Alfabetizzazione delle reti: Come comprendere, progettare e leggere modelli relazionali visivi

Verso un’alfabetizzazione delle reti

La nozione di alfabetizzazione delle reti nasce dal riconoscimento delle reti come uno dei modi più diffusi per modellare e visualizzare la complessità relazionale nella società di oggi (Lima 2011). Parlare di alfabetizzazione significa considerare le reti non solo come strumenti analitici ma anche come artefatti culturali, ossia forme di scrittura che richiedono competenze tecniche e interpretative. A metà tra l’alfabetizzazione visiva che prepara a decifrare immagini e l’alfabetizzazione dei dati che fornisce l’abilità per analisi statistiche, l’alfabetizzazione delle reti si può definire come la capacità di comprendere, progettare e leggere modelli relazionali. Essa implica imparare come le reti vengono costruite, riconoscere il ruolo del design nel dare forma al loro significato e sviluppare una sensibilità critica verso ciò che rivelano e ciò che nascondono. Nel suo nucleo, l’alfabetizzazione delle reti può essere definita come la capacità di muoversi nelle reti sia come progettisti che come interpreti. È pratica, perché richiede padronanza delle tecniche e degli strumenti che traducono dimensioni sociali in nodi e connessioni, ma è anche culturale, perché riconosce che le reti non sono specchi neutrali della realtà. Le visualizzazioni di reti sono a tutti gli effetti artefatti costruiti, che racchiudono decisioni, priorità e assunzioni. Una rete può rappresentare amicizie in una scuola, citazioni in un campo di ricerca o immagini in una collezione museale, ma in ogni caso esprime una specifica visione del mondo: cosa viene considerato un nodo, cosa conta come legame, quali proprietà vengono messe in evidenza. Essere alfabetizzati alle reti significa saper decodificare queste scelte, chiedersi come il modello è stato costruito e interpretarne le convenzioni visive con occhio critico.

La nozione di alfabetizzazione delle reti può essere compresa meglio se la collochiamo tra l’alfabetizzazione ai dati e l’alfabetizzazione visiva. Catherine D’Ignazio ha sostenuto l’idea di una “creative data literacy” come ponte tra competenze tecniche e riflessione critica, mostrando come chi apprende non debba solo acquisire la capacità di leggere e analizzare i dati, ma anche usarli per mettere in discussione i rapporti di potere e lavorare verso l’emancipazione (D’Ignazio 2017). Jonathan Gray, Carolin Gerlitz e Liliana Bounegru hanno esteso questa prospettiva con il concetto di “data infrastructure literacy”, sottolineando come le infrastrutture che producono e diffondono dati debbano anch’esse essere interrogate e ripensate (Gray, Gerlitz e Bounegru 2018). Su un altro piano, Donis A. Dondis ha definito l’alfabetizzazione visiva come la capacità universale di comporre, interpretare e condividere significati attraverso forme visive, una competenza fondamentale quanto l’alfabetizzazione verbale (Dondis [1973] 1975). Date queste premesse, l’alfabetizzazione delle reti si colloca all’incrocio tra queste due tradizioni. Come l’alfabetizzazione ai dati, richiede consapevolezza tecnica e critica su come l’informazione è strutturata; come l’alfabetizzazione visiva, mette al centro l’interpretazione, la comunicazione e il potere sociale delle immagini. Ma si distingue per l’attenzione specifica al modello relazionale: il modo in cui nodi e collegamenti codificano significati, come le decisioni di design plasmano l’interpretazione e come il pubblico vede le reti in quanto artefatti culturali. In questo senso, l’alfabetizzazione delle reti estende entrambe le tradizioni, proponendo che, in un’epoca in cui la conoscenza è sempre più organizzata in modo relazionale, servano competenze non solo per leggere dati e immagini, ma anche per confrontarsi con le grammatiche visive relazionali.

L’urgenza per questo tipo di alfabetizzazione emerge quando osserviamo le reti nella vita di tutti i giorni. Giornalisti e artisti come Mark Lombardi hanno tracciato diagrammi complessi per seguire alleanze politiche, rendendo visibili i legami nascosti che modellano il potere globale (Hobbs 2004). Musei e archivi adottano sempre più spesso visualizzazioni di reti per mostrare l’ampiezza delle loro collezioni, andando oltre la paginazione dei cataloghi per offrire vedute sinottiche (Windhager et al. 2020). Anche la ricerca scientifica si affida alle reti: mappe di citazioni e grafi di co-autorialità visualizzano i rapporti tra autori e campi di studio, permettendo di tracciare l’evoluzione costruttivista del sapere (Noichl 2019). Questi usi diversificati dimostrano come le reti sono passate da strumenti specialistici a forme culturali quotidiane. Ma la loro onnipresenza implica anche rischi. Molti lettori interpretano le reti come rappresentazioni infallibili, scambiando la distanza per importanza intrinseca o assumendo che i nodi centrali siano oggettivamente più influenti. Senza un’alfabetizzazione che unisca un minimo di padronanza tecnica e interpretazione critica, il pubblico rischia di essere ingannato proprio dagli strumenti pensati per capire la complessità. In questo senso, l’alfabetizzazione delle reti è una competenza civica essenziale, che consente a progettisti e cittadini di orientarsi nel tessuto sempre più relazionale dell’informazione.

