Appunti esplorativi sull’export SoSciSurvey del 2026-04-22. Compila con File -> Compile Report (Ctrl+Shift+K). Il codice e’ nascosto di default: tasto Code in alto per vederlo.

1 Caricamento e pulizia

Tre file in input:

  • data_*.xlsx - dati grezzi
  • codebook_*.xlsx - etichette di valore
  • variables_*.csv - descrizione variabili (UTF-16)

La prima riga del foglio dati ripete le etichette: si scarta.

f_data     <- "data_Equityesplorativo_2026-04-22_19-25.xlsx"
f_codebook <- "codebook_Equityesplorativo_2026-04-22_19-25.xlsx"
f_vars     <- "variables_Equityesplorativo_2026-04-22_19-25.csv"

raw       <- read_excel(f_data, sheet = 1, col_types = "text")
dati      <- raw[-1, ]
codebook  <- read_excel(f_codebook, sheet = 1)
variables <- read_tsv(f_vars, locale = locale(encoding = "UTF-16LE"),
                      show_col_types = FALSE)

tibble::tibble(n_record = nrow(dati), n_variabili = ncol(dati)) |> kable()
n_record n_variabili
137 53

1.1 Tipi e mancanti

  • numeriche -> as.numeric
  • -9 (“Not answered” di SoSciSurvey) -> NA
  • date con parser robusto: formati non standard diventano NA, non crasha
num_vars <- c("CASE","FA02","FI01","NE01","OR02","SD01",
              "SD02_01","SD02_02","SD02_03","SD02_04","SD02_05","SD02_06",
              "PR02_01","SD03_01","SD04","SD05","SD06","SD07","SD08",
              paste0("TIME00", 1:7), "TIME_SUM",
              "LASTPAGE","MAXPAGE","MISSING","MISSREL","TIME_RSI",
              "FINISHED","Q_VIEWER")
num_vars <- intersect(num_vars, names(dati))
dati[num_vars] <- lapply(dati[num_vars], function(x) suppressWarnings(as.numeric(x)))

parse_dt <- function(x) {
  x <- trimws(as.character(x)); x[x %in% c("", "NA")] <- NA_character_
  out <- suppressWarnings(as.POSIXct(x, format = "%Y-%m-%d %H:%M:%S", tz = "Europe/Rome"))
  miss <- is.na(out) & !is.na(x)
  if (any(miss)) out[miss] <- suppressWarnings(as.POSIXct(x[miss], format = "%Y-%m-%d %H:%M", tz = "Europe/Rome"))
  out
}
if ("STARTED"  %in% names(dati)) dati$STARTED  <- parse_dt(dati$STARTED)
if ("LASTDATA" %in% names(dati)) dati$LASTDATA <- parse_dt(dati$LASTDATA)

dati <- dati |> mutate(across(all_of(num_vars), ~ ifelse(.x == -9, NA_real_, .x)))

1.2 Etichette dal codebook

Ogni variabile categoriale prende una copia *_lab con le etichette testuali. Codici non numerici vengono saltati.

label_map <- codebook |>
  filter(!is.na(`Response Code`)) |>
  transmute(var = Variable,
            code = suppressWarnings(as.numeric(`Response Code`)),
            label = `Response Label`) |>
  filter(!is.na(code), !is.na(label))

apply_labels <- function(x, var_name) {
  m <- label_map |> filter(var == var_name)
  m <- m[!duplicated(m$code), ]
  if (nrow(m) == 0) return(x)
  factor(x, levels = m$code, labels = m$label)
}
for (v in intersect(unique(label_map$var), names(dati))) {
  dati[[paste0(v, "_lab")]] <- apply_labels(dati[[v]], v)
}

1.3 Filtro: completati + consenso

Tengo solo chi ha FINISHED == 1 e ha dato consenso (PR02_01 == 2). Questo e’ il dataset usato d’ora in poi.

dati_ok <- dati |>
  filter(is.na(FINISHED) | FINISHED == 1,
         is.na(PR02_01)  | PR02_01 == 2)

tibble::tibble(
  record_totali = nrow(dati),
  finiti_con_consenso = nrow(dati_ok),
  pct = scales::percent(nrow(dati_ok) / nrow(dati), accuracy = 0.1)
) |> kable()
record_totali finiti_con_consenso pct
137 70 51.1%

2 Profilo socio-demografico

Chi ha risposto. Numeri bassi -> percentuali da prendere con le pinze.

