LinkedIn non è uguale per tutti: l’analisi dei profili utenti in Italia

La letteratura sulla profilazione degli utenti di social network ha mostrato un notevole sviluppo in anni recenti; tuttavia, rimangono ancora pochi gli studi che si concentrano specificamente su LinkedIn e che utilizzano tecniche statistiche person-centered.

I profili utenti LinkedIn: un’analisi person-centered delle configurazioni comportamentali sulla piattaforma

Abbiamo perciò condotto uno studio che utilizza la Latent Profile Analysis per identificare i profili delle persone che utilizzano LinkedIn, esplorando le configurazioni di comportamenti che possono essere agiti sulla piattaforma. In un campione italiano di 1077 rispondenti, sono emersi tre profili: ‘Osservatori passivi’, ‘Networker informativi’ e ‘Comunicatori attivi’.

Abbiamo poi esaminato la corrispondenza tra i profili emersi e una serie di variabili sociodemografiche e possibili motivazioni d’uso. Il profilo Comunicatori attivi è correlato con maggior soddisfazione d’uso e maggior presenza di motivazioni quali il sentirsi parte di una comunità e il trasmettere una immagine positiva di sé.

I risultati suggeriscono che i progettisti di piattaforme social e i consulenti di carriera devono riconoscere i differenti profili delle persone, i quali richiedono approcci di marketing e consulenza personalizzati, sottolineando il potenziale dell’approccio person-centered per ulteriori ricerche sui Social Network.

Il panorama dei social network sites: diffusione e definizioni

Per quanto sia un dato difficile da stimare con esattezza (utenze plurime o su più piattaforme, presenza di bot e dati non immediatamente disponibili), i Social Network Sites (SNS) raggiungono oltre 5,2 miliardi di utenti, circa il 64% della popolazione mondiale (Kepios, 2025). Nei dieci secondi necessari a leggere questa frase, 50 nuovi utenti si sono registrati su un SNS (Masciantonio & Bourguignon, 2023). Dalla nascita del primo SN, SixDegrees.com (1997) a TikTok (2016), l’evoluzione tecnologica e culturale ha portato ad un ecosistema diversificato che assorbe in media 106 minuti giornalieri per utente in Italia (GlobalWebIndex, 2023). Questa diffusione capillare coinvolge diverse tipologie di SNS, da quelle più generaliste, come Facebook, a quelle specializzate, come LinkedIn (van Dijck, 2013). Questa pervasività ha spinto la ricerca a indagare le dinamiche motivazionali alla base dell’engagement degli utenti (Da Costa et al., 2008).

Definire esattamente cosa sia un SNS rimane complesso: alcune piattaforme si collocano a metà tra messaggistica istantanea e condivisione pubblica di contenuti (Ellison & Boyd, 2013). Possiamo definire i SNS come piattaforme che permettono di costruire un profilo pubblico o semipubblico, articolare una lista di utenti con cui condividere contenuti e visualizzare le reciproche connessioni. Tuttavia, l’inclusione o meno di servizi come WhatsApp o Telegram, che offrono una comunicazione più ristretta, è spesso dibattuta (Da Costa et al., 2008). Inoltre, la continua evoluzione delle piattaforme rende difficile una tassonomia definitiva, poiché nuove funzioni e ibridazioni emergono rapidamente (van Dijck, 2013). Conseguentemente, le ricerche tendono a concentrarsi su singoli social e sui principali attori del mercato, portando a risultati e interpretazioni parzialmente differenti a seconda del contesto (Blank & Lutz, 2017).

LinkedIn: caratteristiche della piattaforma professionale

Ci concentreremo di seguito sul SN LinkedIn, con l’obiettivo di profilare gli utenti della piattaforma sulla base dei comportamenti che vengono ivi agiti e analizzando come differenti profili di utenti presentano motivazioni d’uso differenti. LinkedIn nasce nel maggio 2003 come SNS professionale, con l’obiettivo di connettere lavoratori e aziende su scala globale. LinkedIn è progettato per favorire la costruzione di reti professionali, la condivisione di opportunità lavorative e la diffusione di contenuti legati al business e alla crescita professionale. Mentre scriviamo, a marzo 2025, conta tra i suoi profili oltre 950 milioni di membri e più di 58 milioni di aziende.

La piattaforma si caratterizza per la presenza di profili che fungono da curriculum virtuali, offrendo spazi per descrivere esperienze, competenze e obiettivi. Nel corso degli anni, LinkedIn ha introdotto funzioni di messaggistica, gruppi tematici e una sezione di newsfeed, rendendosi sempre più simile ad un SN interattivo (Cubrich et al., 2021). Grazie a queste peculiarità, è progressivamente diventato un punto di riferimento per il personal branding (Johnson, 2017) e la ricerca di opportunità professionali (Stremersch et al., 2024).

La dimensione internazionale e la varietà di settori coinvolti favoriscono lo sviluppo di capitale sociale a legami deboli, utile per ampliare la propria rete professionale (Shyron & Leung, 2019). In aggiunta, la sezione “LinkedIn Learning” offre corsi e contenuti formativi, arricchendo l’esperienza con una componente di aggiornamento costante (Healy et al., 2023; MacKenzie, 2023). Nel complesso, LinkedIn si distingue per un approccio formale, incentrato su carriera e networking, pur integrando funzioni tipiche di altri SNS.

