�ݺ�ߣ

Obiettivo

Scenario

Dati

Webmining

Caso di studio

Conclusioni e futuri sviluppi

Riferimenti bibliografici

Il femminicidio in Italia nell’ultimo decennio:
dimensioni, caratteristiche e profili di rischio
Iezzi Domenica Fioredistella - email:
stella.iezzi@uniroma2.it
−

Iezzi Domenica Fioredistella - email: stella.iezzi@uniroma2.it
Il femminicidio in Italia nell’ultimo decennio: dimensioni, caratteristiche e profili di rischio

Milano - 15 ottobre 2013

Obiettivo

Scenario

Dati

Webmining

Caso di studio



Outline
1
2

3

4
5

6
7

Obiettivo
Scenario
deﬁnizione
Fonti statistiche
Dati
femminicidi nel mondo
femminicidi in Italia
Webmining
Schemi di ponderazione
Caso di studio
dati
metodo



Obiettivo

Scenario

Dati

Webmining

Caso di studio



esaminare i dati, le fonti e le metodologie adottate a livello
mondiale per raccogliere informazioni sulla violenza contro
le donne;
descrivere i femminicidi avvenuti in Italia nell’ultimo
decennio;
illustrare alcuni metodi di web-mining per raccogliere e
analizzare dati non strutturati provenienti dal web
analizzare alcuni problemi metodologici e interpretativi
legati al fenomeno del femmincidio
1) costruzione della matrice dei pesi;
2) algoritmi utilizzati in un processo di text clustering.



Obiettivo

Scenario

Dati

Webmining

Caso di studio



definizione

Il femminicidio o femicidio?

Il femminicidio e’ qualsiasi forma di violenza esercitata
sistematicamente sulle donne in nome di una sovrastruttura
ideologica di matrice patriarcale, allo scopo di perpetuarne la
subordinazione e di annientarne l’identita’ attraverso
l’assoggettamento fisico o psicologico, fino alla schivitu’ o alla
morte. Prop. Uccisione di una donna o di una ragazza.
data: 2006. (Fonte: Devoto-Oli, 2013)



Obiettivo

Scenario

Dati

Webmining

Caso di studio



deﬁnizione

1.png
Figure : Google Books Ngram Viewer - English corpus from 1800 to
2013


Obiettivo

Scenario

Dati

Webmining

Caso di studio



definizione

La violenza contro le donne e’ un problema globale che
attraversa le frontiere culturali, geografiche, religiose,
sociali ed economiche di tutti i paesi del mondo,
provocando innumerevoli problemi fisici e mentali alle
donne e alla loro prole. Il femminicidio e’ la punta di questo
iceberg di violenze, perpetrate soprattutto da partner ed
ex-partner.
In Italia, il 31,9% delle donne, con un’eta’ compresa tra
16-70 anni, ha avuto un’esperienza di violenza fisica o
sessuale durante la propria vita, il 23,0% ha subito
violenze sessuali, 18,8% solo violenze fisiche e il 4,8%
stupri o tentati stupri (ISTAT, 2007).
Dal 2000 al 2012, nel nostro paese, ci sono stati 2.220
femicidi, di cui 1.570 in ambito domestico (EURES, 2012).


Obiettivo

Scenario

Dati

Webmining

Caso di studio



definizione

Convenzione di Istanbul (Maggio, 2011) - articolo 1
proteggere le donne da ogni forma di violenza e prevenire,
perseguire ed eliminare violenza contro le donne e la
violenza domestica;
contribuire ad eliminare ogni forma di discriminazione
contro le donne e promuovere la concreta parita’ tra i
sessi, ivi compreso rafforzando l’autonomia e
l’autodeterminazione delle donne;
promuovere la cooperazione internazionale al fine di
eliminare la violenza contro le donne e la violenza
domestica;
sostenere e assistere le organizzazioni e
autorita’incaricate dell’applicazione della legge in modo
che possano collaborare efficacemente, al fine di adottare
un approccio integrato per l’eliminazione della violenza
contro le donne e ivi la violenza domestica.


