Classificazione automatica di narrazioni autobiografiche

For a student the teacher represents in different moments a safe base, a peer or an antagonist speaker. In an evolutionist view, three different social motivations correspond to these attitudes: caregiving, cooperative and competitive motivations, which we have explored through the textual analysis of autobiographic fragments. We have asked 229 students to write about an anecdote regarding their interaction with a primary school teacher. The texts where later classified from the perspective of the Interpersonal Motivational Systems (SMI). We have experimented a method of automatic classification of SMI (and the corresponding emotions) R (agonistic motivation) A (attachment/caregiving) and P (cooperation). We set up some suitable matrices to represent the correspondence (deterministic or probabilistic) between keywords and psychological categories. The product between F (subfrequencies matrix) and I (lexical indication matrix) gives us two classification matrices according to the “fuzzy sets”. We interpret the generic element k(i, j) of these matrixes as the probability of belonging to the i-th report and the j-th category. Comparing this automatic classification with a manual one gives us different percentages of concordance: 73% R, competition, 70% A attachment/caregiving, 47% P, cooperation.

L’insegnante, può rappresentare per l’alunno, in diversi momenti, una base sicura, un interlocutore paritario o unantagonista. A tali diversi atteggiamenti, in una visione evoluzionista corrispondono le motivazioni sociali all’accudimento, cooperazione e agonismo, che si è inteso analizzare attraverso l’analisi testuale di frammenti autobiografici. A tale scopo è stato chiesto a 229 soggetti di narrare un episodio di relazione con l’insegnante della scuola elementare. I testi sono stati classificati, attraverso un nuovo metodo di classificazione automatica degli SMI e delle emozioni ad essi associati in base a vocaboli-chiave. Calcolando il prodotto tra la matrice F (subfrequenze) e la matrice I (indicazione), si è ottenuta una matrice K~ (racconti x categorie), normalizzata, dividendone i valori per i totali di riga. Nella risultante matrice di classificazione sfumata K, il generico elemento k(i,j) è interpretato come probabilità di appartenenza del racconto i-esimo alla categoria j-esima. Le colonne della matrice di classificazione K sono state interpretate come funzioni caratteristiche di insiemi sfumati (le categorie “imprecise” o”sfocate” della classificazione automatica), dei quali sono state calcolate misure di sfocatura, la cui media indica il grado di imprecisione (incertezza).