2.1 Eta’

Anni compiuti dichiarati (SD03_01).

summary(dati_ok$SD03_01)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##   23.00   35.00   42.00   41.67   48.00   63.00       1
ggplot(dati_ok, aes(SD03_01)) +
  geom_histogram(binwidth = 5, fill = "#4C78A8", color = "white") +
  labs(title = "Distribuzione dell'eta'", x = "Eta' (anni)", y = "Frequenza")

2.2 Genere

SD04, dichiarato.

if ("SD04_lab" %in% names(dati_ok)) {
  print(
    dati_ok |> filter(!is.na(SD04_lab)) |>
      tabyl(SD04_lab) |> adorn_pct_formatting(digits = 1) |>
      kable(caption = "SD04 - Genere")
  )
  p_g <- dati_ok |> filter(!is.na(SD04_lab)) |> count(SD04_lab) |>
    mutate(SD04_lab = fct_reorder(SD04_lab, n)) |>
    ggplot(aes(n, SD04_lab)) + geom_col(fill = "#AF7AA1") +
    labs(title = "Genere", x = "N.", y = NULL)
  print(p_g)
}
## 
## 
## Table: SD04 - Genere
## 
## |SD04_lab                                       |  n|percent |
## |:----------------------------------------------|--:|:-------|
## |Donna                                          | 15|21.4%   |
## |Uomo                                           | 53|75.7%   |
## |Persona non binaria / altra identità di genere |  0|0.0%    |
## |Preferisco non descrivermi                     |  1|1.4%    |
## |Preferisco non rispondere                      |  1|1.4%    |
## |Not answered                                   |  0|0.0%    |

2.3 Titolo di studio e occupazione

SD07 e SD08.

plot_cat <- function(v, titolo, fill = "#4E79A7") {
  dati_ok |> filter(!is.na(.data[[v]])) |> count(.data[[v]]) |> rename(cat = 1) |>
    mutate(cat = fct_reorder(cat, n)) |>
    ggplot(aes(n, cat)) + geom_col(fill = fill) +
    labs(title = titolo, x = "N.", y = NULL)
}
if ("SD07_lab" %in% names(dati_ok)) print(plot_cat("SD07_lab", "Titolo di studio"))

if ("SD08_lab" %in% names(dati_ok)) print(plot_cat("SD08_lab", "Occupazione", "#59A14F"))

3 Facilitazione

Chi facilita, quanto spesso, in che ruolo.

3.1 FA02 - Frequenza

Scala ordinale da “Mai” a “Sempre”.

lvl_fa02 <- c("Mai","Quasi mai","Raramente","A volte",
              "Spesso","Quasi sempre","Sempre")
if ("FA02_lab" %in% names(dati_ok)) {
  dati_ok |>
    filter(!is.na(FA02_lab)) |>
    mutate(FA02_lab = factor(FA02_lab, levels = lvl_fa02)) |>
    count(FA02_lab) |>
    ggplot(aes(FA02_lab, n)) +
    geom_col(fill = "#59A14F") +
    labs(title = "FA02 - Frequenza iniziale", x = NULL, y = "N. rispondenti") +
    theme(axis.text.x = element_text(angle = 30, hjust = 1))
}

3.2 FI01 - Ruolo

Organizza, facilita, entrambi o nessuno.

if ("FI01_lab" %in% names(dati_ok)) {
  dati_ok |> filter(!is.na(FI01_lab)) |> count(FI01_lab) |>
    mutate(FI01_lab = fct_reorder(FI01_lab, n)) |>
    ggplot(aes(n, FI01_lab)) +
    geom_col(fill = "#E15759") +
    labs(title = "FI01 - Ruolo", x = "N. rispondenti", y = NULL)
}

4 Organizzatori

Domande dedicate a chi organizza.

