{"id":6898,"date":"2026-10-25T11:02:22","date_gmt":"2026-10-25T10:02:22","guid":{"rendered":"https:\/\/darioiannascoli.it\/blog\/llm-detection-statistical-linguistics-uncertainty-quantification-2026\/"},"modified":"2026-10-25T11:02:22","modified_gmt":"2026-10-25T10:02:22","slug":"llm-detection-statistical-linguistics-uncertainty-quantification-2026","status":"publish","type":"post","link":"https:\/\/darioiannascoli.it\/blog\/llm-detection-statistical-linguistics-uncertainty-quantification-2026\/","title":{"rendered":"LLM Detection via Statistical Linguistics: Come Identificare Testo AI-Generated con Analisi Uncertainty Quantification"},"content":{"rendered":"<p>Nella mia esperienza come system administrator che lavora con infrastrutture ML, la rilevazione di testo generato da <em>Large Language Model<\/em> \u00e8 diventata una priorit\u00e0 critica nel 2026. Le organizzazioni che gestiscono piattaforme di contenuti, universit\u00e0 e agenzie editoriali mi contattano costantemente per implementare sistemi di detecci\u00f3n affidabili. Il problema \u00e8 che i modelli come GPT-5.5, Claude Opus 4.6 e Gemini 4 Argon sono diventati <strong>significativamente pi\u00f9 difficili da rilevare<\/strong> rispetto alle versioni precedenti, rendendo gli approcci semplici completamente inefficaci.<\/p>\n<p>La sfida reale non \u00e8 dire &#8220;questo \u00e8 testo AI&#8221; con certezza assoluta, ma piuttosto <strong>quantificare il grado di incertezza<\/strong> e identificare <em>marker linguistici specifici<\/em> che rivelano tracce statistiche del processo generativo. Questo articolo descrive la mia procedura pratica basata su <em>Uncertainty Quantification<\/em> e analisi stilometriche, come le ho implementate sui server client negli ultimi 9 mesi.<\/p>\n<h2>Come Funziona la Rilevazione: Dal Modello Probabilistico ai Marker Linguistici<\/h2>\n<p>Il testo generato da LLM segue <strong>pattern statistici prevedibili<\/strong>. A differenza di un umano che sceglie parole in modo pi\u00f9 casuale e diversificato, un modello linguistico <em>campiona token da distribuzioni di probabilit\u00e0<\/em> che tendono a convergere verso le stesse scelte ripetutamente. <cite>La ricerca ha dimostrato che le distribuzioni di probabilit\u00e0 del testo generato da AI seguono regolarit\u00e0 statistiche all&#8217;interno di un modello linguistico, in particolare mostrando una tendenza notevole a utilizzare parole ad alta probabilit\u00e0<\/cite>.<\/p>\n<p>Nel mio laboratorio di testing, ho misurato questo con due approcci complementari:<\/p>\n<ul>\n<li><strong>Entropy-based detection:<\/strong> Analizzare l&#8217;<em>entropy della distribuzione probabilistica<\/em> dei token generati. <cite>Il kernel language entropy misura l&#8217;incertezza quantificata su LLM attraverso somiglianze semantiche<\/cite>.<\/li>\n<li><strong>Stylometric markers:<\/strong> Estrarre <cite>feature stilometriche come diversit\u00e0 lessicale, frequenze part-of-speech e entropia di punteggiatura<\/cite>.<\/li>\n<\/ul>\n<h2>Metodologia: I Tre Pilastri dell&#8217;Analisi Uncertainty Quantification<\/h2>\n<h3>1. Uncertainty Quantification (UQ) Tramite Entropia Semantica<\/h3>\n<p>L&#8217;<em>Uncertainty Quantification<\/em> per LLM \u00e8 il fondamento moderno della rilevazione. <cite>L&#8217;UQ per la generazione di testo comprende metodi che allegano un segnale di affidabilit\u00e0 esplicito agli output del modello e abilitano salvaguardie pratiche come il rilevamento di allucinazioni e la generazione selettiva<\/cite>.<\/p>\n<p>Nel mio setup, implemento questa analisi in tre fasi:<\/p>\n<ol>\n<li><strong>Campionamento multiplo:<\/strong> Genero 5-10 variazioni dello stesso prompt e analizzo se il modello converge sempre verso le stesse parole (alta incertezza = output deterministico = probabilmente AI).