Version classiqueVersion mobile

Società delle tecnologie esponenziali e General Data Protection Regulation

 | 
Simone Bonavita

Analisi di strutture organizzative informali mediante reti Wi-Fi e le Facebook Open Graph API: aspetti tecnologici e di privacy compliance

Paolo Dello Vicario, Valentina Tortolini, Giuseppe Calabrò et Giuliano Maria Fabbri

Texte intégral

Introduzione

1Le strutture organizzative sono sempre più complesse. Nel corso degli ultimi anni i nuovi modelli organizzativi prendono progressivamente piede all’interno delle aziende, riducendone i livelli gerarchici.

2L’effetto immediato di questo cambiamento è la progressiva necessità di adottare sistemi di gestione della struttura informale che ne consegue, affiancati ai classici sistemi standardizzati per la gestione della struttura formale a cui si è tipicamente abituati. Questo tema diventa particolarmente importante nel caso di strutture organizzative basate sulla conoscenza e su lavori in cui il capitale umano rappresenta la quasi totalità delle risorse aziendali.

3La corretta gestione di questo tipo di strutture è oggi al centro del moderno dibattito sull’organizzazione d’impresa; è fondamentale infatti riuscire a ottenere strutture in cui il coordinamento interno e il controllo della qualità coesistano con il corretto scambio di informazioni fra le persone.

4Le implicazioni in performance delle reti di relazioni informali possono risultare importanti per la crescita aziendale, se correttamente gestite [Coleman, J. (1988), Social Capital in the Creation of Human Capital, American Journal of Sociology].

5Un campo di studio particolarmente interessante si occupa proprio dell’identificazione e nella rappresentazione delle reti sociali informali all’interno delle organizzazioni, affrontabile mediante Social Network Analysis (SNA). In passato sono state proposte diverse metodologie di analisi per identificare queste strutture (principalmente mediante interviste) e intervenire in modo efficace sulla struttura, in modo da migliorare il flusso di informazione [Cross R., P. Borgatti S. and Parker A. (2002), Using social network analysis to support strategic collaboration, California Management Review].

6L’identificazione stessa di questi network di persone può essere però estremamente complessa, oltre che imprecisa. Anche il solo fatto di condurre un’analisi mediante questionari in strutture organizzative delocalizzate, formate da migliaia di professionisti, può rappresentare un ostacolo alla sua effettiva realizzazione.

7Con l’avvento dei social media (Facebook, Twitter, LinkedIn etc.) è possibile oggi accedere potenzialmente a un grande numero di informazioni circa le relazioni fra le persone a costi estremamente contenuti. Questo lavoro si concentra sull’identificazione di possibili modalità di analisi delle reti informali all’interno delle organizzazioni e alle possibili applicazioni. Viene prestata inoltre particolare attenzione alle tematiche relative alla gestione dei dati personali, in conformità al nuovo Regolamento Generale sulla protezione dei dati 679/2016 (di seguito anche “GDPR”), con approfondimenti sull’utilizzo del dei dati in conformità alle policy sulla gestione dei dati di Facebook e degli altri social media.

8In particolare, ci si concentra sull’utilizzo dei dati estraibili tramite le Facebook Open Graph API, dietro autorizzazione dell’utente che effettua il login tramite metodo “Social Login” su una rete WiFi aziendale.

9Il tema della profilazione degli utenti tramite social login è quanto mai attuale, anche a seguito delle elezioni presidenziali degli Stati Uniti, per le quali la società Cambridge Analytica avrebbe utilizzato i dati di Facebook per sviluppare i suoi modelli di profilazione psicografici per migliorare il targeting delle campagne elettorali e orientare la comunicazione dell’allora candidato alla presidenza Donald Trump [Persily N. (2017), Can democracy survive the internet?, Journal of Democracy].

Social Login e Facebook Open Graph API

10Il Social login è una tecnologia di single sign-on (SSO) che permette agli utenti di autenticarsi su diverse piattaforme e siti utilizzando un loro account utilizzato sui social network invece che diversi username e password in ogni sito web. Gli standard utilizzati per scambiare le informazioni provenienti da social login sono tipicamente l’OpenID Connect e l’OAuth authorization framework [Hardt, Dick. (2012) “The OAuth 2.0 authorization framework”].

