Una ricerca può essere condotta con cura, usare dati solidi e arrivare a una conclusione convincente. Non è però detto che quella conclusione continui a valere quando cambia il Paese osservato, il periodo storico, il tipo di elezione o il gruppo di persone coinvolto. È su questo spazio, spesso meno visibile dei risultati finali, che lavora Naoki Egami, politologo del Massachusetts Institute of Technology specializzato in metodologia della ricerca.
Il suo campo non coincide con lo studio di una singola campagna elettorale, di un partito o di una legge. Riguarda piuttosto gli strumenti con cui le scienze sociali provano a misurare fenomeni complessi: comportamento degli elettori, partecipazione civica, opinione pubblica, effetti delle politiche e trasformazioni generate dalle piattaforme digitali. La domanda di fondo è se le misure adottate e le inferenze prodotte siano sufficientemente affidabili da sostenere decisioni, ulteriori studi e confronti nel tempo.
Per Egami, la metodologia politica combina quindi domande proprie della scienza politica con tecniche sviluppate nella statistica applicata e nell’informatica. L’obiettivo è ricondurre i problemi empirici a problemi formali e affrontarli con metodi che rendano esplicite assunzioni, margini d’errore e limiti di applicazione. È un lavoro che si svolge spesso prima che i dati finiscano in un grafico o in un titolo: nella definizione delle variabili, nella scelta dei campioni, nella verifica dei modelli e nell’interpretazione prudente di ciò che emerge.
Il limite cruciale: capire dove un risultato continua a valere
Uno dei temi centrali dell’attività di Egami è la validità esterna. In termini semplici, indica la possibilità di estendere le conclusioni di uno studio oltre il contesto in cui è stato realizzato. È un passaggio essenziale perché gran parte delle ricerche nasce inevitabilmente da casi delimitati: un’elezione, un territorio, una fase economica, una comunità o un insieme di dati raccolto con determinate condizioni.
Un’analisi sui votanti di una competizione elettorale dall’esito quasi scontato, per esempio, potrebbe non descrivere con la stessa precisione il comportamento di chi partecipa a una gara equilibrata. Allo stesso modo, una relazione osservata in un Paese non può essere trasferita automaticamente in un altro, dove istituzioni, norme sociali, media e sistemi politici cambiano in modo sostanziale. La questione non è bocciare gli studi circoscritti, che restano indispensabili, ma chiarire con maggiore precisione quali conclusioni possono essere generalizzate e quali no.
Questo approccio ha una ricaduta diretta sulla qualità del dibattito pubblico. Le evidenze sociali vengono spesso chiamate in causa per orientare politiche, strategie di comunicazione, investimenti, programmi educativi o servizi digitali. Quando un risultato viene presentato come universale senza che il suo raggio d’azione sia stato verificato, il rischio è trasformare una scoperta locale in una regola generale. La metodologia serve anche a evitare questo salto.
Per chi lavora con dati su scala internazionale, la validità esterna è inoltre un problema operativo. Le aziende e le organizzazioni che raccolgono segnali da utenti, clienti o cittadini hanno bisogno di capire se un comportamento rilevato in un segmento sia davvero indicativo di un mercato più ampio. Un campione abbondante non risolve da solo il problema: conta come quel campione è stato costruito, quali differenze esistono tra i contesti e quali elementi restano fuori dall’osservazione.
L’AI entra nella ricerca, ma non elimina il problema della misurazione
Egami ha iniziato a esaminare l’impatto degli strumenti di intelligenza artificiale nella ricerca prima dell’attuale ondata di attenzione intorno all’AI generativa. Il tema, nel suo caso, non è usare l’automazione come scorciatoia narrativa, ma capire con quali condizioni questi strumenti possano contribuire a uno studio rigoroso.