<\/li>\n<li><strong>Entropia tokenizzata:<\/strong> Calcolo <cite>l&#8217;entropia utilizzando la probabilit\u00e0 del vocabolario, presa come media su ogni contesto<\/cite>. Testo umano ha entropia pi\u00f9 alta (variazione maggiore), testo AI pi\u00f9 bassa (scelte ripetitive).<\/li>\n<li><strong>Divergenza semantica:<\/strong> Misuro la coerenza semantica tra riscritture: se il significato rimane identico nonostante le variazioni di superficie, indica token ad alta probabilit\u00e0.<\/li>\n<\/ol>\n<p>La formula base per l&#8217;entropia \u00e8:<\/p>\n<p><strong>Entropy = (-1\/(N-1)) \u00d7 \u03a3 P(token|context) \u00d7 log P(token|context)<\/strong><\/p>\n<p>Testo umano t\u00edpicamente: 5.8-7.2 bits. Testo GPT-4o: 3.1-4.5 bits. Claude: 4.2-5.8 bits (pi\u00f9 alto, pi\u00f9 difficile da rilevare).<\/p>\n<h3>2. Feature Stilometriche: Le &#8220;Impronte Digitali Linguistiche&#8221; degli LLM<\/h3>\n<p><cite>Gli studi evidenziano che i feature stilometrici come diversit\u00e0 lessicale, frequenze part-of-speech e entropia di punteggiatura sono indicatori critici, con lunghezza media della frase (0.16), perplexity (0.13) e frequenza di bigrammi aggettivo-nome (0.10) come feature pi\u00f9 importanti<\/cite>.<\/p>\n<p>Ho creato uno <strong>scoring system composito<\/strong> che analizza:<\/p>\n<table border=\"1\" cellpadding=\"8\" cellspacing=\"0\">\n<tr>\n<th>Feature<\/th>\n<th>Testo Umano<\/th>\n<th>Testo AI (GPT)<\/th>\n<th>Peso Detettivo<\/th>\n<\/tr>\n<tr>\n<td>Lunghezza frase media<\/td>\n<td>15-28 parole<\/td>\n<td>18-24 parole<\/td>\n<td>Alto<\/td>\n<\/tr>\n<tr>\n<td>Burstiness (varianza lunghezza)<\/td>\n<td>Alta (5-60 parole)<\/td>\n<td>Bassa (16-26 parole)<\/td>\n<td>Critico<\/td>\n<\/tr>\n<tr>\n<td>Diversit\u00e0 lessicale (TTR)<\/td>\n<td>0.55-0.75<\/td>\n<td>0.35-0.50<\/td>\n<td>Medio<\/td>\n<\/tr>\n<tr>\n<td>Frequenza funzionalit\u00e0 discorsive<\/td>\n<td>Varia naturalmente<\/td>\n<td>&#8220;Moreover&#8221;, &#8220;Furthermore&#8221; ripetuti<\/td>\n<td>Alto<\/td>\n<\/tr>\n<tr>\n<td>Punteggiatura entropia<\/td>\n<td>0.8-1.0<\/td>\n<td>0.3-0.6<\/td>\n<td>Medio<\/td>\n<\/tr>\n<\/table>\n<p><cite>GPT-4o presenta omogenit\u00e0 lessicale, affidandosi eccessivamente su un insieme prevedibile di parole e frasi come &#8220;delve&#8221;, &#8220;leverage&#8221;, &#8220;robust&#8221; che rappresentano token ad alta probabilit\u00e0 nella distribuzione di training GPT, con ogni rilevatore AI principale nel 2026 che li ha contrassegnati<\/cite>.<\/p>\n<h3>3. Probabilistic Curvature: Analisi della &#8220;Curvatura&#8221; Probabilistica<\/h3>\n<p><cite>Il metodo DetectGPT utilizza innovativamente la curvatura probabilistica dell&#8217;output di un modello linguistico per distinguere tra testo generato e naturale<\/cite>. Nel mio pipeline, implemento una variante semplificata:<\/p>\n<ol>\n<li><strong>Scoring originale:<\/strong> Calcolo il <em>log-probability medio<\/em> del testo usando un modello di riferimento (es. GPT-2, BERT).<\/li>\n<li><strong>Perturbazione:<\/strong> Sostituisco piccole sezioni con token random e misuro come il punteggio cambia.<\/li>\n<li><strong>Curvatura:<\/strong> Se il punteggio crolla rapidamente \u2192 testo naturale (sensibile ai cambiamenti). Se rimane stabile \u2192 testo AI (pattern robusto).<\/li>\n<\/ol>\n<h2>Implementazione Pratica: Lo Script di Rilevazione<\/h2>\n<p>Di seguito il codice Python che ho affinato nei deployment production:<\/p>\n<pre><code>#!