Il tema di questo numero della rivista ci invita a ripensare la forma del codice. Tradizionalmente, il codice organizza la conoscenza in sequenza, pagina dopo pagina, producendo una narrazione ordinata e lineare (Eco 2009). Le reti mettono in discussione questo paradigma. Propongono invece un codice relazionale, in cui il significato non si trova voltando pagina, ma seguendo un collegamento, attraversando cluster o esplorando lo spazio per prossimità. In una rete, la conoscenza è strutturata spazialmente e per associazioni: non è tanto un percorso da camminare quanto un paesaggio da attraversare. Questo cambiamento va oltre la metafora. Così come il codice ha trasformato la memoria culturale introducendo indici, rimandi incrociati e lettura sistematica, oggi le reti riconfigurano il nostro modo di incontrare l’informazione. Permettono a più narrazioni di svolgersi contemporaneamente, a seconda di dove il lettore sceglie di entrare o di quali connessioni decide di seguire. In questo senso, le reti non aboliscono il codice, ma lo estendono in una forma capace di accogliere complessità, molteplicità e non-linearità. Un esempio emblematico è il progetto AIME di Bruno Latour (2013), dove paragrafi, riferimenti e parole chiave sono intrecciati in un’interfaccia digitale che trasforma il libro in un ambiente relazionale, mettendo in primo piano le connessioni nel testo (Ricci et al. 2017). Coltivare l’alfabetizzazione delle reti significa dunque imparare a leggere questo nuovo codice: trattare nodi e legami come pagine e paragrafi, interpretare i cluster come capitoli, e comprendere che l’atto di leggere è un atto di navigazione.

Il design gioca un ruolo centrale in questa nuova alfabetizzazione. Algoritmi di layout, palette di colore, funzioni interattive — tutti questi elementi guidano il modo in cui le reti vengono percepite e interpretate. Un layout force-directed può raggruppare nodi simili in cluster, mentre una proiezione geografica ancora i nodi allo spazio fisico. I colori possono indicare collettivi o categorie, mentre l’interattività permette a chi osserva di filtrare o fare zoom. Nessuna di queste scelte è neutrale. Ognuna inquadra i dati, enfatizza alcuni schemi e ne sopprime altri. Per questo l’alfabetizzazione delle reti richiede consapevolezza critica accanto alla competenza progettuale. I designer devono riconoscere che le decisioni visive sono atti epistemici: plasmano la conoscenza che la rete comunica. Chi osserva deve imparare a chiedersi quali assunzioni sostengono la visualizzazione: perché alcuni dati sono inclusi o altri esclusi, perché la centralità può avere un’importanza relativa, o perché un cluster sembra più coerente di quanto non sia davvero. Un approccio alfabetizzato riconosce che le reti possono sedurre con l’estetica, ingannare attraverso bias algoritmici o semplificare eccessivamente realtà complesse. Unendo design e interpretazione critica, l’alfabetizzazione delle reti coltiva una doppia visione: da un lato la capacità di costruire reti in modo responsabile e dall’altro la capacità di leggerle con sguardo attento. Ci insegna a vedere le reti non solo come diagrammi tecnici, ma come dispositivi retorici, persuasivi nella forma tanto quanto nel contenuto.

A seguire, la sezione Storia delle reti delinea il quadro storico delle reti. Design di reti analizza come le scelte nella preparazione dei dati, dei layout e degli strumenti plasmino ciò che le reti comunicano, rivelando come il significato venga codificato attraverso il design. Pensiero spaziale si concentra sull’interpretazione, focalizzandosi su come le reti vengano lette nello spazio bidimensionale e come convenzioni come la centralità ne influenzino la comprensione. Surprise Machines propone un caso di studio sperimentale, mostrando come le reti possano diventare performative e invitare non solo all’esplorazione ma anche alla riflessione critica. Insieme, queste sezioni presentano l’alfabetizzazione delle reti come una costellazione di pratiche — progettare, leggere, interrogare — che rendono possibile orientarsi nella complessità quotidiana. Così come il codice trasformò un tempo l’alfabetizzazione culturale, oggi le reti richiedono una loro alfabetizzazione specifica, che ci insegni a leggere il mondo non riga per riga ma collegamento per collegamento.

Storia delle reti

La nascita delle reti come modello può essere fatta risalire a un enigma del XVIII secolo, nella città di Königsberg: era possibile trovare un percorso attraverso Königsberg che attraversasse ciascuno dei sette ponti una sola volta senza ripeterne alcuno? Quando il matematico Leonhard Euler risolse questo problema, la domanda si ricollocò dalla geografia fisica a un nuovo modo di vedere le connessioni, dando origine a quella che lui stesso definì la “geometria della posizione” (Sachs, Stiebitz e Wilson 1988; Euler 1953). La soluzione mostrò che ciò che contava non era la distanza reale, ma come i ponti collegavano le diverse parti della città. Questa scoperta creò le basi per la topologia e la teoria dei grafi, rivelando che elementi del territorio potevano formare schemi indipendentemente dalla loro collocazione geografica (Shields 2012). In questo senso, Euler offrì un modo per comprendere le strutture attraverso la loro connettività, andando oltre le mappe statiche verso sistemi dinamici di connessione. Il suo lavoro ispirò pensatori ad applicare i modelli di rete a questioni sociali e culturali, segnando l’inizio delle reti come strumenti per afferrare la complessità del mondo che ci circonda.

Tra loro, Jacob Moreno fu il primo a riconoscere pienamente la forza delle reti dando loro la forma visiva attuale. Negli anni Trenta, i suoi diagrammi introdussero un modo per vedere le strutture nascoste delle relazioni sociali, descritte con cura in Who Shall Survive? (Moreno 1934). Moreno e la sua collaboratrice Helen Hall Jennings chiesero agli studenti di indicare i compagni con cui preferivano sedersi. Rappresentarono poi queste preferenze in diagrammi, ponendo le basi per la moderna analisi delle reti sociali (Scott 2000). Questi sociogrammi mostrarono come le norme sociali potessero essere visualizzate, rendendo leggibili legami altrimenti astratti. Come disse lo stesso Moreno, se potessimo mappare un’intera città o nazione, scopriremmo un vasto sistema solare di strutture intangibili che influenzano il comportamento con la stessa forza con cui la gravità agisce sui corpi nello spazio (Venturini, Munk e Jacomy 2019). Moreno sosteneva che, finché non vediamo queste strutture, lavoriamo alla cieca nel tentativo di risolvere i problemi sociali. Questi primi sociogrammi non erano ancora chiamati “reti”, ma segnarono la prima analisi formale delle relazioni sociali attraverso i diagrammi, aprendo la strada alla moderna visualizzazione di rete.

