La codifica e la standardizzazione dei testi in formato digitale

Definizione Codifica Informatica la rappresentazione di un testo su un supporto digitale in un formato comprensibile da un elaboratore elettronico

Problemi Rappresentazione del testo Comprensione del testo Codice condiviso

Comunicazione MESSAGGIO CODICE - - - - - - - - - - - - - - - - CODICE’ Codifica Decodifica EMITTENTE CANALE RICEVENTE

Diasistema CODICE ≠CODICE’ S1 S2 Comunicazione = S1 ~ S2

Modelizzazione e rappresentazione Selezione dell’informazione Organizzazione dell’informazione

Codificare = interpretare Codificare un testo Il testo è già codificato Decodificare il testo Ricodificare il testo Codificare = interpretare

Isomorfismo a un elemento del sistema di A (CODICE) deve corrispondere un solo elemento del sistema B (CODICE’); data una relazione fra due elementi del sistema A, la stessa relazione deve essere mantenuta anche fra i corrispondenti elementi del sistema

CODICE Maiuscole, spazi, interpunzione Corsivo, maiuscoletto, grassetto Struttura grammaticale Struttura retorica Semantica …

CODICE’ ? Modello di codifica

Definizione Codifica informatica rappresentazione di un testo su un supporto digitale in funzione di un determinato punto di vista secondo un codice condiviso in modo sostanziale dall’uomo e dall’elaboratore elettronico cui tale codifica è destinata.

Testo o Documento? Che cos’è un testo? Supporto fisico? Sequenza di caratteri ivi contenuta? Contenuto?

Dov’è il testo? Canto Secondo 1. Ingiustissimo amor, perché sì raro corrispondenti fai nostri desiri? Onde, perfido, avvien che t’è sì caro il discorde voler ch’in duo cor miri? Gir non mi lasci al facil guado e chiaro, e nel più cieco e maggior fondo tiri: da chi disia il mio amor tu mi richiami, e chi m’ha in odio vuoi ch’adori et ami.

I testi sono astrazioni I testi sono delle astrazioni istintivamente e collettivamente generate dai lettori e si possono intendere come successioni di monemi rappresentabili graficamente tramite dei grafemi. Dalla lettura dei grafemi o dalla percezione uditiva dei monemi si sviluppano i significati cui noi diamo il nome di testo.

I documenti no… supporti materiali in cui il testo viene conservato (un libro, un foglio di carta, una lapide) si può parlare di documenti cartacei e di documenti digitali, ma non di testi cartacei o digitali.

Oggetto della codifica I testi A volte i documenti … ma l’importante è capirsi!

MRF – Machine Readable Form Il testo trasmesso deve essere stato codificato dall’emittente in modo che la macchina sia in grado di non disperdere nessuno dei livelli di informazioni presente nell’intenzionalità dell’emittente Standardizzazione e portabilità dei dati

Ortografia MRF Maiuscole (nomi e inizio periodo) Segni diacritici Spazi Corsivi …

Caratteristiche minime? No. Ciò che qualifica la MRF è la sua capacità di trasmettere ciò che il codificatore ha ritenuto fosse sematicamente rilevante

Documenti digitali: problemi Legati alla disponibilità di dispositivi hardware e software Elevata obsolescenza Difficile portabilità su piattaforme diverse Proliferazione dei sistemi di codifica Difficile condivisione dei dati e dei risultati

Standard Formali: ISO et al. Di fatto: es. MS Word

Standard portabile Indipendenza dall’hardware Indipendenza dal software Indipendenza dal sistema di codifica dei caratteri Indipendenza logica dalle tipologie di elaborazione

Set dei Caratteri Codice ASCII: ISO 646 7 bit (27= 128) 128 caratteri Codice Latin-1: ISO 8859-1 – 256 caratteri 8 bit (28= 256) 256 caratteri Comprende ISO 646

