A Multi-Method Validation Framework for Large-Scale Multilingual Text Analytics

15 gen 2026·
Stefano Blando
Stefano Blando
,
Domenica Fioredistella Iezzi
· 0 min di lettura
Abstract
Per distinguere risultati sostanziali da artefatti metodologici, questo paper propone un framework di validazione basato su pattern method-invariant. Analizzando 999.152 recensioni multilingui attraverso 18 tecniche indipendenti, dal clustering classico ai Transformers, mostriamo che il contenuto sostanziale spiega il 95,4% della varianza, mentre la scelta metodologica ne spiega meno del 3%. Lo studio conferma che i pattern robusti trascendono algoritmi e implementazioni specifiche. Inoltre, mentre BERT raggiunge la massima accuratezza (91,3%), approcci classici come SVM offrono performance comparabili (89,1%) con un costo computazionale 29 volte inferiore.
Tipo
Publicazione
JADT 2026, Palermo, Italia (in review)
publications
NLP Methodology BERT Graph Neural Networks Deep Learning Validation Framework
Stefano Blando
Authors
Stefano Blando (lui/lui)
Dottorando in Intelligenza Artificiale
Stefano Blando e dottorando nel Programma Nazionale di Dottorato in Intelligenza Artificiale presso la Scuola Superiore Sant’Anna e l’Universita di Pisa. La sua ricerca si colloca all’intersezione tra AI, agent-based modeling ed economia. Studia sistemi multi-agente adattivi, verifica statistica di simulazioni economiche e metodi quantitativi robusti per dati finanziari e socio-economici.
Authors
Domenica Fioredistella Iezzi