4.1 OR02 - Persone in difficolta’ percepite

Da “Nessuna” a “Moltissime”. Quante persone - secondo il rispondente - farebbero fatica ai suoi eventi.

lvl_or02 <- c("Nessuna persona","Quasi nessuna persona","Poche persone",
              "Alcune persone","Parecchie persone","Molte persone",
              "Moltissime persone")
if ("OR02_lab" %in% names(dati_ok)) {
  dati_ok |>
    filter(!is.na(OR02_lab)) |>
    mutate(OR02_lab = factor(OR02_lab, levels = lvl_or02)) |>
    count(OR02_lab) |>
    ggplot(aes(OR02_lab, n)) +
    geom_col(fill = "#F28E2B") +
    labs(title = "OR02 - Persone percepite in difficolta'",
         x = NULL, y = "N. rispondenti") +
    theme(axis.text.x = element_text(angle = 30, hjust = 1))
}

5 Tipo di gioco e ambiti

Con quali famiglie di gioco e in quali ambiti professionali.

5.1 SD01 - Tipo di gioco

if ("SD01_lab" %in% names(dati_ok)) {
  dati_ok |> filter(!is.na(SD01_lab)) |> count(SD01_lab) |>
    mutate(SD01_lab = fct_reorder(SD01_lab, n)) |>
    ggplot(aes(n, SD01_lab)) + geom_col(fill = "#76B7B2") +
    labs(title = "SD01 - Tipo di gioco", x = "N.", y = NULL)
}

5.2 SD02 - Ambiti (multi-risposta)

Percentuale di rispondenti che ha selezionato ciascun ambito.

ambito_vars <- grep("^SD02_0[1-6]$", names(dati_ok), value = TRUE)
ambito_labels <- c(SD02_01 = "Formazione",
                   SD02_02 = "Educazione",
                   SD02_03 = "Ricerca",
                   SD02_04 = "Ambiti sociali e terzo settore",
                   SD02_05 = "Animazione",
                   SD02_06 = "Nessuna delle precedenti")

amb <- dati_ok |>
  select(all_of(ambito_vars)) |>
  summarise(across(everything(), ~ mean(.x == 2, na.rm = TRUE) * 100)) |>
  pivot_longer(everything(), names_to = "var", values_to = "pct") |>
  mutate(ambito = ambito_labels[var],
         ambito = fct_reorder(ambito, pct))

amb |> mutate(pct = round(pct, 1)) |> kable(caption = "% di selezione per ambito")
% di selezione per ambito
var pct ambito
SD02_01 35.7 Formazione
SD02_02 32.9 Educazione
SD02_03 24.3 Ricerca
SD02_04 37.1 Ambiti sociali e terzo settore
SD02_05 11.4 Animazione
SD02_06 28.6 Nessuna delle precedenti 
ggplot(amb, aes(pct, ambito)) +
  geom_col(fill = "#B07AA1") +
  geom_text(aes(label = paste0(round(pct, 1), "%")), hjust = -0.1) +
  scale_x_continuous(limits = c(0, NA), expand = expansion(mult = c(0, .15))) +
  labs(title = "Ambiti (% di selezione)", x = "% rispondenti", y = NULL)

6 Qualita’ della compilazione

Tempi, missing, speed index.

tibble::tibble(
  indicatore = c("Tempo medio questionario (sec)",
                 "Tempo mediano (sec)",
                 "% missing medio",
                 "Speed index medio (TIME_RSI)"),
  valore = c(round(mean(dati_ok$TIME_SUM, na.rm = TRUE), 1),
             round(median(dati_ok$TIME_SUM, na.rm = TRUE), 1),
             paste0(round(mean(dati_ok$MISSING, na.rm = TRUE), 1), "%"),
             round(mean(dati_ok$TIME_RSI, na.rm = TRUE), 2))
) |> kable()
indicatore valore
Tempo medio questionario (sec) 438.3
Tempo mediano (sec) 338
% missing medio 4.9%
Speed index medio (TIME_RSI) 1.15

