Corpus Stammerjohann L’italiano parlato a Firenze nel 1965 dalle registrazioni di Harro Stammerjohann Ricerca finanziata dal “Fondo Nazionale Italiano per la Ricerca di Base (FIRB): “L’Italiano in Diacronia”
Corpus Stammerjohann N° Registrazioni: 30 Durata Totale: circa 47 Ore
TRACCIA 1 TRACCIA 2 TRACCIA 1 TRACCIA 2 TRACCIA 1 TRACCIA 2 TRACCIA 1 Scuola elementare Vitali / Perugi Artigiano Contini / Nencioni Conversazione in casa Vitali Conversazione Romoli Conversazione Braccini TRACCIA 2 San Frediano (Bendinelli) Bidello Magistero (Braschi) Artigiano San Frediano (Braschi) Barbiere via Faenza TRACCIA 1 Pinocchio (Pensione) Barbiere via Faenza Il grillo canterino Franco e Serena TRACCIA 2 Lilian’ s Conversazione Garavini TRACCIA 1 Conversazione in casa Vitali Barbiere via Faenza TRACCIA 2 Scherzo via San Gallo Copie Rai (Il grillo canterino) Facoltà di Lettere (Braccini) TRACCIA 1 Giardino d’ infanzia (Bendinelli) Amiche della Bendinelli Famiglia Studio Porcinai Il grillo canterino Rai Franco e Serena Giardino d’ infanzia San Frediano TRACCIA 2 Barbiere via Faenza
Durata Registrazioni (Totale: 2806 minuti)
Recupero del Corpus Stammerjohann Audio Digitalizzazione Campionamento Testo Trascrizione in formato CHAT Meta-dati Allineamento Testo-Audio dei testi con minore quantità di sovrapposizioni e migliore qualità acustica
Campionamento del corpus rispetto ai corpora di riferimento LABLITA e C-ORAL-ROM per la comparabilità dei dati linguistici
CORPUS ITALIANO C-ORAL-ROM (311.582 parole; 460 locutori) FORMAL 156.544 INFORMAL 155.048 10 testi di 4.500 parole 70 testi di 1.500 parole testi di 3.000 parole
C-ORAL-ROM ITALIANO INFORMALE DOMINIO SOCIOLOGICO D’USO Familiare e privato 128.696 Pubblico 26.352 Monologues 45.212 dial&convers 83.464 Monologues 6.050 dial&convers 20.241 STRUTTURA DELL’EVENTOCOMUNICATIVO
C-ORAL-ROM FORMAL Natural context Trasmissione non naturale 88.220 ( campionamento per genere e dominio semantico) Natural context 68.324 Trasmissione non naturale 88.220 Media 61.638 Téléphone 26.582 Droit Débat politique Religion Enseignement Conférence Explications professionnelles Affaires (testi di 3.000 parole) 30.598 –dialogical structure News Météo Interviews Reportages Science Talk show (testi di 3.000 parole) Dialogues Man-machine interactions
CAMPIONAMENTO dell’insieme di registrazioni continue in testi di dimensione tra le 1500 e le 4500 parole Il campionamento dialogico informale è fortemente comparabile Il campionamento dialogico regolato/formale è comparabile, con cautela Il parlato monologico non è comparabile I media sono scarsamente comparabili
Campionamento rispetto ai corpora di riferimento LABLITA e C-ORAL-ROM Corpus Stammerjohann 1965 : 47 h registrazioni trascritte 8h 31’ 96548 parole in 34 testi Corpus C-ORAL-ROM ’90 – 2003 : 36 h trascritte per 311.582 parole
TESTO Format: CHAT (Codes Human Analysis of Transcripts) di B. McWhinney (1994) adattamento in (Cresti – Moneglia, 1997) Meta-dati: Informazioni sulla sessione e sui locutori (C-ORAL-ROM format )* Linea del testo: trascrizione ortografica Linea dipendente: informazione contestuale e paralinguistica Il metalinguaggio è sempre l’inglese * Anche in Format IMDI (Isle Metadata Iniziative) in collaborazione con il Max Planck Institute.
