Luongo, Maria (2026) APPRENDIMENTO AUTOMATICO PER LA CLASSIFICAZIONE DEI DATI MOTORI NELL’AUTISMO E UTILIZZO DI MODELLI LINGUISTICI PER LA VALIDAZIONE A PRIORI DEI TEST PSICOMETRICI. [Tesi di dottorato]

Documento PDF Tesi_dottorato_Maria_Luongo.pdf Visibile a [TBR] Amministratori dell'archivio Download (2MB) | Richiedi una copia

Abstract

Se in passato la ricerca psicologica si basava prevalentemente su osservazioni qualitative o su strumenti psicometrici tradizionali, oggi l’avvento di metodologie di analisi quantitativa e di modelli computazionali avanzati consente di esplorare con maggiore precisione sia i comportamenti osservabili sia la coerenza interna degli strumenti di valutazione. In questa cornice teorica si colloca la presente tesi, che intende proporre un contributo all’integrazione tra psicologia e intelligenza artificiale, esplorando il potenziale delle reti neurali artificiali e dei modelli di deep learning nell’analisi dei dati comportamentali e linguistici. Nel primo lavoro viene presentato un approccio innovativo per la raccolta e l’analisi dei dati motori in età evolutiva attraverso un compito digitale di tipo drag-and-drop su tablet, progettato per consentire la registrazione ecologica e ad alta risoluzione delle traiettorie di movimento durante l’interazione con l’interfaccia touch. Poiché l’autismo è tradizionalmente diagnosticato sulla base dell’osservazione clinica dei comportamenti sociali e comunicativi, una procedura spesso complessa, soggettiva e potenzialmente tardiva, numerosi studi hanno evidenziato come le anomalie motorie possano emergere in fasi molto precoci dello sviluppo, configurandosi come possibili marcatori predittivi. In questa prospettiva, le sequenze motorie raccolte mediante il compito digitale sono state analizzate attraverso reti neurali ricorrenti di tipo Long Short-Term Memory (LSTM), con l’obiettivo di discriminare bambini con Disturbo dello Spettro Autistico e bambini con sviluppo tipico. I risultati mostrano che i modelli neurali sono in grado di riconoscere efficacemente pattern motori caratteristici, evidenziando il potenziale delle traiettorie di movimento come indicatori precoci di atipicità neuroevolutiva e come supporto digitale ecologico e non invasivo alla diagnosi precoce. Il secondo lavoro si colloca in un ambito differente, ma riconducibile allo stesso principio metodologico: quello della psicometria e della costruzione di test di personalità. La validità di un test psicologico è da sempre un nodo centrale per la ricerca e la pratica clinica, e in particolare la validità di contenuto rappresenta un criterio fondamentale affinché gli item risultino coerenti con il costrutto che intendono misurare. Tradizionalmente, questo processo è affidato al giudizio di esperti e a tecniche statistiche applicate dopo la raccolta dei dati, con tutti i limiti che derivano da procedure lunghe, soggettive e talvolta riduttive. L’avvento dei modelli linguistici di grandi dimensioni ha reso possibile esplorare nuove vie: trasformando gli item in rappresentazioni vettoriali (embeddings), è stato possibile analizzare la loro vicinanza semantica e verificarne la coerenza con le strutture fattoriali teoriche di test già validati, come il Big Five, l’HSQ, RIASEC, e il DASS-42. I risultati hanno mostrato che la struttura latente predetta dagli embeddings riflette quella ottenuta dalle risposte umane, con correlazioni da moderate ad elevate, indicando che i LLM possono costituire un valido strumento di validazione a priori. Se nei bambini con autismo l’analisi quantitativa del movimento rivela pattern impliciti che sfuggono all’osservazione clinica, nei questionari psicologici l’analisi semantica automatica rivela la struttura concettuale latente degli item prima ancora che i dati empirici vengano raccolti. In entrambi i casi, il cuore dell’approccio è il medesimo: far emergere regolarità nascoste nei dati attraverso strumenti di intelligenza artificiale, che si tratti di sequenze temporali di coordinate o di distribuzioni semantiche di frasi.

Downloads

Actions (login required)

Modifica documento