Obiettivo

Scenario

Dati

Webmining

Caso di studio



definizione

il decreto su femminicidio in Italia e’ composto da 11 articoli. I
punti piu’ significativi sono:
diventa rilevante, sotto il profilo penale, la relazione tra due
persone a prescindere da convivenze o vincolo
matrimoniale (attuale o pregresso);
Se si e’ in presenza di minacce ripetute la querela diventa
irrevocabile. Resta revocabile negli altri casi, ma solo in
sede processuale;
Nei casi piu’ gravi si puo’ applicare l’allontanamento dalla
casa familiare e il divieto di avvicinamento ai luoghi
frequentati dalla persona offesa;
Chi e’ allontanato dalla casa familiare puo’ essere
controllato con il braccialetto elettronico: nel caso di atti
persecutori si possono usare le intercettazioni.


Obiettivo

Scenario

Dati

Webmining

Caso di studio



deﬁnizione

Delitti contro la persona denunciati dalle forze di polizia
all’autorita’ giudiziaria in base al sesso - anno 2010

tipo
omicidi volontari
violenze sessuali
stalking
lesioni dolose
percosse
minacce
ingiurie

totale vittime (VA)
530
3981
6598
57716
14544
76708
59421

vittime donne (VA e %)
158 (29,8)
3601 (90,5)
5110 (77,4)
23406 (40,6)
7030 (48,3)
34810 (45,4)
31806 (53,5)

Fonte: Elaborazioni su dati ISTAT e EURES per gli omicidi
volontari


Obiettivo

Scenario

Dati

Webmining

Caso di studio



deﬁnizione

Delitti contro la persona denunciati dalle forze di polizia
all’autorita’ giudiziaria in base all’autore - anno 2010
tipo
Omicidi volontari
Violenze sessuali
stalking
lesioni dolose
percosse
minacce
ingiurie

totale vittime (VA)
530
3981
6598
57716
14544
76708
59421

%autori uomini
89,5
98,0
85,7
83,5
75,1
78,7
65,5

volontari


Obiettivo

Scenario

Dati

Webmining

Caso di studio



deﬁnizione

Donne vittime di alcuni reati in base alla nazionalita’ - anno
2010
tipo
Omicidi volontari
Violenze sessuali
stalking
lesioni dolose
percosse
minacce
ingiurie

vittime italiane
VA
127
2395
4239
17844
5345
29052
27260

vittime straniere
VA
31
1206
871
5562
1685
5758
4546

volontari


Obiettivo

Scenario

Dati

Webmining

Caso di studio



Fonti statistiche

ISTAT- Rilevazione sulle cause di morte
- Numero di decessi per causa di morte, sesso, eta’ e
residenza, in particolare la voce "Omicidio e aggressioni".
- Rilevazione annuale - Ultimi dati 2013 (rif. 2010)
DB EURES sull’Omicidio Volontario in Italia
- raccoglie e classiﬁca tutti gli episodi di omicidio volontario
avvenuti in Italia
- Oltre 18.000 casi dal 1990 ad oggi
- 219 variabili (141 relative alla vittima e 78 all’autore)
- I dati NON sono pubblici
Centro Antiviolenza Casa delle donne per non subire
violenza di Bologna dal 2008 al 2011



Obiettivo

Scenario

Dati

Webmining

Caso di studio



Alla forte attrazione mediatica si accompagna un rischio di
inadeguata scientificita’ nei criteri utilizzati per raccogliere,
selezionare e classificare gli eventi osservati, inoltre,
l’autoproduzione di statistiche, non soggette ad alcuna verifica,
sta producendo molta confusione.



Obiettivo

Scenario

Dati

Webmining

Caso di studio




Figure : Rates of female homicide victims per 100,000 female
population, 2004 − 2009


Obiettivo

Scenario

Dati

Webmining

Caso di studio




Figure : Proportion of women experiencing intimate partner physical
violence at least once in their lifetime and in the last 12 months.
19952006
1
1
WHO, 2010


Obiettivo

Scenario

Dati

Webmining

Caso di studio




Figure : Femicide no., and prevalence rate per million women in UE
(27 countries)
2

2
Fonte: Iezzi, decennio:
Il femminicidio in Italia nell’ultimo 2013 dimensioni, caratteristiche e proﬁli di rischio


Obiettivo

Scenario

Dati

Webmining

Caso di studio




Figure : Violence against Women Prevalence Data: extracted from
surveys by Country Compiled by UN Women (as of March 2011)


Obiettivo

Scenario

Dati

Webmining

Caso di studio




Figure : Femminicidi in Italia 2000 − 2012

Fonte: Elaborazioni su DB EURES (2013)