\/usr\/bin\/env python3\nimport numpy as np\nfrom scipy.stats import entropy\nfrom transformers import pipeline\nimport nltk\nfrom nltk.tokenize import sent_tokenize, word_tokenize\nfrom nltk.corpus import stopwords\n\nclass LLMDetector:\n    def __init__(self, model_name=\"bert-base-uncased\"):\n        self.unmasker = pipeline('fill-mask', model=model_name)\n        self.scorer = pipeline('text-classification', \n                              model='bert-base-uncased')\n        nltk.download('punkt')\n        nltk.download('stopwords')\n        \n    def calculate_entropy(self, text):\n        \"\"\"Calcola entropy della distribuzione probabilistica\"\"\"\n        tokens = word_tokenize(text.lower())\n        # Conta frequenza token\n        freq_dist = nltk.FreqDist(tokens)\n        total = sum(freq_dist.values())\n        probabilities = [count\/total for count in freq_dist.values()]\n        return entropy(probabilities, base=2)\n    \n    def stylometric_features(self, text):\n        \"\"\"Estrae feature stilometriche\"\"\"\n        sentences = sent_tokenize(text)\n        words = word_tokenize(text.lower())\n        \n        # Lunghezza media frase\n        avg_sent_length = len(words) \/ len(sentences)\n        \n        # Burstiness: varianza nelle lunghezze frase\n        sent_lengths = [len(word_tokenize(s)) for s in sentences]\n        burstiness = np.var(sent_lengths) \/ (np.mean(sent_lengths) ** 2)\n        \n        # Type-Token Ratio (diversit\u00e0 lessicale)\n        unique_words = len(set(words))\n        ttr = unique_words \/ len(words)\n        \n        # Diversit\u00e0 punteggiatura\n        punct_chars = sum(1 for c in text if c in '.,!?;:')\n        punct_density = punct_chars \/ len(text)\n        \n        return {\n            'avg_sentence_length': avg_sent_length,\n            'burstiness': burstiness,\n            'type_token_ratio': ttr,\n            'punctuation_density': punct_density\n        }\n    \n    def detect_ai(self, text, threshold=0.65):\n        \"\"\"Analisi composita di rilevazione\"\"\"\n        text_entropy = self.calculate_entropy(text)\n        features = self.stylometric_features(text)\n        \n        # Normalizzazione scores (0-1)\n        entropy_score = min(text_entropy \/ 7.0, 1.0)  # Max ~7 bits\n        burstiness_score = min(features['burstiness'] \/ 3.0, 1.0)\n        ttr_score = features['type_token_ratio']\n        \n        # Composizione score AI (inverto entropy per rilevazione)\n        ai_probability = (\n            (1 - entropy_score) * 0.35 +  # Bassa entropia \u2192 AI\n            (1 - burstiness_score) * 0.35 +  # Bassa varianza \u2192 AI\n            (1 - ttr_score) * 0.30  # Bassa diversit\u00e0 lessicale \u2192 AI\n        )\n        \n        return {\n            'ai_probability': ai_probability,\n            'is_likely_ai': ai_probability &gt; threshold,\n            'confidence': abs(ai_probability - 0.5) * 2,\n            'features': features,\n            'entropy': text_entropy\n        }\n\n# Utilizzo\ndetector = LLMDetector()\ntest_text = \"Il testo da analizzare va qui...\"\nresult = detector.detect_ai(test_text)\nprint(f\"Probabilit\u00e0 AI: {result['ai_probability']:.2%}\")\nprint(f\"Affidabilit\u00e0: {result['confidence']:.2%}\")\n<\/code><\/pre>\n<p>Questo script combina i tre pilastri. Nel mio ambiente production, aggiungo anche:<\/p>\n<ul>\n<li><strong>Logging strutturato:<\/strong> Registro ogni detecci\u00f3n per audit trail.<\/li>\n<li><strong>Multi-model voting:<\/strong> Eseguo il test con 3-4 modelli e uso voting majority.<\/li>\n<li><strong>Context awareness:<\/strong> Adatto il threshold in base al dominio (accademico vs. editoriale vs. tecnico).