A Multi-Method Validation Framework for Large-Scale Multilingual Text Analytics
me-it, Domenica Fioredistella Iezzi
Cita conference paper
@inproceedings{blando2026multimethod,
title={A Multi-Method Validation Framework for Large-Scale Multilingual Text Analytics},
author={Blando, Stefano and Iezzi, Domenica Fioredistella},
booktitle={JADT 2026 Proceedings, Volume II: 18th International Conference on Statistical Analysis of Textual Data},
editor={Plaia, Antonella and Sciandra, Mariangela and Albano, Alessandro},
pages={70--79},
year={2026},
address={Palermo, Italy},
isbn={978-88-5509-883-0}
} 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.