Motivazione all’uso dei SN

La letteratura concorda sul fatto che la motivazione all’uso dei SN sia influenzata tanto da bisogni psicologici, quanto da fattori sociali e culturali. Molti studi adottano la “Uses and Gratifications Theory” (UGT), secondo cui gli utenti scelgono una piattaforma in base alle gratificazioni che essa è in grado di offrire (Katz et al., 1973). La UGT interpreta dunque il consumo dei SN come un processo guidato da scelte individuali finalizzate a soddisfare specifiche gratificazioni cognitive, affettive e sociali. Facebook, per esempio, viene spesso associato a motivazioni di appartenenza e autopresentazione, mentre Twitter risponde a bisogni informativi e di condivisione rapida di notizie (Johnson & Yang, 2009). Instagram enfatizza l’elemento visivo e la creatività, con motivazioni legate alla ricerca di ispirazione e all’espressione personale (Sheldon & Bryant, 2016). Altri autori, come Alhabash e Ma (2017), hanno evidenziato l’importanza dell’intrattenimento, evidenziando che i SN possono soddisfare bisogni di svago comuni a piattaforme diverse. Tuttavia, alcune motivazioni variano in base al tipo di interazione: per esempio, LinkedIn spicca per la focalizzazione sulla carriera e sull’autopromozione professionale (Kim & Cha, 2017).

La letteratura mostra che motivazioni edonistiche (divertimento, passione, curiosità) si intrecciano con motivazioni utilitaristiche (lavoro, opportunità, visibilità) nello spingere ad utilizzare e restare sui SN (Cheung et al., 2011). A completare il quadro motivazionale, si è discusso dell’integrazione delle norme sociali ingiuntive e descrittive (Cialdini et al., 1991) tra i fattori che plasmano l’uso dei SN, specie in contesti professionali. A supporto di questa ipotesi, Masciantonio e Bourguignon (2023) hanno trovato che le norme descrittive, ovvero la percezione del comportamento altrui, sono associate alla frequenza d’uso di Facebook, Instagram, Twitter, Snapchat e LinkedIn, mentre le norme ingiuntive hanno un’influenza significativa solo sull’uso di LinkedIn e Facebook, ovvero gli utenti utilizzano queste due piattaforme in parte a causa della pressione dei pari.

La complessità del quadro risiede nella variabilità dei risultati, nella rapida obsolescenza delle piattaforme e nelle differenze culturali o anagrafiche tra le popolazioni analizzate (Blank & Lutz, 2017). In definitiva, è stata segnalata la necessità di un approccio multipiattaforma per comprendere le motivazioni in modo più sistematico e integrato (Florenthal, 2014) che – purtuttavia – nell’analisi delle motivazioni di un SNS specialistico come LinkedIn pone dei problemi non facilmente superabili. In questo studio, infatti ci concentreremo unicamente su questa piattaforma, lasciando a ricerche future l’onere del confronto con altri SN.

Motivazioni specifiche nell’utilizzo di LinkedIn

Diversi lavori si sono focalizzati sulle ragioni che spingono gli utenti a utilizzare LinkedIn (Lestari et al., 2024) evidenziando come gli scopi professionali siano dominanti (Kim & Cha, 2017). Smith e Watkins (2020) sottolineano come la piattaforma soddisfi i bisogni di informazione, comunicazione e sorveglianza legati alla propria crescita lavorativa. In uno studio comparativo, LinkedIn emerge come SNS maggiormente legato alla promozione del sé professionale e meno all’intrattenimento (Masciantonio & Bourguignon, 2023). Nel complesso, queste ricerche convergono nell’evidenziare la specificità professionale come leva principale di utilizzo (Healy et al., 2023), tuttavia è possibile che la popolazione di user non sia omogenea al suo interno, ma presenti caratteristiche variabili che potrebbero permettere una profilazione più accurata.

Approcci alla clusterizzazione degli utenti dei social network

La letteratura sulla segmentazione degli utenti dei SNS si è sviluppata soprattutto su Facebook e Twitter, attraverso l’analisi di pattern d’uso e tratti psicologici. Shao, Ross e Grace (2015) hanno proposto una classificazione degli utenti di Facebook in: “Devoti”, “Agnostici”, “Socializzatori” e “Cercatori”, basata sulle motivazioni di socializzazione, intrattenimento, self-status seeking e ricerca di informazioni. Altri studi si sono concentrati maggiormente su aspetti di personalità e comportamento, mostrando l’esistenza di cluster come gli “estroversi iperattivi”, i “consumatori passivi” e i “contatti funzionali” (Amichai-Hamburger & Vinitzky, 2010). L’obiettivo di tali ricerche è offrire strumenti per il marketing e per la comprensione sociopsicologica degli utenti, fornendo indicazioni su come progettare contenuti e servizi per specifici target (Kotler, 1994). Queste segmentazioni, spesso basate su dati di profilazione e analisi statistiche, aiutano a identificare sottogruppi coerenti per scopi di engagement e design delle piattaforme (Dibb, 1998).