Alcuni decenni più tardi, Pierre Bourdieu si distinse per aver integrato metodi computazionali negli studi sociali, andando oltre approcci puramente descrittivi o qualitativi. In Distinction (Bourdieu [1979] 1984) mostrò come la riproduzione sociale operi attraverso le pratiche quotidiane del gusto, rivelando che le preferenze culturali sono strutturate dal capitale economico, sociale e culturale. Per catturare empiricamente queste dinamiche, fu tra i primi a utilizzare l’analisi delle corrispondenze applicata a dati da interviste, rendendo possibile visualizzare i livelli sociali e le relazioni tra gruppi e stili di vita (Blasius e Schmitz 2014). Questi diagrammi rivelarono come i confini simbolici del gusto e della distinzione si sovrapponessero alle disuguaglianze strutturali, offrendo un resoconto visivo della stratificazione che completava la sua più ampia teoria sociologica. Fu anche uno dei primi sociologi a interpretare le visualizzazioni di rete, mostrando come le forme visive potessero svelare schemi di imitazione e differenziazione (Romele e Rodighiero 2020). Su questa eredità si innestano studiosi contemporanei che sostengono come la visualizzazione di rete offra prove epistemiche, consentendo interpretazioni dei fenomeni sociali che vanno oltre categorie fisse e schemi tradizionali (Manovich 2018). Questi sviluppi evidenziano come le reti computazionali forniscano evidenze empiriche che approfondiscono la nostra comprensione delle dimensioni complesse del sociale.

Da quel momento in poi, le reti si svilupparono in parallelo con l’aumento della potenza computazionale. Gli studiosi iniziarono a confrontarsi con dataset sempre più grandi e complessi, passando da studi di piccola scala ad analisi ambiziose che richiedevano risorse avanzate. Un influente gruppo di ricercatori dell’area di Boston pubblicò un manifesto che invocava lo sviluppo della computational social science, fissando un’agenda che sottolineava l’integrazione di grandi masse di dati, algoritmi avanzati e modelli di rete (Lazer et al. 2009). Negli anni successivi, il fisico Albert-László Barabási, uno degli autori del manifesto di Boston, acquisì grande visibilità grazie alla sua opera di divulgazione delle reti complesse, rendendole accessibili a un pubblico ampio attraverso ricerche e pubblicazioni (Barabási 2002; Barabási et al. 2020). Nel frattempo, in Europa, il filosofo Bruno Latour fu invitato a creare un nuovo laboratorio a Parigi nell’università di Sciences Po, il médialab, che univa sociologia e informatica utilizzando il design come elemento di connessione tra le due discipline (Boullier 2018; Venturini et al. 2017). Il contributo di Latour si inseriva nel suo più ampio progetto intellettuale: la Actor-Network Theory, che ridefiniva la società in reti di attanti eterogenei le cui relazioni sono costantemente negoziate (Latour 2005). Come osserva Harman (2009), l’approccio di Latour non era solo metodologico ma anche ontologico, trattando le reti come un modo per comprendere come la realtà stessa venga assemblata. Questa impostazione diede al médialab un carattere distintivo, collocando le reti come strumenti sia concettuali che pratici per esplorare la complessità sociale attraverso mezzi digitali e visivi.

Quando le reti iniziarono a circolare nel discorso pubblico e nei media, la loro visualizzazione divenne una modalità chiave di interpretazione. Come sostengono Löwgren e Stolterman (2004), il design rende leggibili i sistemi complessi mettendo in evidenza schemi e relazioni. Manuel Lima (2011) mostra inoltre come le metafore visive e l’estetica plasmino la comprensione. Ciò che era nato in matematica e sociologia vive ora anche come cultura visiva, dove il design ha un ruolo centrale nel modo in cui le reti vengono prodotte e comprese.

Design di reti

In Visual Complexity, Manuel Lima osserva che un designer dell’informazione organizza i dati per aiutare gli utenti a vedere (Lima 2011, 12), sottolineando come le scelte di design definiscano ciò che le reti comunicano. La progettazione di una rete inizia con una domanda di ricerca, seguita da una sintesi empirica che traduce una dimensione sociale in una struttura relazionale. I designer rappresentano gli oggetti come nodi e le relazioni come connessioni, concentrandosi sugli aspetti della società che vogliono mettere in luce — il che significa scegliere cosa mostrare e cosa lasciare fuori. Una volta collegati gli oggetti, le metriche possono esprimere l’intensità delle relazioni: pesi più forti producono attrazioni più forti nei layout. I sociogrammi di Moreno, per esempio, furono creati tramite interviste che ponevano domande come “Con chi ti piace sederti?” (Moreno 1934). Se questi primi diagrammi erano disegnati a mano, oggi i dati assumono spesso la forma di fogli di calcolo, database o file JSON.