11Con OAuth vengono definiti 4 ruoli:

  1. resource owner;
  2. client;
  3. resource server;
  4. authorization server.

12Queste quattro entità seguono il processo di autenticazione che segue:

  • 4. il client (ovvero l’applicazione) richiede autorizzazione per accedere alle informazioni del servizio al resource owner (ovvero l’utente);
  • 5. se il resource owner autorizza la richiesta, il client riceve l’autorizzazione;
  • 6. il client richiede un access token all’authorization server, fornendo contestualmente la sua autenticazione e l’autorizzazione dell’utente;
  • 7. se l’autenticazione e l’autorizzazione dell’utente sono valide, l’authorization server fornisce l’access token al client. A questo punto l’autenticazione può dirsi completata;
  • 8. il client può ora presentare il suo access token al resource server, ovvero al server che fornisce il servizio;
  • 9. se l’access token è valido, il resource server fornisce le risorse al client.

Figura 1. Rappresentazione del funzionamento di OAuth 2

Figura 1. Rappresentazione del funzionamento di OAuth 2

13Per questo motivo, per ottenere i dati, sia che si parli di Twitter, Facebook, Instagram o altri social network si devono ottenere dalla piattaforma delle credenziali. La procedura per ottenere queste credenziali è abbastanza simile per tutte le piattaforme, e i requisiti minimi per accedere alla procedura sono il possesso di una mail e di un account sulla piattaforma.

14Le credenziali vengono rilasciate a seguito della creazione di un’app sulla piattaforma (che svolgerà il ruolo di client nel protocollo OAuth e con la quale ci si potrà interfacciare mediante applicativi proprietari), dalla pagina della piattaforma dedicata agli sviluppatori. Se ad esempio si vogliono ottenere delle credenziali per Facebook dovremo creare un’app dalla pagina https://developers.facebook.com/​, seguendo la procedura indicata. Se invece volessimo ottenere delle credenziali per Twitter dovremmo visitare la pagina https://apps.twitter.com/​.

15Particolarmente interessante è la Graph API di Facebook, nata per permettere agli sviluppatori di estrarre dati dalla piattaforma stessa, a seguito di esplicita autorizzazione dell’utente. Si tratta di una API di basso livello basata sul protocollo HTTP che permette di interrogare i dati, pubblicare nuovi post sulla bacheca degli utenti, gestire l’advertising, caricare foto e molte altre cose.

16La Graph API prende questo nome dall’idea di grafo sociale che rappresenta l’informazione su Facebook. Nel grafo sociale di Facebook abbiamo, come in ogni grafo:

  • nodi - ovvero singoli oggetti (utenti, foto, pagine, commenti);
  • archi - connessioni fra oggetti;
  • attributi - relativi a un oggetto (nomi di pagine, residenza di un utente)

17Un grafo sociale come quello di Facebook, a differenza di quello di Twitter, può essere considerato come un grafo non direzionale, assumendo la bilateralità delle relazioni [Salvatore Catanese, Pasquale De Meo, Emilio Ferrara, Giacomo Fiumara and Alessandro Provetti (2012) “Extraction and Analysis of Facebook Friendship Relations”, Computational Social Networks]. Come evidenziato dagli autori, è possibile utilizzare efficacemente la Graph API per analizzare gruppi di utenti e le loro relazioni con altri utenti. In una rappresentazione a grafo potremo assumere che gli utenti siano i nodi e le amicizie siano gli archi. Nel lavoro poco addietro citato, a partire da 63,400 utenti sono stati identificati un totale di 8,210,000 amici e circa 12,580,000 di archi (relazioni fra persone), con una media di circa 203 relazioni per ogni persona. Il dato è relativo all’anno 2010 e si presume che tali valori, a parità di nodi analizzati, siano aumentati.

18Si capisce immediatamente come un’analisi di questo tipo risulti particolarmente onerosa dal punto di vista computazionale, quando ci si trova a lavorare con grandi numeri di persone.

19Concentrandoci sul nostro caso d’uso, ovvero l’utilizzo del social login all’interno di reti aziendali, si può pensare in buona approssimazione di lavorare su strutture più piccole, geograficamente limitate e di conseguenza più facili da analizzare e gestire.