Quando un sistema automatizzato viene impiegato per classificare testi, interpretare contenuti o produrre misure utili a un’analisi sociale, la sua accuratezza diventa parte della catena di ricerca. Errori, distorsioni o tendenze sistematiche dello strumento possono riflettersi nei risultati successivi. Un modello può apparire efficace in un insieme di dati e comportarsi diversamente in un altro; può trattare in modo non uniforme linguaggi, contesti culturali o categorie meno rappresentate. Senza una verifica metodologica, l’automazione rischia di rendere più veloce la produzione delle evidenze senza renderle necessariamente più attendibili.
La prospettiva di Egami richiama una distinzione utile anche fuori dall’università: adottare una tecnologia e sapere come misurarne gli effetti sono due attività diverse. L’AI può ampliare la capacità di analizzare grandi quantità di informazione, ma non decide da sola se una domanda è ben posta, se un indicatore rappresenta davvero il fenomeno studiato o se il risultato può essere esteso oltre il dataset iniziale. Queste restano responsabilità di chi progetta la ricerca.
Il punto è particolarmente rilevante in una fase in cui istituzioni e imprese stanno integrando sistemi di AI nelle attività di analisi. Le metriche generate o supportate da modelli automatici possono influenzare la valutazione di contenuti, la segmentazione del pubblico, la comprensione del sentiment e, più in generale, il modo in cui viene descritto un fenomeno collettivo. Rendere visibili le incertezze non significa rinunciare agli strumenti: significa usarli senza attribuire loro un’autorità che i dati non giustificano.
Un lavoro trasversale tra discipline e insegnamento
Al MIT, Egami insegna sia a studenti undergraduate sia nei corsi graduate e porta avanti filoni di ricerca paralleli. Ha spiegato di cercare di avviare un nuovo programma di ricerca ogni tre o quattro anni, una scelta che gli permette di confrontarsi con argomenti diversi e di mantenere il legame tra sviluppo tecnico e problemi empirici concreti.
Questa interdisciplinarità è coerente con l’evoluzione delle scienze sociali quantitative. Oggi le domande sulla politica e sulla società incontrano archivi digitali, sistemi algoritmici, dati testuali e nuove infrastrutture di calcolo. Aumentano le possibilità di osservazione, ma cresce anche la necessità di stabilire che cosa sia stato effettivamente misurato. Un dato disponibile non è automaticamente un dato significativo; una correlazione non chiarisce da sola un rapporto causale; un modello sofisticato non sostituisce la conoscenza del contesto in cui opera.
La traiettoria di Egami è stata riconosciuta con premi accademici e si distingue proprio per l’ampiezza dei temi affrontati. Tuttavia, il nucleo del suo lavoro resta stabile: produrre strumenti che aiutino gli studiosi a ottenere risultati durevoli, capaci di reggere quando vengono sottoposti a nuovi casi e nuove condizioni.
Perché il rigore metodologico diventa un tema anche economico
La ricerca metodologica può sembrare lontana dalle decisioni quotidiane di un’impresa. In realtà, la distanza si riduce quando i dati sociali diventano parte dei processi economici. Previsioni di domanda, analisi dei comportamenti, valutazioni reputazionali, sperimentazioni di prodotto e campagne informative dipendono tutte da misure e modelli che richiedono interpretazione.
Un’organizzazione che prende decisioni sulla base di dati deve quindi affrontare una versione pratica delle domande poste da Egami: il risultato osservato vale solo per questo campione? È condizionato dal momento in cui sono stati raccolti i dati? Il metodo di classificazione introduce errori prevedibili? Le conclusioni restano valide se cambia il pubblico o il mercato? Non esistono risposte automatiche, ma porre queste domande consente di separare segnali robusti da conclusioni premature.
In un ecosistema tecnologico sempre più orientato alla misurazione, il contributo di chi studia i metodi sta proprio qui. Non nel promettere certezze assolute sui fenomeni umani, ma nel costruire procedure che rendano le incertezze riconoscibili, quantificabili e gestibili. È una condizione necessaria perché dati, statistica e AI possano essere strumenti di conoscenza, anziché semplici moltiplicatori di convinzioni già esistenti.