La transizione dai sociogrammi manuali alla mappatura digitale, e il modo in cui essa ha trasformato la ricerca sociale, è approfondita da Noortje Marres in Digital Sociology: The Reinvention of Social Research (Marres 2017), che mette in evidenza come i mezzi contemporanei abbiano rinnovato l’analisi della società. Una volta preparati i dati, il layout diventa il passo successivo e decisivo nella progettazione di una rete. I layout definiscono la disposizione visiva di nodi e connessioni, modellando la configurazione spaziale. I layout force-directed, per esempio, mettono in evidenza aspetti specifici dei dati rivelando cluster, gerarchie o flussi (Jacomy et al. 2014). Questi algoritmi sono centrali nell’analisi di rete: elaborando le forze di attrazione tra i nodi, creano configurazioni spaziali in cui le posizioni più vicine indicano relazioni più forti, aiutando chi osserva a riconoscere cluster e connessioni. Come sottolineano Venturini, Jacomy e Jensen (2021), i layout introducono un’ambiguità intrinseca: non mappano uno spazio oggettivo, ma ne costruiscono uno in cui le relazioni diventano visibili attraverso la logica del design. Tuttavia, questa ambiguità non è un limite ma una risorsa, poiché offre una prospettiva soggettiva per esplorare visivamente strutture sociali complesse. Abbracciando questa soggettività, un design accurato del layout rivela schemi nascosti, chiarisce la complessità e rende le reti più coinvolgenti: ben lontano dall’essere un passaggio tecnico neutro, esso diventa una decisione progettuale fondamentale che guida il modo in cui il pubblico interpreta i dati.

I layout sono spesso generati tramite programmazione, ma per rendere l’alfabetizzazione delle reti più accessibile esistono strumenti digitali che non richiedono competenze di coding. Software come Gephi offrono un ambiente intuitivo per manipolare dati relazionali, combinando esplorazione interattiva e viste personalizzabili (Bastian, Heymann e Jacomy 2009). Gephi consente agli utenti di importare dati esterni e applicare un layout regolando i suoi parametri in tempo reale, aiutando i designer a rendere le configurazioni di rete più leggibili. Offre inoltre strumenti intuitivi per rifinire l’aspetto, permettendo di regolare dettagli come la spaziatura dei nodi, l’opacità dei legami e lo stile delle etichette, così da ottenere visualizzazioni più chiare (Grandjean 2015). L’affinamento di elementi come l’evitare la sovrapposizione dei nodi, l’aggiunta di archi curvi e la scelta di palette cromatiche efficaci trasforma grafi densi in mappe di rete più leggibili e interessanti. Questi strumenti digitali non solo migliorano la chiarezza, ma favoriscono anche una comprensione più profonda delle dinamiche di rete, consentendo ai designer di regolare iterativamente il modo in cui i dati vengono presentati. Combinando metriche analitiche con visualizzazioni interattive, strumenti come Gephi trasformano le reti da diagrammi statici a interfacce esplorative che guidano l’utente attraverso dati relazionali complessi.

Per la pubblicazione, framework web come D3.js aprono nuove possibilità per creare visualizzazioni di rete coinvolgenti. La libreria D3.js, in particolare, permette ai designer di costruire visual personalizzati per il browser, collegando i dati agli elementi del documento e renderizzandoli in modo dinamico (Bostock, Ogievetsky e Heer 2011). Supportando grafica vettoriale scalabile e integrandosi senza difficoltà con JavaScript, HTML e CSS, la libreria consente di adattare ogni aspetto di una visualizzazione agli ambienti web, ottimizzandone leggibilità e interattività. Michael Bostock, che introdusse il design dell’informazione al New York Times, creò D3.js per offrire ai designer un maggiore controllo sulle visualizzazioni online e sviluppò in seguito Observable, una piattaforma per costruire e condividere notebook interattivi (Bostock 2017). L’ambiente di programmazione reattiva di Observable aggiorna automaticamente le visualizzazioni al variare dei dati o del codice, rendendo più semplice sperimentare, comunicare intuizioni e creare spiegazioni dinamiche. Insieme, D3.js e Observable possono trasformare reti complesse in esperienze web accessibili e coinvolgenti, permettendo ai designer di trasformare intricati dati relazionali in storie chiare ed esplorabili su dispositivi e browser diversi.

In un ambito più tecnico, le tecniche di riduzione della dimensionalità come t-SNE (van der Maaten e Hinton 2008) e UMAP (McInnes, Healy e Melville 2018) permettono ai designer di semplificare dati ad alta dimensionalità in layout più leggibili a due o tre dimensioni, capaci di rivelare schemi nascosti. Proiettando dataset complessi in due o tre dimensioni, questi metodi rendono possibile visualizzare somiglianze e raggruppamenti tra punti dati che altrimenti resterebbero nascosti nello spazio ad alta dimensionalità. t-SNE eccelle nel preservare le relazioni locali, catturando cluster sottili nei dati, mentre UMAP bilancia il dettaglio locale con una migliore rappresentazione delle strutture globali, offrendo al tempo stesso prestazioni più veloci su dataset di grandi dimensioni. Questi algoritmi aiutano i designer a visualizzare insiemi di dati molto ampi, garantendo che le visualizzazioni restino fedeli alle relazioni chiave. Collegando l’analisi avanzata dei dati a una comunicazione visiva efficace, le tecniche di riduzione della dimensionalità rendono possibile far emergere intuizioni in collezioni di dati molto più grandi di quelle gestibili con i layout di rete tradizionali (Rodighiero, Wandl-Vogt e Carsenat 2022; Rodighiero et al. 2022; Rodighiero e Daniélou 2023; Rodighiero, Rivière e Kenderdine 2024).

Come mostrano queste scelte progettuali e metodologiche, ogni passaggio nella visualizzazione di rete porta naturalmente a considerare come lo spazio plasmi il significato. Le disposizioni spaziali guidano il modo in cui gli osservatori interpretano le strutture di rete, trasformando dati tabellari in schemi visivi. Comprendere le reti come spazi progettati ci prepara a esplorare come il pensiero spaziale influenzi la percezione, rivelando non solo ciò che le reti contengono, ma anche come comunichino intuizioni attraverso la loro organizzazione spaziale.