Alcuni autori hanno evidenziato però la difficoltà di arrivare a cluster stabili, a causa della natura dinamica e mutevole dei SNS (LaRose & Eastin, 2004). Si sono così generate tipologie di utenti che variano da segmentazioni centrate sul livello di interazione sulla piattaforma (“narcisisti”, “broadcast” e “lurker”) a quelle basate sul tipo di contenuto (“professionale”, “ludico” e “relazionale”) (Hozhyi & Lamiroy, 2017). Di frequente, i cluster riflettono anche l’uso specifico di una singola piattaforma, poiché le caratteristiche del contesto considerato influenzano in modo decisivo le tipologie emerse (Lorenzo-Romero et al., 2011). Ne derivano classificazioni a vari livelli di profondità, alcune delle quali combinano metriche di personalità, motivazioni e comportamenti (Correa et al., 2010). Nonostante la grande eterogeneità, la segmentazione motivazionale rimane uno degli approcci più apprezzati, perché offre insight utili per pianificare strategie personalizzate e contenuti mirati (Shao et al., 2015).

Per quanto riguarda LinkedIn, la letteratura evidenzia ancora una relativa scarsità di studi focalizzati su cluster motivazionali specifici, rispetto a quanto fatto su Facebook o Twitter (Smith & Watkins, 2020). In alcuni casi, LinkedIn è stato incluso in analisi multipiattaforma, ma non sempre emerge una classificazione autonoma che consideri le sue peculiarità professionali (Alhabash & Ma, 2017). La maggior parte delle ricerche si limita infatti a rilevare la netta prevalenza di motivazioni di autopromozione e career development, senza approfondire segmentazioni più raffinate (Kim & Cha, 2017). Solo rari contributi hanno investigato in modo sistematico la distribuzione di cluster motivazionali su LinkedIn, e spesso con campioni ristretti o limitati alle fasce più giovani (Cubrich et al., 2021). Ne consegue che, allo stato attuale, manca un modello stabile e condiviso per classificare gli utenti LinkedIn sulla base delle motivazioni che ne guidano l’uso (Blank & Lutz, 2017).

Recenti studi sulla profilazione dei profili utenti LinkedIn

Una eccezione è costituita dal lavoro di Stremersch e colleghi (2024) che applicano una Latent Profile Analysis su un campione di 300 utenti di LinkedIn in cerca di lavoro con lo scopo di identificare i profili latenti sulla base delle configurazioni di autoefficacia, coscienziosità, bisogno finanziario, pressione sociale, e qualità e intensità della ricerca di lavoro. I 4 profili emersi (“ricercatore occasionale di lavoro”, “ricercatore di lavoro con bisogno finanziario”, “ricercatore di lavoro finanziariamente sicuro” e “stratega della ricerca di lavoro”) vengono poi messi in relazione con possibili esiti della ricerca di lavoro come i colloqui e le offerte di lavoro.

L’obiettivo del presente studio è dunque ampliare questa ancora scarna letteratura tramite un campione ampio ed eterogeneo del contesto italiano di utilizzatori di LinkedIn, attraverso delle analisi person-centered, ovvero una Latent Profile Analysis. Il primo obiettivo del presente studio sarà quindi quello di determinare se sia possibile identificare profili distinti di utilizzatori di LinkedIn sulla base della frequenza di determinati comportamenti ivi agibili. Data la natura relativamente inesplorata della letteratura sul tema, lo studio adotta un approccio prettamente esplorativo. Questo approccio è infatti il protocollo standard in caso di presenza di limitate teorie sullo sviluppo di profili o configurazioni in un certo ambito (Hirschi & Valero, 2017). Il secondo obiettivo sarà indagare se l’utilizzo di specifiche funzionalità sia connesso a maggiori livelli di motivazione e soddisfazione, e se esistano delle differenze significative tra i profili degli utenti sulla base delle loro caratteristiche sociodemografiche.

Metodologia per l’identificazione dei profili utenti LinkedIn

Le analisi sono state condotte su un campione di 1.077 rispondenti tratti dalla popolazione italiana generale adulta. Questi intervistati sono stati reclutati su base volontaria per rispondere a un questionario online nel mese di luglio 2023. L’età degli intervistati varia da 19 a 76 anni (M_età = 48.3; DS = 10.5). Per quanto riguarda la distribuzione di genere, il 53% degli intervistati si è identificato come maschio e il 47% come femmina. Per quanto riguarda il livello di istruzione dei partecipanti, l’1,6% ha un diploma di scuola secondaria, il 4,3% un diploma di scuola professionale, il 24,4% un diploma di scuola superiore, il 43,8% una laurea e il 24,3% un master post-laurea o dottorato.