20Immaginiamo di voler implementare un sistema di estrazione dei dati relativi ad amicizie e conversazioni dei dipendenti di un’azienda, degli studenti di un particolare ateneo o di un’altra struttura fisica intorno alla quale si aggregano persone (i locali di una stazione ferroviaria per esempio). Tipicamente queste strutture offrono ai loro utenti l’accesso gratuito a reti WiFi, fornendo i dati di autenticazione a fronte della compilazione di moduli di richiesta di accessi, attraverso i quali vengono forniti anche dati personali.

21Queste strutture potrebbero decidere di fornire l’accesso anche tramite sistema di social login – gli utenti potrebbero così permettere a queste strutture di leggere una parte dei loro dati su Facebook in cambio dell’accesso alla rete. Facebook permette di leggere il dato relativo alle amicizie mediante lo specifico permesso user_friends

22(https://developers.facebook.com/​docs/​graph-api/​reference/​user/​friends). La richiesta HTTP è la seguente:

https://graph.facebook.com/​v2.12/​100003184417349/​friends?access_token

23La risposta sarà formattata in JSON come segue

{

“data”:

[],

“paging”:

{},

“summary”:

{}

}

24Dove il campo “data” sarà una lista di nodi di tipo utente (ovvero di amici dell’utente che ha fornito il permesso).

25Allo stesso modo è possibile accedere velocemente ai post degli utenti, a loro like a pagine e post e ai loro commenti, individuando in questo modo non solo la rete di relazioni, ma anche i temi predominanti all’interno delle singole community ed eventualmente i temi a cui sono più sensibili singoli influencer della rete di utenti.

Social Network Analysis per l’Identificazione di Community e Influencer

26L’analisi delle reti sociali si è sviluppata a partire dagli anni Trenta grazie al contributo di Jacob Levi Moreno, considerato anche il padre della sociometria. A differenza della ricerca sociale mainstream, che è stata, ed è tuttora, focalizzata sul comportamento degli individui, trascurando la componente sociale del comportamento – ovvero il modo in cui gli individui interagiscono tra di loro e l’influenza che hanno l’uno sull’altro – la SNA si concentrata sulle relazioni sociali che legano gli individui, piuttosto che sugli individui stessi.

27La SNA, dunque può essere definita come una tecnica o un insieme di tecniche utilizzate per studiare lo scambio di risorse (informazioni, dati, beni, citazioni, etc.) tra attori di un network (ad esempio individui, organizzazioni, aziende, Paesi, pubblicazioni, molecole, etc.). Da questa definizione è chiaro che la SNA non trova applicazione solo nello studio delle scienze sociali ma anche in chimica, computer science, economia, logistica, etc. Facciamo ad esempio l’ipotesi che la risorsa che viene scambiata tra gli attori del network sia l’informazione all’interno di una struttura, ad esempio una grande azienda. Con la SNA si possono individuare modelli regolari di scambio di informazioni che si concretizzano in reti sociali, con attori, dipendenti dell’azienda e relazioni di scambio delle informazioni che definiscono la struttura del flusso di informazioni tra attori. Conoscendo le vie di scambio delle informazioni esistenti, i fornitori di informazioni, il management dell’azienda, possono intervenire sulle modalità di informazione e apportare modifiche al flusso dell’informazione.

28Le reti sociali sono dunque “oggetti” definiti da dati relazionali che possono essere rapprentati in tre modi: ricorrendo all’algebra in forma matriciale; ricorrendo alla sociometria con i sociogrammi sviluppati da Moreno; ricorrendo alla teoria dei grafi con un grafo. Una delle visualizzazioni delle reti sociali più diffuse è il grafo.

29Il grafo, che si fa risalire ad Eulero [Eulero, L. (1736), Commentarii Academiae Petropolitanae 8, 128], formalmente è una coppia ordinata di insiemi N e E, dove N rappresenta l’insieme dei nodi ed E rappresenta l’insieme degli archi che collegano i nodi tra di loro. I grafi si dividono in grafi non orientati, quando l’arco indica solo la presenza di una relazione tra due nodi, e orientati quando si visualizza anche la direzione delle relazioni.

30Senza entrare nei dettagli teorici, i tre concetti di base nello studio delle reti sono l’individuazione degli archi (legami) forti/deboli all’interno della rete, l’individuazione dei nodi chiave, le misure generali della rete.

31Un arco in una rete può rappresentare un flusso di informazioni o di beni, un legame sociale, un’interazione, etc.

