Master

Michele Settanni

Docente del Corso di Master of Science in Psicologia – indirizzo Psicologia Clinica e Digitale – presso la Sigmund Freud University di Milano

m.settanni@milano-sfu.it Curriculum

Michele Settanni, PhD, è professore associato all’Università di Torino, dove insegna Tecniche di raccolta dati e Principi del testing e della ricerca in psicologia clinica.

I suoi interessi di ricerca includono la misurazione dei costrutti psicologici, l’uso di approcci machine learning per studiare e prevedere le caratteristiche individuali sulla base delle tracce digitali dei social media, e la valutazione dell’efficacia degli interventi psicologici.

Pubblicazioni rilevanti

Azucar, D., Marengo, D., & Settanni, M. (2018). Predicting the Big 5 personality traits from digital footprints on social media: A meta-analysis. Personality and individual differences, 124, 150-159.

Marengo, D., Longobardi, C., Fabris, M. A., & Settanni, M. (2018). Highly-visual social media and internalizing symptoms in adolescence: The mediating role of body image concerns. Computers in Human Behavior, 82, 63-69.

Settanni, M., & Marengo, D. (2015). Sharing feelings online: studying emotional well-being via automated text analysis of Facebook posts. Frontiers in psychology, 6, 1045.

Marengo, D., Giannotta, F., & Settanni, M. (2017). Assessing personality using emoji: An exploratory study. Personality and Individual Differences, 112, 74-78.

Settanni, M., Azucar, D., & Marengo, D. (2018). Predicting individual characteristics from digital traces on social media: A meta-analysis. Cyberpsychology, Behavior, and Social Networking, 21(4), 217-228.

Marengo, D., Montag, C., Sindermann, C., Elhai, J. D., & Settanni, M. (2021). Examining the links between active Facebook use, received likes, self-esteem and happiness: A study using objective social media data. Telematics and Informatics, 58, 101523.

Corsi

Master

Data Science e Ricerca Psicosociale

Corso integrato

Data Science e Ricerca Psicosociale

Corso integrato

4 CFU

45 Unità

Corso integrato (IC)

Obiettivi

Al termine del corso gli studenti otterranno:

la conoscenza dei principi alla base dell’applicazione della data science a contesti di ricerca in ambito psicologico e psicosociale;
la conoscenza delle principali linee di ricerca attive in questo ambito e delle prospettive di sviluppo future, includendo approcci di text mining e l’impiego di modelli linguistici di grandi dimensioni (LLM) come strumenti per l’analisi e la produzione di contenuti;
conoscenze pratiche utili a svolgere in autonomia analisi di contenuto su dati testuali digitali mediante strumenti open-source o free-to-use, con attenzione alla documentazione delle procedure e ai limiti metodologici.

Programma

Il termine data science si riferisce a un campo emergente di ricerca e pratica che si concentra sull’ottenere, elaborare, visualizzare, analizzare, conservare e riutilizzare grandi moli di informazioni. Un termine correlato, “big data”, è stato usato per riferirsi a una delle principali sfide affrontate in molti contesti applicativi: la necessità di analizzare grandi fonti di dati eterogenei, spesso prodotti in ambienti digitali.

Il corso è composto da due parti.

Nella prima verranno presentati i temi principali legati all’applicazione della data science ai contesti di ricerca psicologici e psicosociali, illustrando esempi di studi basati su dati digitali. Saranno introdotti i concetti di base dell’analisi dei testi come dati (text mining e approcci text-as-data), le opportunità offerte dall’analisi computazionale dei contenuti e le principali criticità metodologiche, tra cui validità, affidabilità, replicabilità e bias. In questa cornice verrà inoltre discusso il ruolo dei modelli generativi e dei Large Language Models (LLM) come strumenti per supportare alcune fasi della ricerca, quali sintesi, classificazione e annotazione assistita, evidenziandone potenzialità e limiti.
La seconda parte ha carattere applicativo. Gli studenti saranno guidati nell’organizzazione di dataset testuali digitali e nell’applicazione di tecniche di analisi di contenuto mediante strumenti open-source o free-to-use. L’attività laboratoriale culminerà nella realizzazione di un progetto di gruppo finalizzato alla costruzione e documentazione di un semplice protocollo di ricerca, con discussione critica dei risultati e dei limiti metodologici.

Esame

Il raggiungimento degli obiettivi del corso sarà verificato tramite un elaborato finale, nel quale lo studente potrà dimostrare la propria capacità di rielaborare criticamente i contenuti appresi e/o di applicare le competenze pratiche acquisite durante il corso.

La votazione finale potrà essere integrata da un esame orale facoltativo.

Bibliografia

Woo, S. E. E., Tay, L. E., & Proctor, R. W. (2020). Big data in psychological research. American Psychological Association (alcuni capitoli indicati a lezione).
Grimmer, J., & Stewart, B. M. (2013). Text as data: The promise and pitfalls of automatic content analysis methods for political texts. Political Analysis, 21(3), 267–297.
Chancellor, S., & De Choudhury, M. (2020). Methods in predictive techniques for mental health status on social media: A critical review. npj Digital Medicine, 3, 43.
Volkmer, S., Meyer-Lindenberg, A., & Schwarz, E. (2024). Large language models in psychiatry: Opportunities and challenges. Psychiatry Research, 339, 116026.
Settanni, M., Quilghini, F., Toscano, A., & Marengo, D. (2025). Assessing the accuracy and consistency of large language models in triaging social media posts for psychological distress. Psychiatry Research, 351, 116583.
Slide e materiali forniti dal docente.

Chi Siamo

SFU Milano

Bachelor of Science in Psicologia

Master of Science in Psicologia

Chi Siamo

SFU Milano

Bachelor of Science in Psicologia

Master of Science in Psicologia

Michele Settanni

Pubblicazioni rilevanti

Data Science e Ricerca Psicosociale

Obiettivi

Programma

Esame

Bibliografia