Pensiero spaziale

Oltre al design, la lettura delle reti è l’altro aspetto fondamentale dell’alfabetizzazione delle reti: implica lo sviluppo di un pensiero spaziale per comprendere come le reti presentino l’informazione. Come evidenziato dalla teoria cartografica recente, riconoscere l’interazione tra topografia e topologia aiuta a rivelare come le mappe di rete costruiscano spazi che risuonano con le spazialità contemporanee — spazi definiti soprattutto da schemi relazionali che danno forma al significato nel mondo sociale (Lévy, Maitre e Romany 2016). Rileggere i ponti di Königsberg di Euler attraverso la lente della topologia culturale mostra che le reti non sono soltanto strutture logiche, ma spazi dinamici in cui relazioni, contesti storici e forze sociali si intrecciano, dimostrando come le disposizioni spaziali possano portare significati culturali e riflettere poteri e identità in trasformazione (Shields 2012).

Al di là delle prospettive teoriche, le metriche matematiche offrono strumenti essenziali per leggere e interpretare le reti, tra cui densità, grado e modularità (Grandjean 2021). La densità misura quante connessioni esistono rispetto al massimo possibile, dando un’idea di quanto una rete sia fitta. Il grado, la misura di centralità più semplice, indica quante connessioni possiede ciascun nodo, mettendo in evidenza gli elementi più attivi o connessi localmente. La modularità rileva comunità identificando le regioni della rete in cui i nodi sono più densamente collegati tra loro che al resto del grafo, facendo emergere cluster che possono corrispondere a interpretazioni visive. Insieme, queste metriche trasformano schemi visivi complessi in intuizioni quantificabili, arricchendo la comprensione e sostenendo interpretazioni più sfumate.

La centralità è una convenzione spaziale particolarmente influente nella visualizzazione di rete, poiché modella il modo in cui gli osservatori percepiscono importanza o influenza. Secondo Grandjean (2021), le metriche di centralità come grado, closeness e betweenness catturano ciascuna aspetti diversi del ruolo di un nodo nella rete — che si tratti del più connesso, del più rapido a raggiungere gli altri o del meglio posizionato per collegare gruppi separati. Tuttavia, quando i nodi compaiono vicino al centro di una visualizzazione, vengono spesso interpretati come più importanti, anche se il loro posizionamento deriva da layout algoritmici piuttosto che da gerarchie oggettive. Nella Affinity Map, per esempio, le persone collocate al centro si percepivano come più valorizzate, come se la centralità indicasse prestigio, anche se la mappa rifletteva affinità e non status formale (Rodighiero 2021). Ciò mostra come la centralità nelle mappe di rete possa essere interpretativa, influenzando il modo in cui le persone vedono sé stesse e gli altri all’interno di una rete.

L’interattività migliora ulteriormente la leggibilità, trasformando visualizzazioni statiche in strumenti dinamici di esplorazione. Come sottolinea Grandjean (2021), funzioni interattive come la selezione dei nodi, il filtraggio dei legami e lo zoom nelle aree dense permettono agli utenti di manipolare direttamente la rete, facendo emergere strutture o relazioni che potrebbero restare nascoste in un layout statico. Questo coinvolgimento pratico sostiene l’apprendimento attivo, richiamando l’idea di Piaget secondo cui la comprensione nasce dalla manipolazione tridimensionale. Consentendo a chi osserva di modificare le prospettive o mettere in evidenza aspetti specifici, le visualizzazioni di rete interattive favoriscono una comprensione più profonda e personale di dati complessi, trasformando le reti in spazi di indagine e scoperta piuttosto che in semplici oggetti di osservazione passiva.

Leggere le reti spazialmente è un po’ come leggere la mappa di una città: così come una piantina stradale ci aiuta a orientarci tra quartieri o punti di riferimento, il pensiero spaziale nelle reti ci permette di esplorare percorsi, prossimità e confini tra i nodi. Come sostiene Latour (2013), le reti non si limitano a rappresentare relazioni; creano spazi di interpretazione in cui il significato emerge attraverso connessioni e distanze. Con lo zoom dentro i cluster possiamo capire perché certi nodi sono vicini; con lo zoom fuori possiamo chiederci perché i cluster appaiono insieme o separati — ogni prospettiva offre una narrazione diversa. Questa lettura è intrinsecamente soggettiva: sebbene possano esistere schemi generali condivisi, ogni esplorazione riflette domande, interessi e tempi individuali. Un coinvolgimento personale e performativo rende la lettura di una rete un atto interpretativo, ma porta con sé anche dei bias: le nostre motivazioni plasmano ciò che vediamo e come comprendiamo la storia spaziale della rete.

Per illustrare queste idee nella pratica, il caso di studio successivo, Surprise Machines, esplora come le visualizzazioni di rete sperimentali attivino il pensiero spaziale e mettano alla prova le nostre aspettative.

Surprise Machines

Surprise Machines (Rodighiero et al. 2022) è un progetto di visualizzazione critica sviluppato per la mostra Curatorial A(i)gents presso gli Harvard Art Museums, ideato per ripensare il modo in cui i visitatori interagiscono con grandi collezioni digitali. Affronta l’estetica delle reti trasformando oltre 200.000 immagini in un’interfaccia visiva dinamica che rivela la scala, spesso invisibile, degli archivi del museo. Piuttosto che limitarsi a presentare dati, il progetto trasforma la visualizzazione di rete in un’esperienza performativa e immersiva, incoraggiando i visitatori a interrogarsi su cosa significhi vedere e comprendere una collezione nella sua interezza. Mappando le immagini in uno spazio bidimensionale basato sulla somiglianza visiva, Surprise Machines unisce scelte estetiche e algoritmi guidati dai dati, creando un’interfaccia al tempo stesso scientificamente rigorosa e artisticamente evocativa. Questo approccio ibrido colloca il progetto all’incrocio tra design, tecnologia e museologia, ampliando ciò che l’estetica delle reti può significare oltre i grafici statici, verso incontri interattivi, incarnati e sorprendenti con i dati culturali.

