Il machine learning ci aiuta a capire i testi legislativi

Sfruttando dati tratti dai testi legislativi degli Stati Uniti, Massimo Morelli, ordinario del Dipartimento di Scienze Sociali e Politiche, osserva che l'introduzione di una burocrazia indipendente è correlata a una legislazione più dettagliata. Questo risultato suggerisce che i legislatori tendono a limitare la discrezionalità burocratica emanando una legislazione più dettagliata, come forma di micro-gestione della sua attuazione. Allo stesso modo, la delega di autorità al governatore dello stato è più probabile quando il governatore e le due camere dello stato sono controllate dallo stesso partito. Studiando lo stesso argomento con una metodologia diversa, Anthony Bertelli, anch'egli ordinario presso il Dipartimento di Scienze Sociali e Politiche della Bocconi, analizza i testi legislativi dell'Unione Europea, osservando che una legislazione più dettagliata è solitamente prodotta in caso di voto a maggioranza qualificata anziché all'unanimità.

I testi politici e legislativi possono essere una fonte incredibilmente ricca di dati in grado di illuminare processi come il cambiamento istituzionale, le alleanze politiche e la strategia legislativa. Tuttavia, l'elaborazione manuale di una grande quantità di testo può essere costosa e richiedere molto tempo. Nello sforzo di automatizzare questo processo, Morelli ha recentemente sviluppato, insieme a Matia Vannoni ed Elliot Ash, un nuovo metodo che può sostituire gran parte del lavoro del ricercatore.

In un articolo simile, Bertelli usa il machne learning per insegnare a un algoritmo la tecnica di codifica del ricercatore, al fine di applicare tale tecnica a una maggiore quantità di dati aggiornati. Insieme, queste due recenti pubblicazioni mettono l'Università Bocconi al centro del dibattito internazionale sull'argomento.

Il metodo ideato da Morelli si basa su una tecnica di Natural Language Processing (NPL) chiamata "Syntactic Dependency Parsing". Più precisamente, l'algoritmo osserva il testo legislativo grezzo e ne estrae i singoli elementi grammaticali, come i nomi, i verbi e gli aggettivi, insieme alle relazioni di dipendenza sintattica tra loro. Poi, facendo corrispondere la struttura sintattica delle frasi nel testo con alcuni modelli predefiniti, gli autori possono recuperare gli elementi di cui hanno bisogno per la loro applicazione di ricerca. Un esempio di relazione tra le parole è la connessione tra un verbo e il suo oggetto diretto, o tra un aggettivo e il nome a cui si riferisce. Così, dicendo all'algoritmo di contare le occorrenze di alcune unità lessicali, gli autori possono recuperare gli elementi necessari per la loro applicazione di ricerca.

Morelli applica questa tecnica allo studio della discrezionalità burocratica e della delega di autorità negli Stati Uniti. In particolare, la legislazione contenente più disposizioni è correlata all'introduzione di una burocrazia indipendente, suggerendo che quando la burocrazia diventa più indipendente, leggi e regolamenti tendono ad essere più precisi per restringere la libertà di azione dei burocrati. Inoltre, Morelli osserva che in caso di governo unificato (quando, cioè, lo stesso partito detiene il governatore dello stato e le due camere), vengono emanate più disposizioni che delegano il potere al governatore, vale a dire disposizioni che si adattano a una "struttura sintattica di delega" (ad esempio, contenenti un modale "deve" seguito da un verbo attivo associato al soggetto "governatore"). Quindi, in queste situazioni, la delega di autorità al governatore dello stato è più probabile.

Anche l'articolo di Bertelli applica una tecnica di machine learning alla delega di autorità, sebbene nel contesto dell'Unione Europea. Insieme a Jason Anastasopoulos, replica ed estende uno studio già condotto da Fabio Franchino e trova che la delega e la discrezionalità sono più probabili quando l'Unione Europea vota all'unanimità rispetto che a maggioranza qualificata. La ragione dietro questo risultato è che l'unanimità si correla con una legislazione più generica e meno specifica, mentre regolamenti più dettagliati limitano la discrezionalità nell a fase di attuazione. Questo conferma i risultati originali ottenuti da Franchino e suggerisce la possibilità di applicare con successo questo approccio di machine learning all'analisi del testo di qualsiasi campo in cui la codifica umana è stata impiegata con profitto.

I due approcci all'analisi del testo politico sono notevolmente diversi. Da un lato, il metodo proposto da Morelli si comporta anche meglio della codifica umana nella sua applicazione e i suoi risultati sono promettenti e incoraggianti poiché potrebbero espandere il dominio dell'analisi oltre ciò che i ricercatori hanno già codificato. Tuttavia, il metodo sembra essere particolarmente efficace quando affronta un testo legislativo, ma la sua applicazione ad altri contesti potrebbe richiedere ancora del lavoro.

D'altra parte, il metodo di Bertelli ha il vantaggio di essere facilmente applicabile a una grande varietà di campi di ricerca. Tuttavia, si basa sul fatto che l'algoritmo apprenda la tecnica di codifica utilizzata da un ricercatore qualificato. A differenza del metodo di "parsing sintattico", non può sostituire completamente il lavoro umano né superarlo, al momento. Nonostante questo, ha un forte potenziale per tutti i tipi di scienze sociali, poiché la codifica del testo fatta dall'uomo è già stata applicata a una grande varietà di argomenti e il machine learning può essere utilizzato per espandere la nostra conoscenza in ognuno di essi.

Vannoni, M., Ash, E., and Morelli, M. (2021). "Measuring Discretion and Delegation in Legislative Texts: Methods and Application to US States." Political Analysis, 29(1), 43-57. doi:10.1017/pan.2020.9.

Anastasopoulos, L., and Bertelli, A. (2020). "Understanding Delegation Through Machine Learning: A Method and Application to the European Union." American Political Science Review, 114(1), 291-301. doi:10.1017/S0003055419000522.