32Se ci focalizziamo sui legami sociali, la forza di un arco può essere rappresentata, ad esempio, dalla frequenza delle interazioni, dalla reciprocità, dalla struttura dei nodi vicini – la struttura delle amicizie comuni.

33Tre concetti fondamentali nello studio dei legami di una rete sono l’omofilia, la transitorietà e il bridging. L’omofilia è la tendenza a relazionarsi con persone con caratteristiche simili (status, interessi, sesso, posizione lavorativa, ecc.). L’omofilia non misura la forza di un legame, i legami omofili possono essere forti o deboli, e non sempre una alta omogeneizzazione è da considerarsi una caratteristica positiva di una rete. L’omogeneizzazione estrema può essere un deterrente all’innovazione e la generazione di idee.

34La transitorietà nella SNA è una proprietà dei legami: se c’è un legame tra A e B e uno tra B e C, allora in una rete transitiva saranno anche collegati A e C. I legami forti sono più spesso transitori di quelli deboli; transitorietà è quindi evidenza dell’esistenza di forti legami (ma non una condizione necessaria o sufficiente).

35I ponti sono nodi e archi che creano collegamenti tra gruppi, la presenza di bridge facilita la circolazione dell’informazione attraverso al rete.

36Per determinare invece l’importanza di nodo, spesso se ne misura la sua centralità all’interno della rete. Esistono molti indicatori di centralità, la scelta su quale utilizzare nella determinazione dell’importanza dei nodi dipende molto dalla caratteristica dei nodi che vogliamo esaltare. Se ad esempio ci interessa raggiungere il numero più elevato possibile di nodi in una rete allora ne valuteremo l’importanza attraverso il degree. Se invece siamo interessati a quanto velocemente un nodo può essere collegato con tutti gli altri nodi del network, è più opportuno scegliere la closeness. Se vogliamo valutare quanto sia probabile che un determinato nodo/persona rappresenti la via più diretta nodi nella rete allora useremo la betweenness centrality. Infine, se siamo interessati ai nodi connessi con altri nodi “ben connessi”, valuteremo i nodi attraverso l’algoritmo del page rank, sviluppato alla Stanford University e diventato universalmente famoso perché alla base del ranking delle pagine di Google.

37Dobbiamo anche ricordare che i nodi di un grafo possono essere pesati in base a fattori endogeni alla rete, come il Page Rank o la betweenness, o in base a fattori esogeni. Nello studio di una rete di scambi commerciali, ad esempio, ad ogni nodo potrebbero essere associati pesi che rappresentano il numero di beni che passano da nodo in un determinato periodo di tempo o il valore dei beni, oppure i costi di attivazione di nodo, o il costo dello scambio passando da un determinato nodo. Ai nodi possono essere anche associati pesi soggettivi, basati sulle nostre percezioni o combinazioni di pesi di vario tipo.

38Le reti vengono “misurate” attraverso alcune statistiche, tra le più utilizzate troviamo la densità, che descrive in generale il livello di connessione tra i nodi: più i nodi sono collegati tra loro, più la densità della rete sarà elevata.

39Una delle caratteristiche più rilevanti dei grafi che rappresentano sistemi reali è la struttura della comunità, o clustering, cioè l’organizzazione dei nodi in cluster, con i nodi dello stesso cluster molto connessi tra di loro e i nodi di diversi cluster relativamente poco connessi. Tali raggruppamenti, o comunità, possono essere considerati come compartimenti abbastanza indipendenti di un grafico, che svolgono un ruolo simile e la loro individuazione è cruciale in molti campi come la biologia, la sociologia, l’informatica [Fortunato N. (2010), Community detection in graphs, Physics Reports; Fortunato S. and Hric D. (2016), Community detection in networks: A user guide, Physics Reports]. Anche se l’individuazione di community è cruciale per la comprensione di una rete sociale non esiste una definizione formale, e dunque una misura, universalmente condivisa. Tra le misure possibili per l’identificazione delle community ci sono quelle di similarità, partizione, modularità. La modularità è una delle misure più diffuse.

Profili di liceità

40Al fine di definire la liceità di un processo di trattamento analogo a quello sopra descritto, bisogna considerare le norme del GDPR che definiscono altresì le azioni tecniche ed organizzative necessarie per assicurare la confidenzialità, la integrità, la disponibilità e la resilienza per trattare i dati di qualunque cittadino europeo, indipendentemente dallo stato di residenza del soggetto processante [Rapicavoli, R. (2017)].