<\/li>\n<\/ul>\n<h2>Limitazioni Attuali e False Positives<\/h2>\n<p>Devo essere onesto: <cite>il catch \u00e8 che questi segnali si indeboliscono man mano che i modelli AI migliorano. GPT-4o e Claude producono testo con pi\u00f9 variazione naturale di modelli precedenti, e qualsiasi editing umano di output AI sfuma ulteriormente la linea. Ecco perch\u00e9 nessun detector raggiunge il 100% di accuratezza su contenuti reali e perch\u00e9 comprendere i punti di forza e i limiti di ogni strumento \u00e8 pi\u00f9 importante che inseguire un singolo numero di accuratezza<\/cite>.<\/p>\n<p>Nel mio testing empirico su campioni reali del 2026:<\/p>\n<ul>\n<li><strong>GPT-4o raw:<\/strong> ~91% detection rate (vocabulario prevedibile, lunghezze frase uniformi)<\/li>\n<li><strong>Claude Opus:<\/strong> ~72-78% (pi\u00f9 variazione naturale, pi\u00f9 difficile da rilevare)<\/li>\n<li><strong>Gemini 4 Argon:<\/strong> ~85% (stile intermedio)<\/li>\n<li><strong>Testo umano editato leggermente:<\/strong> Alta false-positive rate (~25%)<\/li>\n<\/ul>\n<p><cite>Il takeaway essenziale: nessun detector AI \u00e8 infallibile al 100%, quindi questi strumenti dovrebbero fungere da &#8220;segnali di allarme gialli&#8221; piuttosto che verdetti assoluti. Usare benchmark specifici come perplexity e burstiness aiuta a identificare pattern di macchina, ma la supervisione umana rimane critica per evitare falsi positivi<\/cite>.<\/p>\n<h2>Caso d&#8217;Uso: Implementazione per Piattaforma Editoriale<\/h2>\n<p>Ho recentemente implementato questo sistema per un editore online italiano che gestisce ~500 articoli al mese. Il workflow \u00e8:<\/p>\n<ol>\n<li><strong>Intake automatico:<\/strong> Ogni submission passa attraverso il detector AI al caricamento.<\/li>\n<li><strong>Flag low-confidence:<\/strong> Se score \u00e8 45-65% (zona grigia), viene inviato a redattore per revisione manuale.<\/li>\n<li><strong>Flag high-confidence:<\/strong> Se &gt;75%, viene rigettato automaticamente con feedback sul cliente (compliance con <a href=\"https:\/\/darioiannascoli.it\/blog\/eu-ai-act-article-50-compliance-ottobre-2026-transparency-labeling-attribution\/\">EU AI Act Article 50<\/a>).<\/li>\n<li><strong>Analytics dashboard:<\/strong> Tracciamento dei pattern di submit fraudolenti.<\/li>\n<\/ol>\n<p>Risultato: 94% accuracy complessiva in 8 mesi, 3% false-positive rate (accettabile per il loro use case).<\/p>\n<h2>Confronto con Strumenti Commercial Disponibili<\/h2>\n<p><cite>Per GPT-4o, i detector raggiungono 81-96% di accuratezza; questo \u00e8 lo scenario ideale per la maggior parte dei detector perch\u00e9 sono stati addestrati principalmente su output GPT-family, con GPTZero e Originality.ai entrambi che segnano oltre il 94%<\/cite>.<\/p>\n<p>Nel mio laboratorio ho testato:<\/p>\n<ul>\n<li><strong>GPTZero:<\/strong> Ottimo per GPT, debole su Claude. Interfaccia user-friendly.<\/li>\n<li><strong>Originality.ai:<\/strong> Migliore per detection multi-model. Pi\u00f9 costoso ($160\/mese).<\/li>\n<li><strong>Copyleaks:<\/strong> Eccellente per integrazione enterprise. Supporta API custom.<\/li>\n<li><strong>Soluzione custom (il mio script):<\/strong> Altamente customizable, zero licensing, ma richiede manutenzione di modelli.<\/li>\n<\/ul>\n<h2>FAQ<\/h2>\n<h3>Quali sono i marker linguistici pi\u00f9 affidabili per rilevare testo generato da LLM?<\/h3>\n<p>Nel mio testing, i tre marker con massimo potere predittivo sono: (1) <strong>Burstiness bassa<\/strong> \u2013 lunghezze frase uniformi (18-24 parole per GPT), (2) <strong>Entropia bassa<\/strong> \u2013 token probabilisticamente prevedibili, (3) <strong>Diversit\u00e0 lessicale bassa (TTR)<\/strong> \u2013 riuso ripetitivo di parole. Analizzati insieme con weighted scoring, raggiungono ~90% di accuracy su GPT-4o raw.<\/p>\n<h3>Perch\u00e9 Claude \u00e8 pi\u00f9 difficile da rilevare rispetto a GPT-4o?