Set dei Caratteri Codice Unicode: sincronizzato a ISO 10646 16 bit (216= 65.536) 65.536 caratteri Comprende ISO 646 e ISO 8859-1 UTF-8: versione a 8 bit di Unicode, char set predefinito per XML (noi lo useremo)

Modello di codifica Un modello è il risultato di un procedimento di astrazione necessario per sfuggire all’imprendibilità del continuo. Un modello deve essere qualcosa di “più piccolo” dell’oggetto che si vuole analizzare Un modello deve essere isomorfo Deve essere operata un scelta delle caratteristiche da codificare

Modellizzazione – Macro categorie Per quale scopo si codifica? Struttura Formato Contenuto

Analisi logico-strutturale dei testi L’individuazione delle componenti logico-formali dei testi così come si sono venute a conformare nella tradizione scritta occidentale

Livello strutturale Tutti i testi possono avere: un titolo (opzionale) un contenuto. Il contenuto può essere: unitario diviso in parti (parti, capitoli, libri), ciascuna della quali può avere: un contenuto.

Livello contenutistico I testi possono essere classificati in due grandi macro-categorie che conoscono però numerose contaminazioni: prosa poesia

Andamento Poesia e prosa possono avere un andamento: continuo dialogico

Andamento continuo la prosa è costituita di una sequenza di paragrafi elenchi, a loro volta costituiti di entrate, in cui si distinguono numero (opzionale) topic (argomento, soggetto; opzionale) descrizione tabelle righe celle la poesia è costituita di una sequenza di divisioni metriche (opzionali) che contengono versi

Un esempio: poesia

Andamento dialogico i testi possono essere: unitari divisi in parti quali: atti scene In entrambi i casi sono costituiti di una sequenza di battute, divise al loro interno in: nome dell’interlocutore contenuto.

Un esempio: prosa

Markup & tagging In epoca pre-computer: caratterizzazione editoriale esplicitava la formattazione dei documenti Caratterizzazione editoriale in inglese: markup Annotazioni editoriali in inglese: tag

Con i word processor… Formattazione incorporata Tag invisibili Caratterizzazione migrata nei documenti

Sistemi WYSIWYG Programmi presentazionali Codifica invisibile all’utente Documenti difficilmente gestibili Formati proprietari

Markup Languages Linguaggi procedurali o specifici Linguaggi dichiarativi o generici

Linguaggi procedurali Orientati al documento Istruzioni che specificano caratteristiche come: Font Dimensione carattere Posizionamento Stile Disposizione sulla pagina

Un esempio: LaTeX \documentclass[a4paper,12pt]{article} \usepackage[latin1]{inputenc} \usepackage[italian]{babel} \usepackage{indentfirst} \pagestyle{plain} \topmargin-1cm \evensidemargin0.5cm \textwidth14cm \textheight23cm \setlength{\parindent}{1,25cm} \begin{document} \pagestyle{plain} \section{Introduzione} \vskip 1cm Questo è un esempio di documento \emph{LaTeX}. \end{document}

Sintassi \nomeTag[argomenti]{contenutoTag} Output standard

Linguaggi procedurali: problemi Codifica orientata all’output Difficilmente può essere utilizzata per scopi diversi

Linguaggi dichiarativi Orientati al testo Istruzioni per annotare il significato degli elementi costitutivi Trascurano l’aspetto che assumeranno nell’output Se un output strutturato si rende necessario, servirà un ulteriore livello procedurale (es. fogli di stile)

Un esempio: SGML <!DOCTYPE testo [ <!ELEMENT testo - - (titolo?, paragrafo+)> <!ELEMENT titolo - O (#PCDATA)> <!ELEMENT paragrafo - O (#PCDATA)> ]> <testo> <titolo>Esempio di documento SGML</> <paragrafo>Benvenuti nel mondo dei linguaggi dichiarativi standardizzati</> </testo>

Caratteristiche Markup definito dall’utente Cattura della semantica del testo Assenza di indicazioni circa l’output Flessibilità e possibilità di essere usato per molteplici scopi