41Il GDPR definisce il ‘dato personale’ come: «ogni tipo di informazione relativa a persona fisica, identificata o identificabile, anche indirettamente, mediante riferimento a qualunque altra informazione» [Art. 4 GDPR] ed è del tutto evidente come processi di questo tipo possano comportate il trattamento di una elevata quantità di dati personali.

42In relazione ai trattamenti effettuati mediante social network il considerando 18 del GDPR prevede che questi “si applica al trattamento di dati personali effettuato da una persona fisica nell’ambito di attività a carattere esclusivamente personale o domestico e quindi senza una connessione con un’attività commerciale o professionale. Le attività a carattere personale o domestico potrebbero comprendere la corrispondenza e gli indirizzari, o l’uso dei social network e attività online intraprese nel quadro di tali attività. Tuttavia, il presente regolamento si applica ai titolari del trattamento o ai responsabili del trattamento che forniscono i mezzi per trattare dati personali nell’ambito di tali attività a carattere personale o domestico” e, come ribadito dall’articolo 2 del GDPR, quest’ultimo non trova applicazione con riferimento ai trattamenti “effettuati da una persona fisica per l’esercizio di attività a carattere esclusivamente personale o domestico”.

43Si consideri inoltre il social login Facebook Login & Account Kit grazie al quale possono essere creati facilmente account tramite Facebook ID, numero di telefono o email.

44La relativa privacy policy, con riferimento alle informazioni condivise specifica ai suoi utenti «quando usi app, siti web o altri servizi di terzi che usano o sono integrati ai nostri Servizi, detti terzi possono ricevere informazioni su ciò che pubblichi o condividi[…]» continuando «Inoltre, quando scarichi o usi i servizi di terzi, questi possono accedere al tuo profilo pubblico, che comprende il tuo nome utente o ID utente, alla tua fascia d’età e al tuo Paese/alla tua lingua, alla tua lista di amici e alle informazioni che condividi con loro. Le informazioni raccolte da tali app, siti web o servizi integrati sono soggette alle loro condizioni e normative”.

45Se, dunque, le norme citate paiono escludere l’applicabilità del GDPR ai trattamenti effettuati nell’ambito personale, la questione appare qui di maggiore complessità.

46Se, da una parte, il privato che ottiene collegamenti per finalità personali è esonerato dall’ottenere valido consenso al trattamento, è utile interrogarsi se tale esenzione possa o meno essere considerata valida in relazione ad attività di cessione a terzi di dati al fine della determinazione di reti sociali e di indagini clusterizzate mediante profilazione.

47È possibile ipotizzare, in linea teorica, due scenari:

    • l’interessato richiede specifico consenso da parte dei propri “amici” all’interno della piattaforma (ipotesi difficile da realizzare);
    • l’interessato si astiene dall’utilizzare applicazioni che comportano la condivisione della propria rete di amici.

48In ragione di ciò, posto che difficilmente l’interessato ottiene i consensi richiesti, in una ottica di privacy by design sarà onere dello sviluppatore definire una tecnologia che tratti il minor numero di dati personali possibili come nel caso delle API Graph di Facebook. Attraverso la funzione user_friends si ottiene l’accesso di sola lettura alla lista di amici dell’utente che usano una app. Le informazioni ottenibili sono molto esigue, infatti vengono restituite la lista di amici dell’utente che usano la app e il numero totale di amici dell’utente, includendo anche soggetti non registrati all’app [https://developers.facebook.com/​docs/​graph-api/​reference/​user/​friends]. Ad ogni modo affinché un utente venga visualizzato nella lista di amici di un altro, entrambi devono aver deciso di condividere le proprie liste di amici con la app senza aver disabilitato l’autorizzazione durante l’accesso. Inoltre, l’autorizzazione user_friends deve essere stata richiesta a entrambi durante l’accesso [https://developers.facebook.com/​docs/​graph-api/​reference/​permission/​]. Dunque un’eventuale analisi tra utenti può essere effettuata solo se entrambi sono registrati e hanno dato il consenso al trattamento del dato.

