusati di aver amplificato la polarizzazione. Da un lato, i contenuti che negavano la legittimità del voto (spinti da Donald Trump) hanno raggiunto milioni di persone. Dall’altro, anche i contenuti di opposizione venivano spinti dall’algoritmo perché generavano reazioni. Il risultato è stato un paese diviso in due bolle informative completamente separate, ciascuna convinta di avere ragione e di combattere contro un nemico malvagio.
I costi sociali della polarizzazione
La polarizzazione non è solo un problema politico astratto. Ha conseguenze concrete:
- Erosione della fiducia - Le persone smettono di fidarsi delle istituzioni, dei media tradizionali, della scienza.
- Conflitto sociale - Le divisioni diventano così profonde che il dialogo è sostituito dall’ostilità.
- Diffusione della disinformazione - Nelle bolle, le fake news trovano terreno fertile perché non vengono contraddette.
- Perdita di empatia - L’altro diventa un nemico, non più un concittadino con cui si può dissentire civilmente.
Uno studio del Pew Research Center del 2019 ha mostrato che negli Stati Uniti la percentuale di persone che hanno una visione molto negativa del partito avversario è raddoppiata negli ultimi dieci anni, passando dal 20% al 40%. I social media non sono l’unica causa di questo fenomeno, ma ne sono un acceleratore formidabile.
Cosa possiamo fare?
Anche qui, la consapevolezza è il primo passo. Ma servono anche azioni concrete:
- Seguire fonti diverse - Inserire nel proprio feed voci che la pensano diversamente (ma attenzione: farlo senza cadere in trappole di odio).
- Usare strumenti di fact-checking - Prima di condividere una notizia che suscita indignazione, fermarsi e verificare.
- Scegliere piattaforme che non usano algoritmi di polarizzazione - Nel fediverso (ne parleremo nella puntata 1.7), i feed sono cronologici e non esiste un algoritmo che spinge contenuti estremi.
- Richiedere trasparenza algoritmica - Sostenere campagne e leggi che obblighino le piattaforme a rivelare come funzionano i loro algoritmi di raccomandazione. Il Digital Services Act (DSA) europeo, entrato in vigore nel 2024, impone alle grandi piattaforme di essere più trasparenti sui sistemi di raccomandazione e di offrire agli utenti la possibilità di scegliere feed non basati sulla profilazione. È un passo importante, ma la sua efficacia dipenderà dall'applicazione concreta.
- Disattivare la personalizzazione - Dove possibile (es. YouTube, Twitter/X), disattivare i suggerimenti personalizzati e usare feed cronologici o basati solo sugli account seguiti.
Il caso della radicalizzazione su YouTube: un approfondimento
Merita un approfondimento il caso di YouTube, perché è forse l'esempio più studiato e documentato di radicalizzazione algoritmica.
Nel 2019, un team di ricercatori della University of Amsterdam ha pubblicato uno studio intitolato "The YouTube Algorithm: A Study of Radicalization". I ricercatori hanno creato account fittizi con interessi moderati (ad esempio, "guarda video su Trump" e "guarda video su Clinton") e hanno monitorato i suggerimenti dell'algoritmo nel tempo.
Il risultato: dopo poche sessioni di visione, gli account che guardavano contenuti politici venivano reindirizzati verso video sempre più estremi. Chi guardava video conservatori moderati veniva spinto verso canali di destra radicale e teorie del complotto. Chi guardava video progressisti moderati veniva spinto verso contenuti di sinistra radicale.
La conclusione dello studio è chiara: l'algoritmo di YouTube non è neutrale. È progettato per massimizzare il tempo di visione, e i contenuti estremi trattengono l'attenzione più a lungo di quelli moderati. Questo crea un effetto trascinamento (or rabbit hole effect) che porta gli utenti verso posizioni sempre più radicali, anche quando non le cercano.
Dati alla mano: Uno studio interno di YouTube, citato in un articolo del Washington Post, ha rivelato che il 70% del tempo di visione sulla piattaforma è generato dai suggerimenti automatici dell'algoritmo, non dalla ricerca attiva degli utenti. Questo significa che la maggior parte di ciò che vediamo su YouTube non lo abbiamo scelto noi: lo ha scelto l'algoritmo per tenerci incollati.
Il caso Facebook in Myanmar: quando l'algoritmo uccide
Torniamo al caso del Myanmar, già citato. È forse l'esempio più estremo delle conseguenze della polarizzazione algoritmica.
Nel 2017, l'esercito del Myanmar ha lanciato una campagna di pulizia etnica contro la minoranza musulmana Rohingya. Secondo le Nazioni Unite, oltre 700.000 persone sono state costrette a fuggire in Bangladesh, e migliaia sono state uccise.
Qual è stato il ruolo di Facebook? In Myanmar, Facebook è praticamente l'unico accesso a Internet per la maggior parte della popolazione. La piattaforma è stata utilizzata per diffondere messaggi di odio contro i Rohingya, dipingendoli come una minaccia per la sicurezza nazionale.
Un rapporto del Business for Social Responsibility (BSR), commissionato da Facebook stessa, ha concluso che la piattaforma ha «alimentato la polarizzazione etnica» e «amplificato la disinformazione». L'algoritmo ha premiato i contenuti più estremi e violenti perché generavano più interazioni, mentre la moderazione era quasi inesistente.
L'ex presidente degli Stati Uniti Barack Obama ha citato il Myanmar come esempio di come i social media possano «distruggere una società» se non regolamentati.
La responsabilità degli algoritmi e il ruolo della legge
La polarizzazione non è una conseguenza inevitabile della tecnologia. È il risultato di scelte progettuali precise, fatte per massimizzare il profitto. Le piattaforme sanno che i loro algoritmi dividono la società, ma continuano a usarli perché generano engagement e quindi pubblicità.
Negli ultimi anni, però, qualcosa si muove. Il Digital Services Act (DSA) dell'Unione Europea, in vigore dal 2024, impone alle grandi piattaforme (sopra i 45 milioni di utenti in Europa) di:
Valutare i rischi sistemici dei loro algoritmi (incluso il rischio di polarizzazione e radicalizzazione).
Offrire agli utenti la possibilità di scegliere un feed non basato sulla profilazione (ad esempio, cronologico).
Essere trasparenti sui sistemi di raccomandazione.
Negli Stati Uniti, il Filter Bubble Transparency Act (ancora in discussione) propone obblighi simili.
Sono passi avanti, ma la strada è lunga. La pressione regolatoria è ancora debole, e le piattaforme hanno risorse enormi per fare lobbying e ritardare le riforme.
Anticipazione della prossima puntata
La polarizzazione e le bolle informative sono il terreno di coltura perfetto per un fenomeno ancora più pericoloso: la disinformazione e la manipolazione politica. Nella Puntata 1.4 vedremo come le fake news, le teorie del complotto e la manipolazione elettorale vengono amplificate dai social media, con casi concreti come Cambridge Analytica, le elezioni USA 2016 e la Brexit.