Obiettivo

Scenario

Dati

Webmining

Caso di studio




Figure : Femminicidi in Italia - indice per mln di donne 2000 − 2012



Obiettivo

Scenario

Dati

Webmining

Caso di studio




Distribuzione del femminicidio in Italia per ambito - 2000 − 2012
tipo
famiglia
criminalita’
criminalita’ comune/occasionale
criminalita’ organizzata
altre relazioni di prossimita’
omicidio tra conoscenti/intragruppo
abitazione/vicinato
lavoro/rapporti economici
altro
serial killer/omicidio psicopatici
sette religiose/sataniche
non rilevato

VA
1570
315
274
41
174
91
54
34
28
26
2
128

%
70,7
14,2
12,3
1,8
8,1
4,1
2,4
1,5
1,3
1,2
0,1
5,8

Fonte: Elaborazioni su dati ISTAT e EURES per gli omicidi- 15 ottobre 2013
Milano
volontari

Obiettivo

Scenario

Dati

Webmining

Caso di studio




Figure : Autori dei femminicidi in ambito familiare

Fonte: Iezzi (2013)


Obiettivo

Scenario

Dati

Webmining

Caso di studio





Figure : Distribuzione regionale dei femminicidi



Obiettivo

Scenario

Dati

Webmining

Caso di studio




Figure : Eta’ vittima e autore

Fonte: Iezzi (2013)



Obiettivo

Scenario

Dati

Webmining

Caso di studio




Figure : Femminicidi in ambito familiare: motivazioni

Fonte: Iezzi (2013)



Obiettivo

Scenario

Dati

Webmining

Caso di studio




Figure : Femminicidi in ambito familiare: arma del delitto

Fonte: Iezzi (2013)



Obiettivo

Scenario

Dati

Webmining

Caso di studio




Figure : Femminicidi in ambito familiare: luogo del delitto

Fonte: Iezzi (2013)


Obiettivo

Scenario

Dati

Webmining

Caso di studio




Figure : Femminicidi in ambito familiare: ampiezza del comune in cui
avviene il delitto (%)

Fonte: Iezzi (2013)




Obiettivo

Scenario

Dati

Webmining

Caso di studio




Figure : Femminicidi in ambito familiare: ampiezza del comune in cui
avviene il delitto (pr)

Fonte: Iezzi (2013)




Obiettivo

Scenario

Dati

Webmining

Caso di studio




Figure : Nazionalita’ della vittima, valori % 2000 − 2012

Fonte: Iezzi (2013)



Obiettivo

Scenario

Dati

Webmining

Caso di studio




Figure : Nazionalita’ della vittima, indice per mln di donne residenti
2000 − 2012

Fonte: Iezzi (2013)




Obiettivo

Scenario

Dati

Webmining

Caso di studio




Figure : Omicidi di coppia in base alla relazione tra vittima e autore al
momento dellâomicidio Anni 2000-2011 â Valori percentuali

Fonte: Iezzi (2013)



Obiettivo

Scenario

Dati

Webmining

Caso di studio




Figure : Soggetto che ha deciso di separarsi

Fonte: Iezzi (2013)




Obiettivo

Scenario

Dati

Webmining

Caso di studio




Figure : Tempo separazione-femminicidio

Fonte: Iezzi (2013)


Obiettivo

Scenario

Dati

Webmining

Caso di studio



Perche’ il webmining?
le fonti disponibili presentano molti dati mancanti;
raccogliere nuovi dati ad integrazione delle informazioni
esistenti;
costruire un vocabolario del linguaggio speciﬁco.
...



Obiettivo

Scenario

Dati

Webmining

Caso di studio



Strategia di analisi
1

Fase di acquisizione dei testi:
Reperimento: Web crawling, internet, basi documentali)
Formattazione: trasformazione in XLM; riconoscimento di differenti tipi di Digital encoding: Latin 1, UTF-8, ...
Archiviazione: costituzione del corpus di testi o del document warehouse

2

Fase di NLP (trattamento del linguaggio naturale):
Riconoscere termini (uso di dizionari e basi di conoscenza/reti semantiche)
Effettuare stemming (con attribuzione delle parti del discorso: sostantivi, aggettivi, verbi, avverbi)
Costruire risorse speciﬁche personalizzate
Normalizzare graﬁe di numeri, nomi e sigle
Individuare classi di parole chiave
Misurare concetti mediante estrazione di entita’ e loro relazioni