49Dall’altra parte è comunque interessante osservare le condizioni di utilizzo della piattaforma Facebook, la quali prevedono «[…] (4) Rendi disponibile una normativa sulla privacy facilmente accessibile che spieghi quali dati raccogli e come li userai. (5) Puoi usare le Informazioni dell’account in conformità con la tua normativa sulla privacy e le altre normative di Facebook. Tutti gli altri dati possono essere usati all’esterno della tua app solo dopo aver ottenuto il consenso esplicito da parte dell’utente. (6) Includi l’URL della tua normativa sulla privacy nella Dashboard gestione app. (7) Inserisci link che rimandino alla tua normativa sulla privacy in ogni app store che consenta di farlo […]» [Normativa della Piattaforma Facebook – 2]. Se da una parte Facebook da delle indicazioni sul controllo dei dati degli utenti è interessante analizzare le azioni consentite per garantire la protezione dei dati: «[…] (9) Non vendere, concedere in licenza o acquistare dati ottenuti da Facebook o dai suoi servizi. (10) Non trasferire alcun dato ricevuto da Facebook (compresi i dati anonimi, aggregati o derivati) a reti di inserzioni, intermediari di dati o altri servizi correlati al settore della pubblicità o monetizzazione. (11) Non inserire dati di Facebook in motori di ricerca né in directory o includere funzionalità di ricerca web su Facebook. (12) In caso di acquisizione o fusione con terzi, puoi continuare a usare i dati di Facebook solo all’interno dell’app. […]» [Normativa della Piattaforma Facebook – 3]. Pertanto, pur informando gli utenti su eventuali azioni che il sistema permette, di fatto la normativa della piattaforma pone dei paletti piuttosto stringenti, che per ovvi motivi Facebook non pone a sé stessa, come si evince dalle condizioni al punto 6 (Informazioni essenziali).

50Nessuna disposizione, tuttavia, prevede indicazioni in relazione ai dati relativi ai terzi che presentano una connessione con il soggetto analizzato e sul fatto che un qualsiasi sviluppatore che acceda mediante API possa accedervi.

  • 1 Cfr. Nota a sentenza c210/2016, Bonavita S., Pardolesi R., in Foro it., 2018, IV, 361.

51Tutto questo accade alla luce della sentenza del 5 giugno 2018, resa nella causa C-210/16, la quale ha di fatto definito altresì la titolarità del trattamento dei dati personali dei fan di una pagina Facebook, come effettuato dal gestore della pagina Facebook stessa1.

52In conclusione, il social login permette di gestire in modo più semplice la possibilità di rendere informative ed ottenere consensi. Per quanto riguarda la determinazione di strutture sociali, tuttavia, non è possibile esimersi dal rilevare che difficilmente l’utente di Facebook richiede un valido consenso ai propri amici alla cessione del relativo nominativo per creare reti sociali. Tale circostanza porta a considerare pertanto critico e limitativo l’utilizzo della funzione, per i motivi sopra indicati.

Potenzialità di sviluppo: analisi degli interessi degli utenti della rete

53L’utilizzo congiunto della SNA e della teoria dei grafi permette di ottenere una conoscenza approfondita delle relazioni che intercorrono tra gli attori di un sistema complesso. Attraverso le statistiche descritte nella sezione “Social Network Analysis per l’Identificazione di Community e Influencer” infatti è possibile determinare se la rete che stiamo analizzando sia un sistema molto o poco connesso (attraverso la densità), se esistano gruppi di attori più simili tra di loro e che hanno relazioni più strette tra di loro (attraverso la community detection) e chi siano gli influencer del sistema che stiamo analizzando (misurando il page rank o la betweens dei nodi).

54Supponiamo, ad esempio, di avere accesso al social login Facebook di tutti gli studenti (o della maggior parte) dell’università della Tuscia, si potrebbe dunque pensare di analizzare le relazioni tra studenti attraverso una SNA e visualizzare il tutto con uno o più grafi. Premettiamo che la scelta di Facebook come social network è dettato solo dal fatto che gli utilizzatori di Facebook sono più numerosi di quelli di Twitter e che quindi è più probabile che uno studente della Tuscia abbia un account Facebook piuttosto che un account Twitter.

55Le analisi possibili una volta ottenuto l’accesso ai dati dei social login sono molteplici. Innanzitutto potremmo visualizzare la rete complessiva degli studenti in un grafo dove i nodi rappresentano gli studenti e gli archi un legame di amicizia (su Facebook) tra studenti. La rete così ottenuta rappresenterebbe il complesso delle relazioni, su Facebook, degli studenti della Tuscia che hanno un profilo sul social network analizzato.