Il fondamento concettuale di Surprise Machines è quello di mettere in discussione le aspettative tradizionali delle esposizioni museali, utilizzando le reti per generare paesaggi visivi in continuo mutamento. Ispirato all’idea di Alan Turing delle macchine capaci di produrre sorpresa, il progetto assume l’imprevedibilità come principio cardine del design. Invece di mostre fisse curate da esseri umani, propone disposizioni dinamiche in cui i visitatori navigano tra cluster di immagini correlate, incoraggiando l’esplorazione e la scoperta inattesa. Organizzando le immagini attraverso algoritmi di riduzione della dimensionalità come UMAP (McInnes, Healy e Melville 2018), il sistema genera schemi che sfidano la narrazione lineare, spostando l’attenzione dai singoli oggetti artistici alle relazioni che attraversano l’intera collezione. Ciò mette in discussione la visione convenzionale del museo come deposito statico di conoscenze e lo propone invece come spazio fluido di interpretazione personale. Abbracciando volutamente ambiguità e sorpresa, il progetto invita gli spettatori a riflettere su come siano gli algoritmi e le scelte umane a modellare ciò che si vede, offrendo un nuovo paradigma di esperienza museale radicato nel pensiero reticolare.

Nel suo nucleo, Surprise Machines si basa su un processo tecnico sofisticato che combina algoritmi di disposizione con regole visive intenzionali per creare pattern emergenti. Utilizzando strumenti come PixPlot (Duhaime [2017] 2021), il progetto mappa le immagini in base alla loro somiglianza visiva, producendo una sorta di nebulosa reticolare in cui i gruppi si formano in modo organico. Questo approccio computazionale si discosta dai tradizionali layout force-directed collocando le immagini in uno spazio definito dalle loro caratteristiche estetiche, permettendo così la formazione di configurazioni inattese. Le regole visive guidano ulteriormente l’esperienza: le anteprime delle immagini sono distanziate per evitare sovrapposizioni, i gruppi mantengono coerenza e le transizioni dello zoom sono rese fluide per favorire l’esplorazione. Queste regole assicurano che, pur essendo determinata algoritmicamente, la disposizione resti navigabile e coinvolgente. Il risultato è la comparsa di relazioni sorprendenti all’interno della collezione — come raggruppamenti imprevisti di ritratti o materiali — che trasformano il dataset in un ricco paesaggio visivo, resistente a un’interpretazione lineare.

Il progetto mette in primo piano l’agency interpretativa dello spettatore, ponendo l’esplorazione come elemento centrale dell’alfabetizzazione delle reti. A differenza delle visualizzazioni tradizionali, che prescrivono una narrazione, invita i visitatori a compiere le proprie letture, decidendo dove fare zoom, quali cluster indagare e quali schemi seguire. Questo modello partecipativo si accorda con l’idea che l’alfabetizzazione visiva non implichi soltanto il riconoscimento degli schemi, ma anche la messa in discussione critica dei processi e delle scelte dietro ciò che viene reso visibile. Trasformando la navigazione stessa in una forma di produzione di significato, Surprise Machines dà potere ai visitatori di costruire interpretazioni personali, riconoscendo che ogni atto del vedere è plasmato da curiosità, esperienze e contesto individuali. Questo approccio democratizza l’accesso a collezioni complesse, incoraggiando un coinvolgimento più profondo e incontri riflessivi con i dati e il design. Così facendo, sfida il consumo passivo dell’informazione e promuove un atteggiamento attivo e interrogativo al cuore dell’alfabetizzazione visiva.

Infine, Surprise Machines unisce decisioni spaziali e di design in un modo che mette in evidenza la dimensione ludica e performativa dell’alfabetizzazione delle reti. Catturando i gesti dei visitatori per interagire con la visualizzazione — attraverso un’interfaccia coreografica — il progetto fonde esplorazione fisica e navigazione digitale. Questo coinvolgimento spaziale trasforma la lettura di una rete in una sorta di danza, in cui ogni movimento ridisegna il campo visivo e apre nuove interpretazioni. Le scelte di design, dagli algoritmi di clustering alle transizioni interattive, incoraggiano sperimentazione e sorpresa, sottolineando che le reti non sono mappe statiche ma spazi in evoluzione che rispondono alle azioni degli osservatori. Questo aspetto performativo incarna il nucleo dell’alfabetizzazione delle reti: comprendere che il significato nelle reti nasce non solo dai dati e dal design, ma anche da come gli utenti attraversano, manipolano e interpretano queste strutture complesse. Surprise Machines si presenta così come una testimonianza di come un design spaziale e interattivo consapevole possa trasformare le visualizzazioni di rete in esperienze immersive e interpretative.

Conclusioni

Questo testo ha esplorato tre dimensioni chiave dell’alfabetizzazione delle reti: il design, il pensiero spaziale e l’interpretazione critica. Il design mostra come le scelte nella preparazione dei dati, nei layout e nelle convenzioni visive plasmino ciò che le reti comunicano. Il pensiero spaziale mette in luce come le reti funzionino come immaginari spaziali, rivelando schemi, cluster e relazioni che altrimenti rimarrebbero nascosti. L’interpretazione critica sottolinea il ruolo del designer nel guidare il pubblico attraverso queste strutture, ricordandoci che ogni decisione inquadra ciò che diventa visibile. Insieme, queste prospettive definiscono l’alfabetizzazione delle reti come una competenza trasversale che attraversa la comunicazione visiva, le digital humanities e il data journalism.

