Ingaggio dell’Analisi Statistica e dell’IA nel Microtargeting: Profilazione Elettorale e Focus sulle Elezioni USA

Abstract

Questa tesi analizza l'intersezione tra statistiche avanzate, intelligenza artificiale e comunicazione politica basata sui dati, focalizzandosi su microtargeting e profilazione nella campagna presidenziale USA del 2026. Lo studio affronta il passaggio dalla statistica alla Data Science e la gestione dei Big Data tramite il paradigma delle 6V (Volume, Velocità, Varietà, Veracità, Variabilità, Valore). La prima parte esplora la preparazione dei dati, l'Analisi Esplorativa e i modelli predittivi, dalle regressioni ai metodi d'insieme come Alberi di Decisione e Random Forests. Il passaggio all'intelligenza artificiale viene esaminato confrontando l'apprendimento supervisionato e non supervisionato per mappare comportamenti latenti. Il nucleo empirico si focalizza sulle elezioni USA del 2024 come laboratorio di campagne guidate dai dati. Si delinea una catena algoritmica dove Analisi Predittiva e Large Language Models generano messaggi politici polimorfici e iper-personalizzati. Sfruttando il Real-Time Bidding e le vulnerabilità emotive dei target, questi sistemi attuano strategie asimmetriche di iper-mobilitazione dei radicali e demobilizzazione degli indecisi. Infine, il lavoro valuta l'impatto etico sulle democrazie analizzando il Paradosso dei Big Data, le distorsioni di selezione e la crisi dei sondaggi. L'algoritmizzazione del consenso frammenta la sfera pubblica in echo chambers e avvia una crisi epistemologica. La ricerca valuta infine la replicabilità del modello in Europa, frenata dalle norme di trasparenza del Digital Services Act.

This thesis analyzes the intersection of advanced statistics, artificial intelligence, and data-driven political communication, focusing on microtargeting and profiling in the 2026 US presidential campaign. The study addresses the shift from classical statistics to Data Science, evaluating Big Data management through the 6V paradigm (Volume, Velocity, Variety, Veracity, Variability, Value). The first part explores data preparation, Exploratory Data Analysis, and predictive models, from regressions to ensemble methods like Decision Trees and Random Forests. The transition to artificial intelligence algorithms is examined by contrasting supervised and unsupervised learning used to map latent behavioral patterns. The empirical core focuses on the 2024 US election as an advanced laboratory for data-driven campaigns. It details an algorithmic assembly line where Predictive Analytics and Large Language Models generate polymorphic, hyper-personalized political messages. Operating within Real-Time Bidding infrastructures, these systems exploit emotional vulnerabilities to execute asymmetric strategies of hyper-mobilizing radicals and demobilizing undecided voters. Finally, the work assesses the ethical impact on Western democracies, analyzing the Big Data Paradox, selection bias, and polling failure. This algorithmization of consensus fragments the public sphere into echo chambers, triggering an epistemological crisis. The thesis concludes by examining the replicability of this model in Europe, highlighting regulatory hurdles driven by the strict transparency mandates of the Digital Services Act.