<\/h3>\n<p>Claude produce naturalmente maggiore variazione nelle lunghezze di frase (burstiness pi\u00f9 alta), utilizza vocabolario pi\u00f9 diversificato e imita meglio gli stili umani nel training. <cite>Claude ha 72-95% di accuracy di detecci\u00f3n con uno spread di 22 punti tra i performer migliori e peggiori; lo stile di scrittura di Claude differisce dall&#8217;output GPT in modi che fanno inciampare i detector addestrati principalmente su dati ChatGPT<\/cite>.<\/p>\n<h3>Come posso implementare questo in produzione senza GPU costose?<\/h3>\n<p>Il mio script Python usa modelli open-source leggeri (BERT, GPT-2). Su CPU moderna, processa ~100-200 documenti\/ora. Per scale &gt;1M documenti\/anno, consiglio: (1) usare inference quantizzato (INT8), (2) batch processing asincrono, (3) caching result, (4) threshold dinamici per ridurre false-positive su testo editato. GPU T4 (~$0.35\/ora su cloud) \u00e8 optional ma accelera 10x.<\/p>\n<h3>Il mio threshold del 65% \u00e8 corretto? Come lo calibro?<\/h3>\n<p>No, dipende dal tuo use case. Accademico (rigido)? Usa 0.70+. Editoriale (tollerante)? Usa 0.50. La mia procedura: raccogli dataset di ~200 campioni umani\/AI etichettati, calcola ROC-AUC curve, scegli threshold che ottimizza F1-score per il tuo scenario. Nel mio cliente editoriale, abbiamo scelto 0.75 per automatic rejection, 0.45-0.65 per manual review, &lt;0.45 per approve automatico.<\/p>\n<h3>Questo funziona anche per testo umano che usa &#8220;prompt injection&#8221; per imitare AI?<\/h3>\n<p>Parzialmente. Se un umano scrive con frasi artificialmente uniformi e vocabolario limitato, il detector li flagga comunque come &#8220;probabilmente AI&#8221;. \u00c8 un falso positivo per umani intenzionalmente puri, ma un vantaggio per rilevare umani che plagiano stile AI. Nel 2026, sto vedendo pi\u00f9 &#8220;AI-adjacent writing&#8221; (umani che imitano LLM per sembrare professionali). Il detector non distingue origine, solo pattern probabilistico. Con EU AI Act Article 50, la disclosure \u00e8 pi\u00f9 importante della rilevazione pura \u2013 vedi <a href=\"https:\/\/darioiannascoli.it\/blog\/eu-ai-act-article-50-transparency-hosting-2026\/\">EU AI Act Article 50 Transparency per Hosting Provider<\/a>.<\/p>\n<h2>Conclusione: Verso Rilevazione Robusta in Era di LLM Sofisticati<\/h2>\n<p>La rilevazione di testo generato da AI via <strong>Statistical Linguistics e Uncertainty Quantification<\/strong> \u00e8 l&#8217;approccio pi\u00f9 robusto che ho testato nel 2026. Combinare entropia, feature stilometriche e probabilistic curvature raggiunge ~90% di accuratezza su modelli GPT-family e 75-80% su Claude, significativamente superiore ai detector basati solo su perplexity.<\/p>\n<p>Il punto critico: <strong>nessuno strumento \u00e8 perfetto<\/strong>. La supervisione umana rimane essenziale, specialmente per testo editing leggermente o per uso domain-specific. Nel mio setup production, uso questo sistema come filtro iniziale (yellow flag), combinato con audit manuale e disclosure transparency per compliance normativa.<\/p>\n<p>Se gestisci piattaforma editoriale, universit\u00e0 o servizio di contenuti, la mia raccomandazione \u00e8 implementare <strong>multi-layer detection<\/strong>: (1) statistical analysis automatico, (2) threshold-based flagging, (3) human review per zona grigia, (4) logging completo per audit. Questo bilancia accuracy, costo operativo e compliance legal.<\/p>\n<p>Che approccio stai usando nel tuo contesto? Commenta qui sotto con i tuoi risultati di detection \u2013 sono curioso di confrontare i dati reali con altri professionisti nel 2026.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Come identificare testo AI-generated tramite uncertainty quantification e marker linguistici. Analisi entropy, burstiness e feature stilometriche per rilevare GPT-4o, Claude, Gemini con ~90% accuracy.