Uno degli sviluppi più recenti in questo panorama è l’uso dell’intelligenza artificiale per ampliare il modo in cui le reti vengono prodotte e lette. I modelli linguistici possono ora etichettare automaticamente i cluster, traducendo strutture relazionali dense in categorie più interpretabili (Ficozzi et al. 2025). Questo apre possibilità di interpretazione multi-scala, in cui diversi livelli di zoom rivelano etichette adattate alla granularità della visualizzazione. Il progetto Toponymy di McInnes illustra bene questo approccio: incorpora semantiche contestuali nel clustering, permettendo un’annotazione gerarchica che si adatta dinamicamente mentre gli utenti passano da panoramiche globali a dettagli locali (McInnes 2025). Insieme, queste tecniche riconfigurano l’equilibrio tra interpretazione umana e annotazione automatica: se da un lato offrono nuovi modi per estendere l’analisi su vasti corpora, dall’altro sollevano interrogativi su quali tipi di significato vengano introdotti, oscurati o distorti attraverso l’etichettatura algoritmica (Munk et al. 2024).

Coltivare l’alfabetizzazione delle reti, dunque, non significa soltanto imparare a progettare o leggere reti, ma anche lavorare criticamente con l’intelligenza artificiale come collaboratore nella produzione di significato. Per i designer, questo implica compiere scelte informate e creative restando attenti alle conseguenze epistemiche ed etiche dell’interpretazione automatizzata. Così come la lettura del codice trasformò un tempo l’alfabetizzazione culturale, imparare a leggere e a mettere in discussione le reti arricchite dall’IA potrebbe diventare una competenza altrettanto trasformativa per la nostra epoca. La sfida che ci attende è integrare questi strumenti senza cancellare l’interpretazione umana, assicurando che le reti restino spazi di dialogo tra intuizione computazionale e immaginazione umana.

