Ricercatori dell’Universitat Politècnica de València (UPV) hanno sviluppato un sistema pensato per aiutare a rilevare il sessismo nei video di TikTok: all’analisi di testi e immagini affianca il tracciamento oculare, l’attività cerebrale misurata con EEG e la frequenza cardiaca di chi guarda. I resoconti pubblicati il 15 ottobre 2026 descrivono lo studio sui video e, separatamente, un risultato su una specifica categoria di meme (RUVID; Actualidad Valencia).

Come il sistema analizza i video

Le reazioni di chi guarda aggiungono al contenuto del video indizi su come viene percepito. Secondo i resoconti, davanti a contenuti sessisti i partecipanti hanno mostrato tempi di reazione più lunghi, più fissazioni dello sguardo, cambiamenti nei movimenti oculari e nell’ammiccamento e maggiori oscillazioni della frequenza cardiaca. Iván Arcos, ricercatore del PRHLT dell’UPV, ha spiegato che ironia, stereotipi e battute apparentemente innocue possono mascherare il sessismo e rendere più difficile interpretare il contesto (RUVID).

Lo studio sui video ha coinvolto 10 partecipanti e ha analizzato circa 2.500 filmati in spagnolo e inglese provenienti dai dataset EXIST. Rispetto a un sistema basato soltanto su testo e immagini, i resoconti attribuiscono all’aggiunta dei segnali fisiologici un miglioramento di circa il 4% nel distinguere i video sessisti da quelli non sessisti e di oltre il 6% in alcune classificazioni, tra cui la distinzione fra sessismo diretto e valutativo (RUVID; Actualidad Valencia).

Che cosa misura il 26,3% nello studio sui meme

Il 26,3% riguarda un lavoro distinto sui meme, pubblicato su arXiv il 27 febbraio 2026. Nel test a cinque fold sul training split di EXIST 2025, il punteggio F1 per la categoria “Misogyny and Non-Sexual Violence” è salito da 0,259 a 0,327: un aumento relativo del 26,3%. La F1 riassume precisione e richiamo, due aspetti delle prestazioni di classificazione (preprint su arXiv).

Il campione comprendeva 3.984 meme: 1.979 in spagnolo e 2.005 in inglese. Hanno partecipato 16 persone, divise in due esperimenti, e ogni meme è stato visto da almeno due partecipanti. Per il rilevamento binario del sessismo, il modello ha ottenuto un’AUC di 0,794, con un miglioramento relativo del 3,4% rispetto a un modello di riferimento basato sui contenuti; per il rilevamento dell’intenzione, l’AUC è passata da 0,628 a 0,655. L’AUC, o area sotto la curva, misura la capacità del modello di distinguere le classi considerate (preprint su arXiv).

Nel preprint gli autori riferiscono che le caratteristiche della frequenza cardiaca non hanno avuto effetti significativi. Segnalano inoltre che la complessità visiva e testuale dei meme non era controllata, che le etichette comportano una componente soggettiva e che il numero dei partecipanti era limitato. Queste osservazioni riguardano lo studio sui meme (preprint su arXiv).