7 Domande aperte - strumenti

Per ogni domanda aperta:

  • tabella DT con tutte le risposte (ricerca e filtri)
  • conteggi e lunghezza
  • top parole (bag of words, stopwords italiane)
  • top bigrammi
  • wordcloud

Domande incluse:

  • FA01_01 difficolta’/disagi incontrati
  • FA01_02 cosa hanno fatto di conseguenza
  • FA01_03 pratiche di accoglienza
  • NE02_01 perche’ non ho mai organizzato/facilitato
  • OR01_01 a chi si rivolgono gli organizzatori
  • OR01_02 accortezze specifiche
  • OR03_01 chi farebbe fatica a partecipare
open_defs <- tibble::tribble(
  ~var,      ~titolo,
  "FA01_01", "Difficolta' o disagi incontrati (facilitatori)",
  "FA01_02", "Cosa hanno fatto in risposta (facilitatori)",
  "FA01_03", "Pratiche di accoglienza (facilitatori)",
  "NE02_01", "Perche' non ho mai organizzato/facilitato",
  "OR01_01", "A chi si rivolgono gli organizzatori",
  "OR01_02", "Accortezze specifiche (organizzatori)",
  "OR03_01", "Chi farebbe fatica a partecipare (organizzatori)"
) |> filter(var %in% names(dati_ok))

# stopwords italiane
stop_it <- unique(c(
  "a","ad","ai","al","alla","alle","allo","anche","avere","aveva","avevo","cerco","ce","che",
  "chi","ci","cio","co","come","con","contro","cosa","cosi","cui","da","dai","dal","dalla",
  "dalle","dallo","dei","del","della","delle","dello","di","dopo","dove","e","ed","egli",
  "era","erano","essere","essi","fa","fare","fatto","fino","fra","fu","gia","gli","ha",
  "hai","hanno","ho","i","il","in","io","la","le","lei","li","lo","loro","lui","ma","magari",
  "me","mi","mia","mie","miei","mio","molto","ne","nei","nel","nella","nelle","nello","noi",
  "non","nostra","nostre","nostri","nostro","o","od","oppure","ogni","perche","perc","piu",
  "poco","poi","posso","puo","pure","qualche","quale","quali","quando","quanto","quasi",
  "quel","quella","quelle","quelli","quello","questa","queste","questi","questo","sara",
  "se","senza","si","sia","sono","sta","stata","stato","su","sua","sue","sui","sul","sulla",
  "sulle","sullo","suo","suoi","tra","tu","tua","tue","tuo","tuoi","un","una","uno","va",
  "vi","voi","vostro","fosse","fossi","tutto","tutti","tutte","tutta","verso","alcuni",
  "alcune","mai","sempre","spesso","volta","volte","solo","anzi","pero","invece",
  "ora","subito","davvero","proprio","dire","detto","messo","dare","dato","puoi","deve",
  "devo","devono","dovrebbe","meno","tanto","allora","cioe","ecc","ecco"
))

# normalizzatore: minuscole, accenti rimossi, solo alfanumerici
normalize <- function(x) {
  x <- tolower(x)
  x <- stringi::stri_trans_general(x, "Latin-ASCII")
  x <- str_replace_all(x, "[^a-z0-9\\s]", " ")
  x <- str_squish(x)
  x
}

aperte_df <- dati_ok |>
  select(CASE, any_of(open_defs$var)) |>
  pivot_longer(-CASE, names_to = "var", values_to = "testo") |>
  filter(!is.na(testo), nchar(trimws(testo)) > 0) |>
  left_join(open_defs, by = "var") |>
  mutate(testo_norm = normalize(testo),
         n_char = nchar(testo),
         n_word = str_count(testo, "\\S+"))

7.1 Volume e lunghezza

N risposte non vuote e parole per domanda.