Indicatori per la Latent Profile Analysis

Come indicatori per la profilazione del nostro campione abbiamo utilizzato una serie di 8 item che misurano la frequenza dei possibili comportamenti che possono essere messi in atto su LinkedIn. Questi comportamenti sono stati selezionati sulla base di un’analisi preliminare della letteratura (Smith & Watkins, 2020; Florenthal, 2014) e delle principali funzionalità offerte dalla piattaforma, al fine di rappresentare l’intero spettro di possibili interazioni: comportamenti passivi (consultare offerte di lavoro, leggere post), comportamenti di networking (seguire o aggiungere contatti, seguire profili aziendali), comportamenti comunicativi (scrivere messaggi, commentare post) e comportamenti di autopromozione (aggiornare il proprio profilo, condividere post altrui). Questa selezione permette di catturare le diverse modalità di engagement sulla piattaforma, dalle più passive alle più attive, in linea con i framework concettuali proposti da Cubrich et al. (2021) e Kim & Cha (2017) che distinguono vari livelli di interazione sui social network professionali. Tutti gli item erano formulati come segue: “Di seguito troverà 8 comportamenti che possono essere messi in atto su LinkedIn, la preghiamo di indicare quanto spesso, su una scala da 1 a 5, dove 1 = mai, 2 = raramente, 3 = occasionalmente, 4 = frequentemente e 5 = spesso, li mette in atto”. L’affidabilità della scala è stata misurata attraverso l’Omega di McDonald ed è risultata buona (ω = .77). La tabella 1 riporta le statistiche descrittive e le correlazioni bivariate per le variabili dello studio.

Covariate

Data la composizione molto eterogenea del nostro campione, abbiamo controllato per diverse variabili, come suggerito da Bernerth & Aguinis (2016) e Becker (2005). In particolare, sono state controllate le seguenti variabili: genere (maschi = 1, femmine = 2), età e anni di istruzione formale. Questo approccio è stato adottato con l’obiettivo di controllare la possibilità che fattori confondenti compromettano la solidità statistica dello studio.

Abbiamo anche controllato le differenze nelle seguenti covariate tra i nostri profili: la soddisfazione per l’uso di LinkedIn (su una scala da 1 – per nulla soddisfatto a 7 – totalmente soddisfatto) e la presenza di obiettivi o motivazioni specifiche che gli utenti di LinkedIn possono mostrare (su una scala da 1 – per nulla a 5 – totalmente d’accordo).

Tabella 1. Statistiche descrittive e correlazioni tra le variabili dello studio (N = 1077)

Nota. *** p < .001. ** p < .01. * p < .05.

Analisi dei dati

Le analisi effettuate per raggiungere i nostri obiettivi di ricerca sono consistite in due fasi: inizialmente, abbiamo impiegato la Latent Profile Analysis per identificare i sottogruppi latenti all’interno della nostra popolazione e, successivamente, abbiamo esaminato le associazioni tra l’appartenenza ai profili e le covariate. La LPA è stata eseguita con Mplus versione 8 (Muthén & Muthén, 1998-2017), mentre le successive analisi statistiche sono state condotte con SPSS (versione 29).

Per cogliere l’eterogeneità all’interno del nostro campione riguardo agli 8 diversi comportamenti che possono essere eseguiti su LinkedIn, abbiamo iniziato stimando un modello con un singolo profilo e poi abbiamo aumentato progressivamente il numero di profili latenti, valutando gli indici di adattamento ad ogni passaggio. La stima del modello sarebbe stata interrotta all’emergere di problemi di sottoidentificazione empirica o di convergenza. In linea con Sorgente et al. (2019), abbiamo selezionato il modello ottimale in base a una combinazione di indici di adattamento relativi, tra cui misure descrittive e test statistici.

Abbiamo usato cinque diverse misure descrittive: l’Akaike Information Criterion (AIC), il Consistent Akaike Information Criterion (CAIC), la Approximate Weight of Evidence (AWE), il Bayesian Information Criterion (BIC), ed il Sample-size Adjusted Bayesian Information Criterion (ssBIC). Valori più piccoli di esse indicano un miglior fit. I test statistici utilizzati sono stati il Vuong-Lo-Mendell-Rubin likelihood ratio test (VLMR-LRT), l’adjusted Lo-Mendell-Rubin likelihood ratio test (LMR-LRT), ed il parametric bootstrapped likelihood ratio test (BLRT). Questi test confrontano un modello a (k-1)profili con un modello a k profili. Un valore di p statisticamente significativo indica che il modello a k profili si adatta ai dati meglio del modello con un profilo in meno. Al contrario, se il valore di p non è significativo, il modello a k profili è altrettanto valido di quello a (k-1)profili, quindi il modello con meno profili dovrebbe essere preferito per motivi di parsimonia.

Dopo aver selezionato i modelli migliori, è stata valutata la qualità della loro classificazione ovvero dell’assegnazione delle persone ai profili. La classificazione diagnostica più comunemente utilizzata è l’entropia (Ek), che riassume la precisione complessiva della classificazione per l’intero campione su tutti i profili latenti. L’entropia varia da 0 (classificazione casuale) a 1 (classificazione a posteriori perfetta per tutti gli individui). Clark e Muthén (2009) suggeriscono una soglia >.80.

Inoltre, la qualità della classificazione è stata valutata controllando la Class Proportion (CPk), la Modal class assignment proportion (mcaPk), l’Average posterior probability (avePPk), e l’Odds of correct classification (OCCk). La classificazione può essere considerata buona quando il mcaPk per ogni profilo è incluso nell’intervallo di confidenza del 95%, i valori di avePPk sono uguali o superiori a .70 e i valori di OCCk sono superiori al 5 (Sorgente et al., 2019).