56Dobbiamo premettere che questa analisi presenta delle limitazioni dovute alla natura dinamica dei dati analizzati. I risultati ottenuti sarebbero infatti validi solo “nel momento” dell’estrazione dei dati. Un modo per superare questa limitazione sarebbe la ripetizione dell’estrazione dei dati e dell’analisi a intervalli regolari, almeno una volta l’anno in modo da includere nella rete i nuovi studenti.

57Consideriamo la Figura 1, un’ipotetica rappresentazione della rete di relazioni tra gli studenti della Tuscia in un certo istante t. Da questo grafo sono ricavabili una pluralità di informazioni. Si potrebbe andare a misurare la densità o l’omofilia della rete della Tuscia e confrontarla, se possibile, con le reti di altri atenei, per determinare similitudini o differenze in realtà che dovrebbero essere, a priori, simili.

58I colori diversi nel grafo identificano community diverse, ovvero gruppi di nodi, in questo caso studenti, più strettamenti connessi tra di loro rispetto agli altri. Sarebbe interessante capire la natura di queste community. Attraverso la community detection possiamo infatti individuare (se esistono) gruppi di studenti strettamente connessi e vedere se queste community siano paragonabili a strutture reali, ad esempio l’appartenenza allo stesso corso di laurea, o se invece on-line si formino community di diverso tipo, ad esempio gruppi di persone simili per interessi.

59I nodi del grafo possono poi essere pesati per caratteristiche del nodo derivabili dall’analisi on line o da informazioni off line. Ad esempio la grandezza di un nodo sul grafo potrebbe essere proporzionale ad un indice di centralità della rete, in questo caso sfrutteremo delle informazioni derivate dall’analisi dei dati “online”. Ma potremmo anche pensare di dare più importanza ai nodi (studenti) che ricoprono qualche incarico all’interno dell’ateneo, ad esempio i rappresentati degli studenti, e in questo caso sfrutteremo delle informazioni invece disponibili offline. Comparando gli influencer delle reti, cioè i nodi con i migliori indici di centralità, con gli studenti che ricoprono qualche ruolo all’interno dell’ateneo potremmo ancora verificare se quello che osserviamo online è in qualche modo rappresentativo della realtà, cioè gli influencer delle rete Facebook sono gli stessi studenti considerati influencer offline.

60Da queste due ipotetiche analisi risulta abbastanza chiara l’importanza dell’arricchimento dei dati online come le informazioni offline. Disponendo dei social login, con operazioni di matching si potrebbero infatti riconciliare informazioni on-line (derivanti da Facebook) con informazioni off-line di proprietà dell’Ateneo, ad esempio a quale corso di Laurea è iscritto uno studente, quanti esami ha sostenuto, se ha una borsa di studio, etc.

61Si può anche investigare se gli studenti siano iscritti a pagine o gruppi Facebook e disponendo dei post su Facebook si possono analizzare, con tecniche di text mining, gli argomenti trattati nei post.

Figura 2. Ipotetica rete di relazioni degli studenti dell’Università degli Studi Tuscia che hanno effettuato il social login su Facebook

Figura 2. Ipotetica rete di relazioni degli studenti dell’Università degli Studi Tuscia che hanno effettuato il social login su Facebook

62Un’altra analisi interessante ed estremamente utile per l’Ateneo sarebbe la costruzione delle rete di tutti gli studenti che commentano, condividono e, in generale, interagiscono con i post della pagina dell’università. In questo caso i nodi rappresenterebbero sempre studenti ma gli archi potrebbero rappresentare l’interazione con lo stesso post (share, like, commento). La community detection probabilmente evidenzierebbe cluster di studenti interessati a stessi post e in generale a stessi argomenti. L’analisi semantica, l’individuazione dei topic contenuti nei commenti ai post dell’Ateneo e l’analisi del sentimento dei commenti, possono fornire informazioni preziose per migliorare i servizi agli studenti e/o la comunicazione stessa di nuovi servizi, di modifiche o soppressioni si servizi esistenti.