aperte_df |>
  group_by(Domanda = paste0(var, " - ", titolo)) |>
  summarise(n_risposte = n(),
            parole_medie = round(mean(n_word), 1),
            parole_mediana = median(n_word),
            caratteri_max = max(n_char),
            .groups = "drop") |>
  arrange(desc(n_risposte)) |>
  kable()
Domanda n_risposte parole_medie parole_mediana caratteri_max
FA01_01 - Difficolta’ o disagi incontrati (facilitatori) 51 20.8 15.0 606
FA01_02 - Cosa hanno fatto in risposta (facilitatori) 51 33.9 29.0 878
FA01_03 - Pratiche di accoglienza (facilitatori) 51 32.8 25.0 603
OR01_01 - A chi si rivolgono gli organizzatori 47 13.7 8.0 400
OR01_02 - Accortezze specifiche (organizzatori) 47 28.0 24.0 1073
OR03_01 - Chi farebbe fatica a partecipare (organizzatori) 42 26.7 22.5 582
NE02_01 - Perche’ non ho mai organizzato/facilitato 1 7.0 7.0 43 
aperte_df |>
  ggplot(aes(x = fct_rev(fct_infreq(var)), y = n_word)) +
  geom_boxplot(fill = "#9ECAE1", outlier.alpha = .4) +
  coord_flip() +
  labs(title = "Distribuzione lunghezza risposte (parole)",
       x = NULL, y = "N. parole per risposta")

7.2 Tabella interattiva

Ricerca full-text in alto a destra, filtri per colonna sotto le intestazioni. Utile per trovare velocemente casi specifici.

DT::datatable(
  aperte_df |> select(CASE, domanda = var, titolo, testo, n_word),
  rownames = FALSE, filter = "top",
  options = list(pageLength = 10, scrollX = TRUE,
                 columnDefs = list(list(width = "55%", targets = 3)))
)

7.3 Funzioni di analisi lessicale

Definizioni dei tre helper usati nelle sottosezioni: top_words, top_bigrams, wordcloud.

top_words <- function(df, var_nome, n = 20) {
  df |> filter(var == var_nome) |>
    unnest_tokens(word, testo_norm) |>
    filter(!word %in% stop_it, nchar(word) > 2) |>
    count(word, sort = TRUE) |> slice_head(n = n)
}

top_bigrams <- function(df, var_nome, n = 15) {
  df |> filter(var == var_nome) |>
    unnest_tokens(bg, testo_norm, token = "ngrams", n = 2) |>
    filter(!is.na(bg)) |>
    separate(bg, c("w1", "w2"), sep = " ", remove = FALSE) |>
    filter(!w1 %in% stop_it, !w2 %in% stop_it,
           nchar(w1) > 2, nchar(w2) > 2) |>
    count(bg, sort = TRUE) |> slice_head(n = n)
}

plot_words <- function(tw, titolo, fill = "#4C78A8") {
  ggplot(tw, aes(x = n, y = fct_reorder(word, n))) +
    geom_col(fill = fill) +
    labs(title = titolo, x = "Occorrenze", y = NULL)
}
plot_bigrams <- function(tb, titolo, fill = "#E15759") {
  ggplot(tb, aes(x = n, y = fct_reorder(bg, n))) +
    geom_col(fill = fill) +
    labs(title = titolo, x = "Occorrenze", y = NULL)
}
plot_cloud <- function(tw, titolo) {
  ggplot(tw, aes(label = word, size = n, color = n)) +
    ggwordcloud::geom_text_wordcloud_area(rm_outside = TRUE) +
    scale_size_area(max_size = 14) +
    scale_color_viridis_c(option = "D", end = 0.85) +
    labs(title = titolo) + theme_void()
}

7.4 FA01_01 - Difficolta’ e disagi

Parole, bigrammi e nube per “Raccontaci un tipo di difficolta’ o disagio con cui hai avuto a che fare”.

if ("FA01_01" %in% open_defs$var) {
  tw <- top_words(aperte_df, "FA01_01", 25)
  tb <- top_bigrams(aperte_df, "FA01_01", 15)
  print(plot_words(tw, "FA01_01 - Top parole"))
  print(plot_bigrams(tb, "FA01_01 - Top bigrammi"))
  print(plot_cloud(tw, "FA01_01 - Nube"))
}