Una volta identificato il modello LPA ottimale, abbiamo salvato la più probabile appartenenza al profilo per ciascun individuo come variabile categorica osservata, la quale rappresenta il profilo comportamentale su LinkedIn. Questa variabile è stata successivamente utilizzata per analizzare la relazione tra l’appartenenza al profilo e le variabili socio-demografiche o attitudinali attraverso test ANOVA (o test di Welch in condizioni di eteroschedasticità) con confronti post-hoc di Bonferroni.

I tre profili utenti LinkedIn emersi dall’analisi

Abbiamo stimato nove modelli diversi, da 1 a 9 profili, e ci siamo fermati prima del modello a 10 profili perché la Best Loglikelihood non è stata replicata. Come mostrato nella Tabella 2, la soluzione a tre profili sembra essere la migliore in termini di parsimonia, come indicato sia dal test VLMR che dal test LMR-LRT. Inoltre, essa presenta indici di fit soddisfacenti.

Abbiamo quindi esaminato la soluzione a tre profili attraverso le diagnostiche di classificazione. Come riportato nella Tabella 3, questa soluzione ha soddisfatto i criteri diagnostici di classificazione, indicando che ben si adatta ai dati e ha identificato profili ben differenziati tra loro. Il livello di entropia, AvePP, OCC e mcaP sono tutti soddisfacenti. (Sorgente et al., 2019).

I 3 profili ottenuti (vedi Figura 1), che rappresentano diversi pattern di utilizzo di LinkedIn, sono stati etichettati: “Osservatori passivi” (N = 244; 22,7% del campione), “Networker informativi” (N = 631; 58,8%) e “Comunicatori attivi” (N = 199; 18,5%). Il profilo degli “Osservatori passivi” presenta la più bassa approvazione di tutti gli otto comportamenti, con valori un po’ più alti (2,9 in un intervallo da 1 a 5) solo per “consultare offerte di lavoro”. Il profilo “Networker informativi”, che è il più diffuso, presenta un’approvazione media degli indicatori con una maggiore propensione a mettere like ai post, a seguire profili delle aziende e ad aggiungere nuovi contatti. Infine, i “Comunicatori attivi” sembrano presentare in egual misura tutti i comportamenti consentiti da LinkedIn, in particolare la possibilità di scrivere messaggi a un’altra persona, che è l’attività meno approvata dagli altri due profili (3,3 contro 2,1 dei “Networker informativi” e 1,5 dei “Comunicatori attivi”).

Figura 1. Rappresentazione grafica dei 3 profili di utenti di LinkedIn.

Correlazioni tra profili utenti LinkedIn e variabili demografiche e motivazionali

Infine, abbiamo condotto una serie di ANOVA per esaminare le differenze nelle covariate tra i 3 profili. Prima di ogni test, è stata verificata l’ipotesi di omogeneità delle varianze utilizzando il test di Levene. Laddove tale ipotesi non era soddisfatta (test di Levene significativo), abbiamo impiegato il test di Welch che, non presupponendo l’uguaglianza delle varianze e aggiustando di conseguenza i gradi di libertà, fornisce una valutazione più robusta delle differenze di gruppo in condizioni di eteroschedasticità.

Come illustrato nella Tabella 4, i risultati di tutte le ANOVA e dei test di Welch per le 14 variabili dimostrano una differenza significativa tra i tre profili, con l’eccezione del genere, dell’età e dell’utilizzo di LinkedIn per seguire corsi di formazione su LinkedIn Learning, che non presentano differenze statistiche tra i profili.

La tabella 5 riporta i risultati dei test post-hoc. È emerso un chiaro pattern: i Comunicatori attivi hanno riportato una maggiore soddisfazione nell’uso di LinkedIn e, in generale, una maggiore presenza delle diverse motivazioni all’uso della piattaforma. In particolare, le motivazioni più discriminanti, rispetto agli altri due profili, sono l’utilizzo di LinkedIn per: sentirsi parte di una comunità, per vendere qualcosa, per trasmettere un’immagine positiva di sé, per esprimere idee e opinioni e per promuovere il profilo per renderlo più popolare. È interessante notare che questo profilo riporta anche i valori più alti nell’item sull’utilizzo per trovare relazioni sentimentali, ma le differenze post-hoc non sono significative. Per quanto riguarda i Networker informativi, essi riportano i livelli più alti di istruzione, i valori più bassi nell’item sull’uso per trovare relazioni sentimentali (anche se questo non ha raggiunto la significatività statistica nel test post-hoc) e il livello più alto di utilizzo per seguire ed essere informati su ciò che fanno le altre aziende. Per il resto, hanno mostrato caratteristiche tipicamente intermedie tra quelle dei Comunicatori attivi e degli Osservatori passivi. Infine, gli Osservatori passivi riportano i livelli più bassi di istruzione, la minore soddisfazione e quasi sempre i livelli più bassi di presenza della motivazione all’uso di LinkedIn (con l’eccezione dell’uso per trovare relazioni sentimentali).

Tabella 4. Risultati delle ANOVA fra i 3 profili e le covariate.

Nota. Quando veniva usato il Welch test, abbiamo inserito una “W” nella prima colonna

Tabella 5. Test post-hoc.