Mata-dati @Title: Palmira @File: ifamcv19 @Participants: PAL, Palmira, (woman, D, x, retired, conversation participant, Florence) CAR, Carlota, (woman, C, 3, researcher, conversation participant, Spain) GIU, Giuseppina, (woman, D, x, retired, conversation participant, Florence) @Date: 10/10/2001 @Place: Florence @Situation: shared-memories dialogue between relatives at home, not hidden, researcher participant @Topic: events in family life @Source: C-ORAL-ROM @Class: informal, family/private, conversation @Length: 9’ 25’’ @Words: 1518 @Acoustic_quality: A @Transcriber: Sabrina Signorini @Revisor: Paola Gramigni; Antonietta Scarano @Comments: text collected by Carlota Nicolas
Un esempio di testo trascritto
Unità di riferimento annotate nella trascrizione Turno dialogico: ogni presa di parola da parte di un parlante (identificabile con il cambiamento di voce) Enunciato: qualsiasi espressione interpretabile pragmaticamente, ossia ogni espressione attraverso cui viene compiuta una illocuzione (Cresti, 2000) (identificabile con un break prosodico terminale) Unità d’informazione: qualsiasi espressione che svolge una funzione informativa (Cresti, 2000). (identificabile con un break prosodico non terminale). Parte del discorso e lemma di ogni token (non realizzata)
Annotazione Locutore Unità d’intonazione non terminale *PAL: guarda / ad aver perso i libri / io ho perso dimolto // l' era tutta + le [/] le novelle della nonna + *CAR: mh // *PAL: / l' <erano> // *GIU: [<] <eh> / quelle erano belle // *PAL: ma / l' erano belle proprio / eh // le dètti all' Elda // la venne l' Elda // la mi disse / mi dai &de [///] le novelle della nonna / dice // e &di [/] e dicano le son tanto belle // %com: she' s laughing Interrupzione Retracting Sovrapposizione Frammento Linea dipendente
Allineamento testo suono Unità di allineamento: L’enunciato Il corpus come una Base di dati di enunciati TOOL: WinPitch Corpus, di Ph. Martin Il file multimediale per lo sfruttamento simultaneo dell’informazione acustica e testuale
Un esempio di audio e testo allineati WinPitchCorpus (P. Martin)
Un esempio di audio e testo allineati WinPitch Corpus (P. Martin)
Misure 1 MLTw: Lunghezza media del Turno dialogico in parole 2 MLU: Lunghezza media dell’enunciato in parole 3 MLTone: Lunghezza media dell’unità tonale in parole 4 MLTu: Lunghezza media del turno dialogico in enunciati 5 MLUtone: Lunghezza media dell’enunciato in unità tonali 6 MLTtone: Lunghezza media del Turno dialogico in unità tonali 7 Speed w: Numero di parole al secondo 8 Speed u: numero di parole al minuto FFE: Frequenza della frammentazione (sul totale degli enunciati) FIE: Frequenza delle interruzioni (sul totale degli enunciati)
Ricerche future sul Corpus Stammerjohann Lemmatizzazione e tagging morfosintattico Lessico di frequenza Studi sintattici di superficie: (enunciati verbali e non verbali, principali indici di coordinazione, subordinazione, focalizzazione negativa) Studi diacronici: Modificazione del lessico di base toscano
Possibilità attuali per la pubblicazione dei risultati della ricerca FIRB in : a) Pubblicazione on demand in DVD + Volume (Firenze University Press) b) Pubblicazione Volume + DVD (Collana degli Studi Linguistici del Dipartimento di Italianistica)
Tabella corpus (Informale)
Tabella corpus (Formale)
Stammerjohann - C-ORAL-ROM: misure a confronto