3

Text mining:
Text clustering di testi per similarita’ del vocabolario
Estrazione di informazione



Obiettivo

Scenario

Dati

Webmining

Caso di studio



Figure : Le fasi di un processo di TM e Web Mining



Obiettivo

Scenario

Dati

Webmining

Caso di studio




Ciascun documento j puo’ essere rappresentato da un vettore
di termini pesati, selezionati in maniera opportuna, che assume
la seguente forma:
dj = (w1j , w2j , .., wij , ..., wkj )
,
dove wij rappresenta il peso per il termine ti , appartenente al
documentot dj . bb
Dall’unione di questi vettori, otteniamo la matrice D termini per
documenti (tdm):


w11 w12 ... w1n
 w21 w2,2 ... w2n 


 ...
... ... ... 


 wi1 wi2 ... win 


 ...
... ... ... 
wk 1

wk 2

... wkn



Obiettivo

Scenario

Dati

Webmining

Caso di studio




1) Schema booleano, dove wij assume valore 1 se il termine e’
presente nel documento j e 0 altrimenti:
wij =

1
0

if nij > 0
if nij = 0

dove nij e’ il numero di documenti di in cui il termine j occorre.
2) Term frequency scheme (TF): dove wij e’ la frequenza della
parola i nel documento j e nij , frequenza assoluta della parola i
nel documento j. Questo schema e’ noto come "bag-of-words
(BoW)".



Obiettivo

Scenario

Dati

Webmining

Caso di studio




3)Normalized frequency scheme (NTF):
wij =

tfij
maxtf ij

dove tf − ij la frequenza del termine i nel documento j e’ posta
pari al massimo della frequenza maxtf ij della parola i nel
documento j.
4) TFIDF (term frequency inverse document frequency):
wij = NTFxlog

N
ni

dove N e’ il numero totale di documenti e ni e’ il numero di
documenti in cui la parola i appare.


Obiettivo

Scenario

Dati

Webmining

Caso di studio




Il corpus come un network.
Table : Term Document Matrix or Afﬁliation Matrix of twenty-four
words and seven texts

word/text
word1

text1
1

text2
1

text3
0

text4
1

text5
0

text6
0

text7
0

word2

1

0

0

0

1

1

1

...

...

...

...

...

...

...

...

word24

0

0

0

0

0

0

1



Obiettivo

Scenario

Dati

Webmining

Caso di studio




Figure : Grafo bipartito parole-documenti

Fonte: Iezzi (2012)



Obiettivo

Scenario

Dati

Webmining

Caso di studio




Figure : Grafo one-mode parole e testi

Fonte: Iezzi (2012)



Obiettivo

Scenario

Dati

Webmining

Caso di studio




Basic k-means algorithm
1

repeat

3

form k clusters by assigning each
point to its closest centroid;

4

recompute the centroid of each
cluster.

5

bb

Select k point as initial centroids;

2

until centroids do not change

bb

Basic k-medoids algorithm
1

Select k data point as initial medoids;

2

repeat

3

form k clusters by assigning each
point to its closest medoid;

4

see if any other point is a ’better’
medoid.

5

until medoids do not change



Obiettivo

Scenario

Dati

Webmining

Caso di studio




Fuzzy c-means
Questo algoritmo si basa sulla minimizzazione della seguente
funzione obiettivo:
n

c
m
uij xi − ci

cM =

2

i=1 j=1

dove m e’ qualunque numero reale maggiore di 1, uij e’ il grado
di appartenenza di xi al cluster ci



Obiettivo

Scenario

Dati

Webmining

Caso di studio



dati

1000 annunci ANSA, pubblicati dal 2000 al 2012 su casi di
femminicidio



Obiettivo

Scenario

Dati

Webmining

Caso di studio



metodo

Method
M1
M2
M3
M4

Step n.1
BOW
TFiDF
BOW
TFiDF

Step n.2
LCA
PCA
Non metric MDS
MDS

Step n. 3
Hierarchical, PAM, k-means



Obiettivo

Scenario

Dati

Webmining

Caso di studio



metodo

Figure : Risultati della validazione interna da 2 a 6 gruppi

Iezzi, 2013â



Obiettivo

Scenario

Dati

Webmining

Caso di studio



metodo

Figure : ACL annunci ANSA

Iezzi, 2013â



Obiettivo

Scenario

Dati

Webmining

Caso di studio



Le modiﬁche apportate al sistema di ponderazione e agli
algoritmi evidenziano un miglioramento dei risultati.
La sperimentazione e’ stata accompagnata dalla
preparazione di programmi implementati sul software R.
E’ in corso una collaborazione scientiﬁca tra un gruppo di
ricercatori dell’Universita’ di Parigi 3 - Sorbonne Nouvelle per sviluppare nuovi algoritmi per il text clustering da
implementare in Lexico 3 e R.