Nota. OP = Osservatori Passivi; CA = Comunicatori Attivi; NI = Networker Informativi. *** p < .001. ** p < .01. * p < .05. GH = Games-Howell post-hoc test; BO = Bonferroni post-hoc test.

Discussione sui profili utenti LinkedIn: implicazioni e conclusioni

I risultati di questo studio offrono una comprensione più approfondita dell’utilizzo di LinkedIn, identificando tre profili distinti di utenti attraverso un’analisi basata su un approccio person-centered. L’emergere di tre profili – Osservatori passivi, Networker informativi e Comunicatori attivi – riflette differenti pattern comportamentali sulla piattaforma, ciascuno con caratteristiche motivazionali distintive.

• Il profilo Osservatori passivi (22,7% del campione) presenta un limitato coinvolgimento con le funzionalità della piattaforma, mostrando un utilizzo prevalentemente finalizzato alla consultazione delle offerte di lavoro. Questo gruppo si distingue per i livelli più bassi di soddisfazione nell’uso della piattaforma e per un minor interesse nei confronti della maggior parte delle motivazioni indagate, suggerendo un approccio strumentale e circoscritto alla piattaforma. Tale risultato è in linea con quanto evidenziato da Smith e Watkins (2020) riguardo alla presenza di utenti che utilizzano LinkedIn principalmente come strumento informativo, limitando la propria attività all’osservazione passiva e al reperimento di informazioni generali. Il profilo Osservatori passivi presenta inoltre i livelli più bassi di istruzione formale, elemento che potrebbe parzialmente spiegare un coinvolgimento più superficiale con le funzionalità professionali avanzate della piattaforma.

• Il profilo Networker informativi, che rappresenta la maggioranza del campione (58,8%), mostra un utilizzo moderato di LinkedIn, con una particolare propensione per le attività di networking come l’aggiunta di nuovi contatti, la consultazione di profili aziendali e l’apprezzamento dei contenuti altrui. Questo gruppo si distingue per i livelli più elevati di istruzione formale e per un interesse significativo nel seguire e informarsi sulle attività di altre aziende. Tale risultato suggerisce che questo profilo possa rappresentare professionisti che utilizzano la piattaforma come strumento di aggiornamento e networking strategico, in linea con quanto osservato da Florenthal (2014) riguardo al ruolo di LinkedIn come fonte di informazioni professionali e sviluppo di carriera.
• Il profilo Comunicatori attivi (18,5%) evidenzia un coinvolgimento intenso e variegato con tutte le funzionalità della piattaforma, dimostrando una particolare propensione alla comunicazione diretta con altri utenti attraverso messaggi privati. Questo gruppo riporta i livelli più elevati di soddisfazione nell’uso della piattaforma e mostra un forte endorsement di motivazioni quali il sentirsi parte di una comunità professionale, la promozione di una immagine positiva di sé, l’espressione di idee e opinioni, e la promozione del proprio profilo. Tali risultati supportano quanto evidenziato da Kim e Cha (2017) riguardo all’importanza dell’autopresentazione e dell’autopromozione come motivazioni fondamentali per l’utilizzo intensivo di LinkedIn.

In una prospettiva più ampia, i risultati del nostro studio si allineano con il framework della Uses and Gratifications Theory (Katz et al., 1973), evidenziando come le differenze nei pattern d’uso di LinkedIn siano associate a specifiche configurazioni motivazionali. In particolare, emerge come l’intensità dell’utilizzo sia positivamente correlata con la soddisfazione e con motivazioni orientate sia alla sfera comunitaria (sentirsi parte di una comunità professionale) sia a quella dell’autopresentazione (promuovere una immagine positiva di sé). Questo suggerisce che, nonostante le peculiarità professionali della piattaforma, LinkedIn soddisfi bisogni psicologici complessi che vanno oltre la mera ricerca di opportunità lavorative.

Contrariamente a quanto potrebbe essere ipotizzato, variabili demografiche come età e genere non mostrano differenze significative tra i profili identificati. Questo risultato diverge parzialmente da quanto osservato in studi su altri SN (Correa et al., 2010), dove tali variabili spesso emergono come predittori significativi dei pattern d’uso. Una possibile interpretazione di questa discrepanza risiede nella natura professionale di LinkedIn, che potrebbe attenuare le differenze intergenerazionali e di genere tipicamente osservate in SN più orientati all’intrattenimento o alla socializzazione.

Alcuni limiti metodologici dello studio

Il nostro studio presenta alcuni limiti metodologici che meritano considerazione. In primo luogo, l’impostazione cross-sectional della ricerca non consente di stabilire relazioni causali tra le variabili esaminate. In secondo luogo, nonostante l’ampiezza e l’eterogeneità del campione, la sua natura non probabilistica e l’estensione della ricerca al solo contesto italiano limita la generalizzabilità dei risultati. Inoltre, l’utilizzo di misure self-report potrebbe essere soggetto a distorsioni legate alla desiderabilità sociale, particolarmente rilevanti nel contesto di una piattaforma orientata alla presentazione professionale.