Bibliografia

• Barabási, Albert-László. 2002. Linked: The New Science of Networks. Cambridge, MA: Perseus Pub.
• Barabási, Albert-László, Mónica Bello, Julia Kluge-Fabényi, et al. 2020. Hidden Patterns: Visualizing Networks at BarabásiLab. A cura di Alanna Stang e Peter Weibel. Berlino: Hatje Cantz Verlag.
• Bastian, Mathieu, Sebastien Heymann e Mathieu Jacomy. 2009. “Gephi: An Open Source Software for Exploring and Manipulating Networks.” Proceedings of the Third International ICWSM Conference.
• Blasius, Jörg e Andreas Schmitz. 2014. “Empirical Construction of Bourdieu’s Social Space.” In Visualization and Verbalization of Data, a cura di Jörg Blasius e Michael Greenacre. Boca Raton: CRC Press.
• Bostock, Michael. 2017. “A Better Way to Code.” Medium, 28 aprile. medium.com/@mbostock/a-better-way-to-code-2b1d2876a3a0.
• Bostock, Michael, Vadim Ogievetsky e Jeffrey Heer. 2011. “D3: Data-Driven Documents.” IEEE Transactions on Visualization and Computer Graphics 17 (12): 2301–9. doi:10.1109/TVCG.2011.185.
• Boullier, Dominique. 2018. “Médialab Stories: How to Align Actor Network Theory and Digital Methods.” Big Data & Society 5 (2). doi:10/gfpmxh.
• Bourdieu, Pierre. (1979) 1984. Distinction: A Social Critique of the Judgement of Taste. Cambridge, MA: Harvard University Press.
• D’Ignazio, Catherine. 2017. “Creative Data Literacy: Bridging the Gap between the Data-Haves and Data-Have Nots.” Information Design Journal 23 (1): 6–18. doi:10.1075/idj.23.1.03dig.
• Dondis, Donis A. (1973) 1975. A Primer of Visual Literacy. Cambridge, MA: MIT Press.
• Duhaime, Douglas. (2017) 2021. PixPlot. Yale Digital Humanities Lab. github.com/YaleDHLab/pix-plot.
• Eco, Umberto. 2009. Vertigine della lista. Milano: Bompiani.
• Euler, Leonhard. 1953. “Leonhard Euler and the Koenigsberg Bridges.” Scientific American 189 (1): 66–72. jstor.org/stable/24944279.
• Ficozzi, Matilde, Mathieu Jacomy, Dario Rodighiero, Anne Beaulieu e Anders Kristian Munk. 2025. “Grounding AI Map: The Consequences of Living with the Trouble of an Irreductionist Map.” Design et Abstractions, Revue Design Arts Medias, giugno. journal.dampress.org/issues/design-et-abstractions/grounding-ai-map.
• Grandjean, Martin. 2014. “La connaissance est un réseau.” Les Cahiers du Numérique 10 (3): 37–54. doi:10.3166/lcn.10.3.37-54.
• ———. 2015. “GEPHI – Introduction to Network Analysis and Visualization.” martingrandjean.ch. martingrandjean.ch/gephi-introduction.
• ———. 2021. “Introduction to Social Network Analysis.” Paper presentato alla HNR+ResHist Conference, 30 giugno. halshs.archives-ouvertes.fr/halshs-03351755.
• Gray, Jonathan, Carolin Gerlitz e Liliana Bounegru. 2018. “Data Infrastructure Literacy.” Big Data & Society 5 (2). doi:10.1177/2053951718786316.
• Harman, Graham. 2009. Prince of Networks: Bruno Latour and Metaphysics. Melbourne: Re.press.
• Hobbs, Robert Carleton. 2004. Mark Lombardi: Global Networks. New York: Independent Curators International.
• Jacomy, Mathieu, Tommaso Venturini, Sebastien Heymann e Mathieu Bastian. 2014. “ForceAtlas2, a Continuous Graph Layout Algorithm for Handy Network Visualization Designed for the Gephi Software.” PLoS ONE 9 (6). doi:10.1371/journal.pone.0098679.
• Latour, Bruno. 2005. Reassembling the Social: An Introduction to Actor-Network-Theory. Oxford: Oxford University Press.
• ———. 2013. An Inquiry into Modes of Existence: An Anthropology of the Moderns. Cambridge, MA: Harvard University Press.
• Lazer, David M. J., Alex Pentland, Lada Adamic, et al. 2009. “Computational Social Science.” Science 323 (5915): 721–23. doi:10.1126/science.1167742.
• Lévy, Jacques, Ogier Maitre e Thibault Romany. 2016. “Rebattre les cartes.” Réseaux 195 (1): 17. doi:10/ghqdk7.
• Lima, Manuel. 2011. Visual Complexity: Mapping Patterns of Information. New York: Princeton Architectural Press.
• Löwgren, Jonas e Erik Stolterman. 2004. Thoughtful Interaction Design. Cambridge, MA: MIT Press.
• Maaten, Laurens van der e Geoffrey Hinton. 2008. “Visualizing Data Using T-SNE.” Journal of Machine Learning Research 9 (86): 2579–605. jmlr.org/papers/v9/vandermaaten08a.html.
• Manovich, Lev. 2018. “Can We Think Without Categories?” Digital Culture & Society 4 (1): 17–27. doi:10/gjt7qq.
• Marres, Noortje. 2017. Digital Sociology: The Reinvention of Social Research. Cambridge: Polity.
• McInnes, Leland. 2025. “Toponymy.” GitHub. github.com/TutteInstitute/toponymy.
• McInnes, Leland, John Healy e James Melville. 2018. “UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction.” arXiv. doi:10.48550/arXiv.1802.03426.
• Moreno, Jacob L. 1934. Who Shall Survive? Washington, DC: Nervous and Mental Disease Publishing Co.
• Munk, Anders Kristian, Mathieu Jacomy, Matilde Ficozzi e Torben Elgaard Jensen. 2024. “Beyond Artificial Intelligence Controversies.” Big Data & Society 11 (3). doi:10.1177/20539517241255107.
• Noichl, Maximilian. 2019. “Modeling the Structure of Recent Philosophy.” Synthese. doi:10/ghp7f4.
• Ricci, Donato, Robin De Mourat, Christophe Leclercq e Bruno Latour. 2017. “Clues. Anomalies. Understanding.” In Designing Interactive Hypermedia Systems, a cura di Everardo Reyes-Garcia e Nasreddine Bouhaï. Hoboken, NJ: John Wiley & Sons. doi:10.1002/9781119388272.ch6.
• Rodighiero, Dario. 2021. Mapping Affinities: Democratizing Data Visualization. Métis Presses. doi:10.37866/0563-99-9.
• Rodighiero, Dario e Jean Daniélou. 2023. “Weather Map: A Diachronic Visual Model for Controversy Mapping.” In Zoomland: Exploring Scale in Digital History and Humanities, a cura di Florentina Armaselu e Andreas Fickers. Berlino: De Gruyter. doi:10.1515/9783111317779-017.
• Rodighiero, Dario, Lins Derry, Douglas Duhaime, et al. 2022. “Surprise Machines: Revealing Harvard Art Museums’ Image Collection.” Information Design Journal 27 (1): 21–34. doi:10.1075/idj.22013.rod.
• Rodighiero, Dario, Philippe Rivière e Sarah Kenderdine. 2024. “Super-Vision: Tracing EPFL History through 8,000 Doctoral Theses.” Journal of Digital History 3 (1). doi:10.1515/JDH-2023-0004.
• Rodighiero, Dario, Eveline Wandl-Vogt, Elian Carsenat, et al. 2022. “Immersive Architectures for Visual Data Literacy.” Information Design Journal 27 (3): 295–308. doi:10.1075/idj.22016.rod.
• Romele, Alberto e Dario Rodighiero. 2020. “Digital Habitus or Personalization without Personality.” HUMANA.MENTE Journal of Philosophical Studies 13 (37): 98–126. doi:10.5281/zenodo.3950030.
• Sachs, Horst, Michael Stiebitz e Robin J. Wilson. 1988. “An Historical Note: Euler’s Königsberg Letters.” Journal of Graph Theory 12 (1): 133–39. doi:10.1002/jgt.3190120114.
• Scott, John. 2000. Social Network Analysis: A Handbook. 2ª ed. Londra: SAGE Publications.
• Shields, Rob. 2012. “Cultural Topology: The Seven Bridges of Königsburg, 1736.” Theory, Culture & Society 29 (4–5): 43–57. doi:10.1177/0263276412451161.
• Venturini, Tommaso, Mathieu Jacomy, Axel Meunier e Bruno Latour. 2017. “An Unexpected Journey: A Few Lessons from Sciences Po Médialab’s Experience.” Big Data & Society 4 (2). doi:10/gf7tk2.
• Venturini, Tommaso, Anders Kristian Munk e Mathieu Jacomy. 2019. “Actor-Network vs Network Analysis vs Digital Networks.” In DigitalSTS: A Field Guide for Science & Technology Studies, a cura di Janet Vertesi e David Ribes. Princeton, NJ: Princeton University Press.
• Venturini, Tommaso, Mathieu Jacomy e Pablo Jensen. 2021. “What Do We See When We Look at Networks.” Big Data & Society 8 (1). doi:10.1177/20539517211018488.
• Windhager, Florian, Saminu Salisu, Roger A. Leite, Velitchko Filipov e Silvia Miksch. 2020. “Many Views Are Not Enough.” IEEE Computer Graphics and Applications, 58–71.