7.5 FA01_02 - Cosa hanno fatto

if ("FA01_02" %in% open_defs$var) {
  tw <- top_words(aperte_df, "FA01_02", 25)
  tb <- top_bigrams(aperte_df, "FA01_02", 15)
  print(plot_words(tw, "FA01_02 - Top parole", "#59A14F"))
  print(plot_bigrams(tb, "FA01_02 - Top bigrammi", "#59A14F"))
  print(plot_cloud(tw, "FA01_02 - Nube"))
}

7.6 FA01_03 - Pratiche di accoglienza

if ("FA01_03" %in% open_defs$var) {
  tw <- top_words(aperte_df, "FA01_03", 25)
  tb <- top_bigrams(aperte_df, "FA01_03", 15)
  print(plot_words(tw, "FA01_03 - Top parole", "#F28E2B"))
  print(plot_bigrams(tb, "FA01_03 - Top bigrammi", "#F28E2B"))
  print(plot_cloud(tw, "FA01_03 - Nube"))
}

7.7 OR01_01 - A chi si rivolgono

if ("OR01_01" %in% open_defs$var) {
  tw <- top_words(aperte_df, "OR01_01", 25)
  tb <- top_bigrams(aperte_df, "OR01_01", 15)
  print(plot_words(tw, "OR01_01 - Top parole", "#76B7B2"))
  print(plot_bigrams(tb, "OR01_01 - Top bigrammi", "#76B7B2"))
  print(plot_cloud(tw, "OR01_01 - Nube"))
}

7.8 OR01_02 - Accortezze

if ("OR01_02" %in% open_defs$var) {
  tw <- top_words(aperte_df, "OR01_02", 25)
  tb <- top_bigrams(aperte_df, "OR01_02", 15)
  print(plot_words(tw, "OR01_02 - Top parole", "#B07AA1"))
  print(plot_bigrams(tb, "OR01_02 - Top bigrammi", "#B07AA1"))
  print(plot_cloud(tw, "OR01_02 - Nube"))
}

7.9 OR03_01 - Chi farebbe fatica

if ("OR03_01" %in% open_defs$var) {
  tw <- top_words(aperte_df, "OR03_01", 25)
  tb <- top_bigrams(aperte_df, "OR03_01", 15)
  print(plot_words(tw, "OR03_01 - Top parole", "#E15759"))
  print(plot_bigrams(tb, "OR03_01 - Top bigrammi", "#E15759"))
  print(plot_cloud(tw, "OR03_01 - Nube"))
}

8 Analisi tematica

Lettura iterativa delle risposte, raggruppate per somiglianza semantica. Non sostituisce una codifica formale (Atlas.ti, NVivo, Taguette). Serve a orientare le analisi successive.

8.1 FA01_01 - Forme di difficolta’

Cinque cluster:

  1. Disabilita’ fisiche/sensoriali: sordita’, mutismo, disabilita’ motorie (sedia a rotelle, SM), miopia forte, daltonismo. Vincoli sul materiale (manualita’ fine, lettura schede, colori) e sul luogo (illuminazione, accessibilita’).
  2. Neurodivergenze: spettro autistico (Asperger), ADHD, disturbi dell’attenzione, BES. Sensibilita’ a toni alti, sovrastimolazione.
  3. Barriere cognitive: comprendere e ricordare le regole, sostenere l’attenzione, pianificare. Giochi “troppo complessi” per novizi.
  4. Barriere socio-emotive: timidezza, vergogna, insicurezza, paralisi alla spiegazione, “non sono capace”, paura di esporsi. Pesante in GDR e party game.
  5. Comportamenti problematici al tavolo: trash talking, omofobia, contenuti sessisti/inappropriati in GDR, giocatori esuberanti che schiacciano i riservati.

Sotto-temi minori: barriere linguistiche (italiano, stranieri), incongruenza di genere come disagio dichiarato.