63L’individuazione degli influencer online sarebbe un’altra informazione estremamente utile all’Ateneo. Pensiamo a tutte le situazioni in cui l’Ateneo o uno specifico corso di Laurea ha necessità di comunicare qualcosa agli studenti, come ad esempio un seminario o un evento particolarmente importante. Far condividere agli influencer della rete un post con data e luogo del seminario o del convegno aiuterebbe enormemente la circolazione dell’informazione attraverso tutta la rete degli studenti dell’Ateneo.

Conclusioni

64L’analisi di rete, sviluppata con l’obiettivo di migliorare l’organizzazione aziendale e individuare le modalità di comunicazione interna migliori, può senza dubbio trarre enorme giovamento dai dati ottenuti tramite social network. Tramite questo tipo di analisi è possibile individuare teoricamente reti informali e modalità di diffusione delle informazioni in modo estremamente rapido, economico e scalabile.

65La corretta gestione dei dati e la definizione di una buona informativa per l’utente restano tuttavia fondamentali; tramite i diversi Online Social Network è possibile ottenere dati di vario tipo in modo estremamente rapido, ma il trattamento di questi dati può diventare un problema non banale. La percezione del livello di analisi oltre il quale si ha una violazione della privacy varia da individuo a individuo [David J. Houghton & Adam N. Joinson (2010) Privacy, Social Network Sites, and Social Relations, Journal of Technology in Human Services] ed è sicuramente influenzata dal contesto culturale.

66Un tema aperto è poi quello relativo alla attinenza alla realtà delle reti costruite a partire dai dati dei social network: le reti così costruite sono veramente vicine alle reti di relazioni “offline”? Attività sperimentali in merito sarebbero senza dubbio utili per determinare l’affidabilità di tale metodo sul campo. Allo stesso modo sarebbe interessante sviluppare queste attività a partire dall’analisi dei flussi di messaggi su sistemi di messaggistica aziendale, forse più vicina a specifiche realtà digital

Bibliographie

Catanese, S., De Meo, P., Ferrara, E., Fiumara, G., Provetti, A. (2012) Extraction and Analysis of Facebook Friendship Relations, Computational Social Networks.

Coleman, J. (1988) Social Capital in the Creation of Human Capital. American Journal of Sociology.

Cross, R., Borgatti, S. P., Parker, A. (2002) Using social network analysis to support strategic collaboration. California Management Review.

Eulero, L. (1736) Commentarii Academiae Petropolitanae, 8, 128.

Facebook Ireland Ltd. (2017) Normativa della Piattaforma Facebook [Online] Consultabile su https://developers.facebook.com.
- (2016) Normativa sui dati [Online] Consultabile su https://www.facebook.com/.

Fortunato, S. (2010) Community detection in graphs. Physics Reports.

Fortunato, S., Hric D. (2016) Community detection in networks: A user guide. Physics Reports.

Hardt, D. (2012) The OAuth 2.0 authorization framework.

Houghton, D.J., Joinson A.N. (2010) Privacy, Social Network Sites, and Social Relations. Journal of Technology in Human Services.

IT GOVERNANCE PRIVACY TEAM (2017) EU General Data Protection Regulation (GDPR): An Implementation and Compliance Guide - Second edition. Ely, Cambridgeshire: IT Governance Publishing.

Persily, N. (2017) Can democracy survive the internet?. Journal of Democracy.

Rapicavoli, R. (2017) Privacy e diritto nel Web. Manuale per operare in rete e fare marketing online senza violare la legge. Palermo: Flaccovio Dario.

Regulation (EU) 2016/679 of the European Parliament and of the Council of 27 April 2016 on the protection of natural persons with regard to the processing of personal data and on the free movement of such data, and repealing Directive 95/46/EC (General Data Protection Regulation).

Notes

1 Cfr. Nota a sentenza c210/2016, Bonavita S., Pardolesi R., in Foro it., 2018, IV, 361.

Auteurs

Dottorando di ricerca in big data per l’energy management presso l’Università degli Studi della Tuscia

Ricercatrice in statistica ed econometria presso IMT Lucca (www.imtlucca.it) nell’unità di ricerca AXES che si occupa dell’analisi di sistemi economici complessi

Professore associato presso il DEIM - Università della Tuscia

Ingegnere meccanico presso l’Università della Tuscia

© Ledizioni, 2018

Conditions d’utilisation : http://www.openedition.org/6540

Acheter

Volume papier

amazon.fr
Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search