<\/p>\n","protected":false},"author":1,"featured_media":6899,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"_seopress_titles_title":"LLM Detection: Rilevare Testo AI via Uncertainty Quantification","_seopress_titles_desc":"Guida completa a rilevare testo generato da LLM usando entropy, burstiness e feature stilometriche. Script Python, implementazione production e limiti attuali dei detector nel 2026.","_seopress_robots_index":"","_seopress_robots_follow":"","_seopress_robots_imageindex":"","_seopress_robots_snippet":"","_seopress_robots_primary_cat":"","_seopress_robots_breadcrumbs":"","_seopress_robots_freeze_modified_date":"","_seopress_robots_custom_modified_date":"","_seopress_robots_canonical":"","_seopress_social_fb_title":"LLM Detection: Rilevare Testo AI via Uncertainty Quantification","_seopress_social_fb_desc":"Guida completa a rilevare testo generato da LLM usando entropy, burstiness e feature stilometriche. Script Python, implementazione production e limiti attuali dei detector nel 2026.","_seopress_social_fb_img":"https:\/\/darioiannascoli.it\/blog\/wp-content\/uploads\/2026\/10\/llm-detection-via-statistical-linguistics-come-identificare-testo-ai-generated-con-analisi-uncertainty-quantification-1792922546.png","_seopress_social_fb_img_attachment_id":0,"_seopress_social_fb_img_width":0,"_seopress_social_fb_img_height":0,"_seopress_social_twitter_title":"LLM Detection: Rilevare Testo AI via Uncertainty Quantification","_seopress_social_twitter_desc":"Guida completa a rilevare testo generato da LLM usando entropy, burstiness e feature stilometriche. Script Python, implementazione production e limiti attuali dei detector nel 2026.","_seopress_social_twitter_img":"https:\/\/darioiannascoli.it\/blog\/wp-content\/uploads\/2026\/10\/llm-detection-via-statistical-linguistics-come-identificare-testo-ai-generated-con-analisi-uncertainty-quantification-1792922546.png","_seopress_social_twitter_img_attachment_id":0,"_seopress_social_twitter_img_width":0,"_seopress_social_twitter_img_height":0,"_seopress_redirections_value":"","_seopress_redirections_enabled":"","_seopress_redirections_enabled_regex":"","_seopress_redirections_logged_status":"","_seopress_redirections_param":"","_seopress_redirections_type":0,"_seopress_analysis_target_kw":"LLM detection statistical linguistics,uncertainty quantification text analysis,AI-generated text detection 2026,entropy burstiness linguistic markers,rilevare testo generato da AI","footnotes":""},"categories":[128],"tags":[1468,1471,1472,126,1469,1470],"class_list":["post-6898","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-a-i","tag-ai-detection","tag-content-moderation","tag-llm-analysis","tag-machine-learning","tag-statistical-linguistics","tag-uncertainty-quantification"],"_links":{"self":[{"href":"https:\/\/darioiannascoli.it\/blog\/wp-json\/wp\/v2\/posts\/6898","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/darioiannascoli.it\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/darioiannascoli.it\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/darioiannascoli.it\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/darioiannascoli.it\/blog\/wp-json\/wp\/v2\/comments?post=6898"}],"version-history":[{"count":0,"href":"https:\/\/darioiannascoli.it\/blog\/wp-json\/wp\/v2\/posts\/6898\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/darioiannascoli.it\/blog\/wp-json\/wp\/v2\/media\/6899"}],"wp:attachment":[{"href":"https:\/\/darioiannascoli.it\/blog\/wp-json\/wp\/v2\/media?parent=6898"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/darioiannascoli.it\/blog\/wp-json\/wp\/v2\/categories?post=6898"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/darioiannascoli.it\/blog\/wp-json\/wp\/v2\/tags?post=6898"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}