8.2 FA01_02 - Strategie di risposta

Sette mosse, non esclusive:

  • Adattare materiale/regole: cambio gioco, semplificazione, titoli gia’ accessibili (es. Magic Maze per sordita’), ingrandimenti su tablet, componenti co-progettati.
  • Accompagnamento individuale: guidare i primi turni, rispiegare con pazienza, stare vicino senza sostituirsi.
  • Mediazione del gruppo: abbassare i toni, richiamare al rispetto, coinvolgere il tavolo nel contenere (in un caso il tavolo “isola” il comportamento omofobo).
  • De-pressurizzare: “non e’ performativo”, “non c’e’ un modo giusto”, “stiamo imparando insieme”.
  • Pause e uscite: fermare il gioco, dare tempo, “stare a guardare” come opzione legittima.
  • Supporto fra pari: giocare a coppie, includere “come pari”, appoggio a insegnante di sostegno o psicologo.
  • Scelta mirata del gioco: cooperativi invece di competitivi per persone riservate; oppure party game leggeri per abbassare la soglia.

Minoranza: “non sono all’altezza, delego” (lingua, problematiche oltre le competenze).

8.3 FA01_03 - Accoglienza

Due poli:

  • Universalista: “tratto tutti uguali”, “normale educazione”.
  • Consapevole della specificita’: strumenti espliciti.

Strumenti ricorrenti nel secondo polo:

  • Safety tools: X-card, Linee e Veli, trigger warning dichiarati prima di giocare, check-in a meta’ sessione. Citato Ron Edwards (Sex & Sorcery).
  • Linguaggio e identita’ di genere: adesivi con pronomi, schede pregenerate neutre, attenzione al maschile sovraesteso, “come vuoi essere chiamat*“.
  • Comunicazione anticipata: form d’iscrizione per raccogliere esigenze, domande all’arrivo, chat Telegram.
  • Tecnica di spiegazione: a ritroso (dalle condizioni di vittoria), supporti visivi, verifica comprensione, modulare sul feedback.
  • Setting: location curate, sale di decompressione, caramelle/caffe’, tono informale, rompighiaccio.
  • Formazione: osservazione, ascolto, empatia, animazione ludica, game-based learning, supervisione in equipe. Alcuni rimandano a percorsi (CSI, psicologia, pedagogia).

Nota critica: parte del campione non distingue l’accoglienza professionale da educazione sociale generica -> possibile bisogno formativo.

8.4 OR01_01 e OR01_02 - Target e accortezze

Target piu’ dichiarato: “chiunque” / “tutti”. Segmenti ricorrenti:

  • studenti e scuole
  • famiglie
  • comunita’ LGBTQ+
  • hard gamer vs neofiti
  • istituzioni (aziende, biblioteche, comuni)

Accortezze (riprendono FA01_03 con taglio organizzativo):

  • accessibilita’ fisica della location
  • spazio sicuro codificato (“Gioco sicuro”, pronomi esposti, stanza di decompressione)
  • offerta ludica diversificata per esperienza e difficolta’
  • comunicazione trasparente e inclusiva nei materiali
  • staff formato, con conoscenza effettiva dei giochi proposti
  • gestione attiva dei conflitti (feedback, allontanamento disturbatori)

Tensione esplicita in una risposta: passione volontaria vs professionalita’ retribuita.

8.5 OR03_01 - Chi farebbe fatica

Sette aree:

  1. Disabilita’ sensoriali (non vedenti, non udenti). Percepite come le piu’ difficili, soprattutto in GDR. Spesso con dichiarazione di non-competenza (“non ho formazione”, “mi informero’”).
  2. Disabilita’ motorie + location inaccessibili (parchi, terreni irregolari).
  3. Disabilita’ cognitive gravi.
  4. Ansia sociale, timidezza estrema, introversione forte. Piu’ critico in eventi affollati e in GDR “che toccano corde intime”.
  5. Fasce d’eta’ estreme: molto anziani o bambini piccoli.
  6. Pregiudizi sul gioco: “rigoristi”, “puristi”, chi ha avuto esperienze negative.
  7. Disallineamento target-evento: fuori target, obbligati.

