Su Abstraction

Le parole, elementi costitutivi del linguaggio, sono segni che rappresentano diversi tipi di categorie. Alcune parole definiscono categorie di entità concrete (come gatto o tavolo) mentre altre definiscono entità astratte (come convinzione, empatia). Alcune parole definiscono categorie generali che comprendono al loro interno entità diverse (come la parola veicolo, o arte) mentre altre definiscono categorie più specifiche (come tandem, o Impressionismo).   

Gli esseri umani costruiscono significato trasformando l’esperienza in categorie mentali. Questo processo di astrazione è strettamente legato al linguaggio, che fornisce le etichette con cui organizziamo e comunichiamo la conoscenza. Tra le proprietà fondamentali delle parole che contribuiscono a questi processi vi sono la concretezza, cioè il grado di legame con l’esperienza sensoriale, e la specificità, ovvero il livello di inclusività categoriale di un concetto. Comprendere il loro ruolo significa comprendere meglio come il linguaggio media l’astrazione umana.

Quando vengono studiati i meccanismi e gli effetti dell’astrazione, ricercatori con formazione diversa tendono a concentrarsi su aspetti diversi del fenomeno. In particolare, psicologi e scienziati della cognizione tendono a concentrarsi sulla concretezza, mentre linguisti e informatici considerano spesso la specificità. Queste prospettive parziali possono generare incomprensioni nei dibattiti interdisciplinari e ostacolare lo sviluppo teorico.

Una prospettiva multidimensionale sull’astrazione

ABSTRACTION ha contribuito a distinguere concretezza e specificità, studiandone le relazioni e il diverso contributo alla rappresentazione e all’elaborazione dei significati. Questa distinzione permette di riconoscere che anche un concetto astratto può essere molto specifico e che un concetto concreto può essere generale.

I risultati del progetto hanno alimentato una riflessione teorica sul ruolo della specificità nei modelli della comprensione linguistica basati sull’esperienza corporea e sensoriale. Il progetto ha inoltre contribuito a un lavoro interdisciplinare volto a chiarire la terminologia utilizzata nello studio del significato, facilitando il confronto tra discipline.

Approfondisci:

• Beyond concreteness: why word specificity is the missing piece in theories on embodied language comprehension — Bolognesi (2025)

• What we mean when we say semantic: Toward a multidisciplinary semantic glossary — Reilly e colleghi

• Specificity: Metrics and Norms — Villani e Bolognesi (2026)

• Conceptual Metaphor — Bolognesi (2026)

Nuovi dati e strumenti per studiare il significato

All’inizio del progetto, mentre erano già disponibili ampie raccolte di giudizi sulla concretezza delle parole, le risorse sulla specificità lessicale basate su valutazioni umane erano molto più limitate.

Per contribuire a colmare questa lacuna, il team ha raccolto dati sulla specificità delle parole in italiano e in inglese mediante compiti di valutazione e tecniche innovative di gamification. In particolare, l’applicazione Word Ladders permette ai partecipanti di costruire scale di parole, collegando concetti attraverso relazioni di inclusione categoriale.

Il progetto ha documentato il funzionamento di questo strumento e studiato i vantaggi della gamification per la raccolta di dati linguistici. Ha inoltre contribuito allo sviluppo di risorse su altre proprietà del lessico, come l’iconicità, ossia la somiglianza percepita tra la forma di una parola e il suo significato.

Approfondisci:

• Word Ladders: A Mobile Application for Semantic Data Collection — Bolognesi e colleghi (preprint)

• The advantages of gamification for collecting linguistic data: A case study using Word Ladders — Genovese e colleghi (2024)

• IconicITA: Iconicity ratings of the Italian affective lexicon — de Varda e colleghi (2025)

Tre ambiti di ricerca: pensiero, linguaggio e creatività

Grazie a questi dati e ad altre risorse lessicali, ABSTRACTION ha studiato il ruolo della specificità e della concretezza attraverso una combinazione di metodi quantitativi e qualitativi, in tre ambiti:

• Pensiero: come gli esseri umani organizzano l’esperienza in categorie, rappresentano i concetti e ne elaborano il significato.

• Linguaggio: come le proprietà delle parole contribuiscono alla chiarezza e all’informatività dei testi e alle dinamiche comunicative.

• Creatività: come concetti familiari vengono combinati e reinterpretati attraverso metafore, nuove espressioni e altre forme di variazione linguistica.

Le pagine dedicate ai tre ambiti presentano i principali risultati e i collegamenti alle relative pubblicazioni.

Generalizzazione umana e intelligenza artificiale

Comprendere come le persone passino dalle esperienze particolari a categorie e concetti più generali rappresenta una questione centrale anche per il confronto con l’intelligenza artificiale.

ABSTRACTION ha contribuito a una riflessione interdisciplinare sulle somiglianze e sulle differenze tra generalizzazione umana e artificiale. Il lavoro pubblicato su Nature Machine Intelligence confronta il modo in cui scienze cognitive e ricerca sull’IA definiscono, realizzano e valutano la generalizzazione, individuando questioni cruciali per la collaborazione tra esseri umani e sistemi artificiali.

Altri studi del progetto hanno esaminato come i modelli linguistici organizzano le categorie, interpretano le generalizzazioni e rappresentano concretezza e inclusività nel contesto. Il confronto con i dati umani ha mostrato che la produzione di risposte plausibili non garantisce una piena corrispondenza con l’organizzazione concettuale dei parlanti: nello studio sulle categorie subordinate italiane, per esempio, l’allineamento tra esseri umani e modelli è risultato limitato e variabile tra domini semantici.

Approfondisci:

• Aligning generalization between humans and machines — Ilievski e colleghi (2025), Nature Machine Intelligence

• How Humans and LLMs Organize Conceptual Knowledge: Exploring Subordinate Categories in Italian — Pedrotti e colleghi (2025)

• Wordnet and Word Ladders: Climbing the abstraction taxonomy with LLMs — Puccetti, Esuli e Bolognesi (2025)

• Quantifying Generalizations: Exploring the Divide Between Human and LLMs’ Sensitivity to Quantification — Collacciani, Rambelli e Bolognesi (2024)

• Interpretation of Generalization in Masked Language Models: An Investigation Straddling Quantifiers and Generics — Collacciani e Rambelli (2023)

• ABRICOT – ABstRactness and Inclusiveness in COntexT: A CALAMITA Challenge — Puccetti e colleghi (2025)

• Yet another approximation of human semantic judgments using LLMs… but with quantized local models on novel data — Ravelli e Bolognesi (2024)

Astrazione, prospettive sociali e stereotipi

Il confronto tra linguaggio umano e artificiale riguarda anche le prospettive sociali espresse nei testi. Una ricerca collegata al progetto ha esaminato come cambiano i livelli di astrazione quando ai modelli linguistici viene chiesto di assumere identità sociodemografiche diverse.

I risultati evidenziano i limiti di questa strategia nel rappresentare le prospettive dei gruppi sociali e segnalano il rischio di riprodurre stereotipi anche quando il modello sembra parlare dalla prospettiva di un gruppo marginalizzato.

Approfondisci:

• Simulating Identity, Propagating Bias: Abstraction and Stereotypes in LLM-Generated Text — Sommerauer, Rambelli e Caselli (2025)

Nel complesso, ABSTRACTION contribuisce a comprendere come il linguaggio permetta di costruire significato a partire dall’esperienza e di formulare generalizzazioni. Distinguere concretezza e specificità offre strumenti per studiare la cognizione, progettare la comunicazione e valutare le capacità e i limiti dei sistemi di intelligenza artificiale.