Obiettivo

Scenario

Dati

Webmining

Caso di studio



IEZZI D.F. (2010). Intimate femicide in Italy: a model to classify
how killings happened. In: PALUMBO F., LAURO C. N.,
GREENACRE M. J.. Data Analysis and Classification. p.
85-92, BERLIN: Springer-Verlag, ISBN/ISSN:
978-3-642-03738-2, doi: 10.1007/978-3-642-03739-9.
IEZZI D.F. (2010). Topic connections and clustering in text
mining: an analysis of the JADT network. In: Statistical
Analysis of Textual Data. vol. 2, p. 719-730, MILANO:Casa
Editrice LED.
IEZZI D.F., MASTRANGELO M, SARLO S (2011). A text
classification method to measure distance between graduate
profiles and labour market offers. In: CLASSIFICATION AND
DATA ANALYSIS. PAVIA
IEZZI D.F. (2012). Centrality measures for text clustering.
COMMUNICATIONS IN STATISTICS. THEORY AND
METHODS, vol. 41, p. 3179-3197.


Obiettivo

Scenario

Dati

Webmining

Caso di studio



IEZZI D.F. (2012). A new method for adapting the k -means
algorithm to text mining. Statistica Applicata Italian Journal of
Applied Statistics, Vol 22(1):. 69-80.
IEZZI D.F., MASTRANGELO M. (2012). Fuzzy c-means for web
mining: the Italian tourist forum case. In: Analysis and
Modeling of complex data in behavioural and Social Science.
Anacapri (NA) - ITALY, September 3-4, 2012, PADOVA:CLEUP.
IEZZI D.F., MASTRANGELO M., SARLO S. (2012). Text
clustering based on centrality measures: an application on job
advertisements. In: 11es Journees Internationales d’analyse
statistique des donnes textuelles. Liegi (B), 13-15 giugno 2012,
p. 515-524.
IEZZI D.F., MASTRANGELO M. (2012). IL PASSAPAROLA
DIGITALE NEI FORUM DI VIAGGIO: MAPPE ESPLORATIVE
PER L’ANALISI DEI CONTENUTI. RIVISTA ITALIANA DI
ECONOMIA, DEMOGRAFIA E STATISTICA.


Obiettivo

Scenario

Dati

Webmining

Caso di studio



IEZZI D.F., DERIU F. (2013). Women active citizenship and
wellbeing: the Italian case. QUALITY AND QUANTITY, Vol. 47,
p.1-18 ISSN: 0033-5177, doi: 10.1007/s11135-012-9806-0
IEZZI D.F. (IN PRESS) RIVISTA ITALIANA DI ECONOMIA,
DEMOGRAFIA E STATISTICA.



Obiettivo

Scenario

Dati

Webmining

Caso di studio



EURES. 2013. L’omicidio volontario in Italia - Rapporto EURES
2013, Roma: EURES
ISTAT, 2013. Rapporto Annuale, Roma: ISTAT
ISTAT. 2007, Violenza e maltrattamenti contro le donne dentro
e fuori la famiglia, Comunicato stampa, Roma: ISTAT
ISTAT. 2012. Delitti denunciati dalle Forze di polizia allâAutorita’
giudiziaria. Annuario statistico italiano Roma: ISTAT
ISTAT. 2013. Rapporto annuale 2013. Roma: ISTAT.
WORLD HEALTH ORGANIZATION. 2010. Preventing intimate
partner and sexual violence against women Taking action and
generating evidence, Geneva: WHO.



�ݺ�ߣ

Il femminicidio in Italia nell’ultimo decennio: dimensioni, caratteristiche e profili di rischio

More Related Content

Il femminicidio in Italia nell’ultimo decennio: dimensioni, caratteristiche e profili di rischio