Non-risposte (“non so”, “non mi e’ mai successo”) = dato interessante: parte degli organizzatori non ha una mappa esplicita delle barriere del proprio evento. Coerente con uno studio esplorativo.

8.6 Temi trasversali

Tensioni che attraversano tutte le aperte:

  • Universalismo vs specificita’ - “tratto tutti uguali” convive con pratiche fini (pronomi, trigger, schede neutre). Non sempre dialogano.
  • Competenza empirica vs formata - soluzioni costruite sul campo vs teorie/tecniche citate.
  • Gioco medium di inclusione vs gioco barriera - il gioco abbassa le difese, ma l’allestimento puo’ escludere.
  • Setting fisico - la barriera piu’ concreta e meno discrezionale, spesso decisa da committenti a basso budget.
  • Lessico della sicurezza emotiva - ricorrono “pausa”, “non performativo”, “non c’e’ un modo giusto”, “stare a guardare”.

9 Session info

Ambiente, pacchetti, versioni.

sessionInfo()
## R version 4.4.1 (2024-06-14 ucrt)
## Platform: x86_64-w64-mingw32/x64
## Running under: Windows 11 x64 (build 26200)
## 
## Matrix products: default
## 
## 
## locale:
## [1] LC_COLLATE=Italian_Italy.utf8  LC_CTYPE=Italian_Italy.utf8   
## [3] LC_MONETARY=Italian_Italy.utf8 LC_NUMERIC=C                  
## [5] LC_TIME=Italian_Italy.utf8    
## 
## time zone: Europe/Rome
## tzcode source: internal
## 
## attached base packages:
## [1] stats     graphics  grDevices utils     datasets  methods   base     
## 
## other attached packages:
##  [1] ggwordcloud_0.6.2 tidytext_0.4.3    scales_1.4.0      DT_0.33          
##  [5] knitr_1.51        janitor_2.2.1     readr_2.1.5       forcats_1.0.0    
##  [9] ggplot2_4.0.0     stringr_1.5.1     tidyr_1.3.1       dplyr_1.1.4      
## [13] readxl_1.4.5     
## 
## loaded via a namespace (and not attached):
##  [1] gtable_0.3.6       xfun_0.57          bslib_0.8.0        htmlwidgets_1.6.4 
##  [5] lattice_0.22-6     tzdb_0.4.0         crosstalk_1.2.1    vctrs_0.6.5       
##  [9] tools_4.4.1        generics_0.1.3     parallel_4.4.1     tibble_3.2.1      
## [13] janeaustenr_1.0.0  pkgconfig_2.0.3    tokenizers_0.3.0   Matrix_1.7-0      
## [17] RColorBrewer_1.1-3 S7_0.2.0           lifecycle_1.0.4    compiler_4.4.1    
## [21] farver_2.1.2       snakecase_0.11.1   litedown_0.9       htmltools_0.5.8.1 
## [25] SnowballC_0.7.1    sass_0.4.9         yaml_2.3.10        pillar_1.10.1     
## [29] crayon_1.5.3       jquerylib_0.1.4    cachem_1.1.0       commonmark_2.0.0  
## [33] tidyselect_1.2.1   digest_0.6.39      stringi_1.8.4      purrr_1.0.2       
## [37] labeling_0.4.3     fastmap_1.2.0      grid_4.4.1         colorspace_2.1-1  
## [41] cli_3.6.3          magrittr_2.0.3     withr_3.0.2        bit64_4.0.5       
## [45] lubridate_1.9.4    timechange_0.3.0   rmarkdown_2.28     bit_4.0.5         
## [49] cellranger_1.1.0   png_0.1-9          hms_1.1.3          evaluate_1.0.4    
## [53] viridisLite_0.4.2  markdown_2.0       rlang_1.1.4        gridtext_0.1.6    
## [57] Rcpp_1.0.14        glue_1.7.0         xml2_1.3.6         rstudioapi_0.16.0 
## [61] vroom_1.6.5        jsonlite_1.8.8     R6_2.6.1