I risultati di questo studio si allineano con gli obiettivi dell’Agenda Digitale italiana ed europea, fornendo evidenze empiriche utili alla comprensione dei modelli di utilizzo delle piattaforme professionali. La segmentazione degli utenti LinkedIn può informare politiche di inclusione digitale e sviluppo delle competenze professionali, priorità nell’attuale contesto di trasformazione digitale del mercato del lavoro. Gli studi recenti evidenziano come la profilazione digitale negli strumenti per l’occupazione richieda un bilanciamento tra efficienza algoritmica e tutela dei diritti (Cerruto, 2023, p. 58). In particolare, le linee guida AgID (2022) sottolineano la necessità di modelli predittivi verificabili e non discriminatori per l’abbinamento domanda-offerta di lavoro, principio che trova applicazione diretta nell’analisi dei profili LinkedIn, dove la segmentazione motivazionale potrebbe ottimizzare servizi di orientamento professionale in linea con gli SDG 8 dell’Agenda 2030.

Le implicazioni pratiche di questi risultati

Le implicazioni pratiche di questi risultati sono molteplici. Dal punto di vista dei progettisti di piattaforme di servizi per il lavoro, la comprensione dei diversi profili di utenti può informare lo sviluppo di funzionalità specifiche che rispondano alle esigenze di ciascun cluster. Comprendere cosa motiva gli utilizzatori di sistemi “affini” all’utilizzo, può essere d’aiuto per la promozione, ad esempio, di servizi pubblici. Ad esempio, per gli Osservatori passivi potrebbero essere implementati strumenti che facilitino la consultazione delle offerte di lavoro, mentre per i Comunicatori attivi potrebbero essere sviluppate funzionalità avanzate di networking e autopresentazione. Dal punto di vista dei consulenti di carriera, la consapevolezza delle differenti modalità di utilizzo della piattaforma può supportare interventi personalizzati che massimizzino i benefici di LinkedIn in base alle caratteristiche individuali dei clienti.

Per le ricerche future, sarebbe interessante esplorare la stabilità temporale dei profili identificati, attraverso studi longitudinali che monitorino l’evoluzione dei pattern d’uso nel tempo e consentano l’implementazione di una Latent Transition Analysis. Inoltre, l’integrazione di dati comportamentali oggettivi, raccolti attraverso la collaborazione con la piattaforma stessa, potrebbe arricchire la comprensione delle dinamiche d’uso al di là delle autovalutazioni. Infine, un’analisi comparativa tra diverse culture o contesti nazionali potrebbe evidenziare come fattori socio-culturali influenzino la configurazione dei profili d’uso di LinkedIn.

Bibliografia

AgID. (2022). Linee guida per l’uso etico degli algoritmi nei servizi pubblici per il lavoro.

Alhabash, S., & Ma, M. (2017). A tale of four platforms: Motivations and uses of Facebook, Twitter, Instagram, and Snapchat among college students? Social Media + Society, 3(1), 1–13. https://doi.org/10.1177/2056305117691544

Amichai-Hamburger, Y., & Vinitzky, G. (2010). Social network use and personality. Computers in Human Behavior, 26(6), 1289–1295. https://doi.org/10.1016/j.chb.2010.03.018

Becker, T. E. (2005). Potential problems in the statistical control of variables in organizational research: A qualitative analysis with recommendations. Organizational research methods, 8(3), 274-289. https://doi.org/10.1177/1094428105278021

Bernerth, J. B., & Aguinis, H. (2016). A critical review and best‐practice recommendations for control variable usage. Personnel psychology, 69(1), 229-283. https://doi.org/10.1111/peps.12103

Blank, G., & Lutz, C. (2017). Representativeness of social media in Great Britain: Investigating Facebook, LinkedIn, Twitter, Pinterest, Google+, and Instagram. American Behavioral Scientist, 61(7), 741–756. https://doi.org/10.1177/0002764217717559

Cerruto, M. (2023). Profili digitali e politiche attive del lavoro: Un’analisi critica delle piattaforme italiane. Quaderni di Agenda Digitale, XIV(2), 45-67.

Cheung, C. M., Chiu, P. Y., & Lee, M. K. (2011). Online social networks: Why do students use facebook? Computers in Human Behavior, 27(4), 1658–1666. https://doi.org/10.1016/j.chb.2010.07.028

Cialdini, R. B., Kallgren, C. A., & Reno, R. R. (1991). A Focus Theory of Normative Conduct: A Theoretical Refinement and Reevaluation of the Role of Norms in Human Behavior. In M. P. Zanna (Ed.), Advances in Experimental Social Psychology, 24, 201–234. Academic Press. https://doi.org/10.1016/S0065-2601(08)60330-5

Clark, S. L., & Muthén, B. (2009). Relating latent class analysis results to variables not included in the analysis.

Correa, T., Hinsley, A. W., & Zúñiga, H. G. (2010). Who interacts on the web?: The intersection of users’ personality and social media use. Computers in Human Behavior, 26(2), 247–253. https://doi.org/10.1016/j.chb.2009.09.003

Cubrich, M., Wang, T. Y., & Danko, T. (2021). LinkedIn as a professional development tool among college students. The Career Development Quarterly, 69(2), 126–140.

Da Costa, A., Reis, F., & Santos, C. (2008). Social networks and identity. Journal of Computer-Mediated Communication, 13(1), 210–230.

Dibb, S. (1998). Market segmentation: Strategies for success. Marketing Intelligence & Planning, 16(7), 394–406. https://doi.org/10.1108/02634509810244390

Ellison, N. B., & Boyd, D. (2013). Sociality through social network sites. In The Oxford handbook of internet studies (pp. 151–172). Oxford University Press.

Florenthal, B. (2014). Applying uses and gratifications theory to students’ LinkedIn usage. Young Consumers, 15(2), 127–144. https://doi.org/10.1108/YC-12-2013-00416

Healy, M., Cochrane, S., Grant, P., & Basson, M. (2023). LinkedIn as a pedagogical tool for careers and employability learning: a scoping review of the literature. Education + Training, 65(1), 106-125. https://doi.org/10.1108/et-01-2022-0004

Hirschi, A., & Valero, D. (2017). Chance events and career decidedness: Latent profiles in relation to work motivation. The Career Development Quarterly, 65(1), 2–15. https://doi.org/10.1002/cdq.12076

Hozhyi, D., & Lamiroy, B. (2017). Finding user’s psychological portrait by Facebook profile analysis. In 2017 14th IAPR International Conference on Document Analysis and Recognition (ICDAR) (Vol. 1, pp. 39–44). IEEE.

Johnson, K. M. (2017). The importance of personal branding in social media: educating students to create and manage their personal brand. International journal of education and social science, 4(1), 21-27.

Johnson, P. R., & Yang, S. U. (2009). Uses and gratifications of Twitter: An examination of user motives and satisfaction of Twitter use. Communication Quarterly, 58(1), 59–79.

Katz, E., Blumler, J. G., & Gurevitch, M. (1973). Uses and gratifications research. The Public Opinion Quarterly, 37(4), 509–523.

Kim, M., & Cha, J. (2017). A comparison of Facebook, Twitter, and LinkedIn: Examining motivations and network externalities for the use of social networking sites. First Monday, 22(11). https://doi.org/10.5210/fm.v22i11.8066

Kotler, P. (1994). Reconceptualizing marketing: an interview with Philip Kotler. European Management Journal, 12(4), 353-361. https://doi.org/10.1016/0263-2373(94)90021-3

LaRose, R., & Eastin, M. (2004). A social cognitive theory of internet uses and gratifications: Toward a new model of media attendance. Journal of Broadcasting & Electronic Media, 48(3), 358–377. https://doi.org/10.1207/s15506878jobem4803_2

Lestari, L., Nurita, D., Yasmin, A., & Norsiva, R. I. (2024). Generation Z Career Planning: Is LinkedIn an Important Platform for Career Planning among Generation Z in Indonesia?. KnE Social Sciences, 9(19), 148–156. https://doi.org/10.18502/kss.v9i19.16487

Lorenzo‐Romero, C., Constantinides, E., & Alarcón‐del‐Amo, M. D. C. (2011). Consumer adoption of social networking sites: implications for theory and practice. Journal of research in Interactive Marketing, 5(2/3), 170-188. https://doi.org/10.1108/17505931111187794

MacKenzie, A. M. (2023). Exploring college students’ satisfaction with LinkedIn Learning. Journal of Educational Technology Systems, 51(1), 114–129.

Masciantonio, A., & Bourguignon, D. (2023). Motivation Scale for Using Social Network Sites: Comparative Study between Facebook, Instagram, Twitter, Snapchat and LinkedIn. Psychologica Belgica, 63(1). https://doi.org/10.5334/pb.1161

Shao, W., Ross, M., & Grace, D. (2015). Developing a motivation-based segmentation typology of Facebook users. Marketing Intelligence & Planning, 33(7), 984–1002. https://doi.org/10.1108/MIP-01-2014-0014

Sheldon, P., & Bryant, K. (2016). Instagram: Motives for its use and relationship to narcissism and contextual age. Computers in Human Behavior, 58, 89–97. https://doi.org/10.1016/j.chb.2015.12.059

Shyron, B., & Leung, J. (2019). LinkedIn or left out? Social capital in the new digital labor market. In G. Ritzer & C. Rojek (Eds.), The Blackwell companion to digital sociology (pp. 241–258). Wiley-Blackwell.

Smith, C., & Watkins, A. (2020). Millennials’ motivations and gratifications on LinkedIn: A uses and gratifications perspective. Journal of Communication Inquiry, 44(4), 416–438.

Sorgente, A., Lanz, M., Serido, J., Tagliabue, S., & Shim, S. (2019). Latent Transition Analysis: Guidelines and an application to emerging adults’ social development. TPM: Testing, Psychometrics, Methodology in Applied Psychology, 26(1), 39-72. https://doi.org/10.4473/TPM26.1.3

Stremersch, J., Bouckenooghe, D., & Kanar, A. M. (2024). Exploring job seeker profiles through latent profile analysis. Journal of Career Assessment, 32(3), 427-444. https://doi.org/10.1177/10690727231201670

van Dijck, J. (2013). ‘You have one identity’: Performing the self on Facebook and LinkedIn. Media, Culture & Society, 35(2), 199–215.