INFORMATICA UMANISTICA D: LESSICOGRAFIA & COMPUTER LESSICI E CORPORA
USO DEI CORPORA NELLA LESSICOGRAFIA Where did the Encarta Concise English Dictionary’s editors find the information on which to base their definitions? The Bloomsbury Corpus of World English, which now has over 150 million words, provided the main evidence. We amplified this with a tailored reading programme in science, technology, business, and other key areas in order to find evidence of word use in varied fields. Lastly we used the Internet as a research source. Introduzione a ECED (citata da Jackson, p. 167)
ALTRI DIZIONARI BASATI SU CORPORA Collins COBUILD BANK OF ENGLISH (Birmingham) (400M) Oxford, Longman BRITISH NATIONAL CORPUS (150M) Cambridge CAMBRIDGE LANGUAGE SURVEY
ITALIANO Non esiste ancora un dizionario come CoBUILD Vocabolario Elettronico della Lingua Italiana, VELI (De Mauro / IBM, 1989) Lessico di Frequenza dell’Italiano Parlato (LIP) (De Mauro et al, 1993)
CORPORA Da lezioni Essex? Lenci Montemagni & Pirrelli
CORPORA CORPUS: una collezione di testi selezionati ed organizzati in maniera tale da soddisfare specifici criteri. Lenci, Montemagni & Pirrelli, p. 26
CORPORA & COMPUTERS I corpora esistevano prima dell’avvento dei calcolatori elettronici, ma le loro funzionalita’ e dimensioni erano limitate
TIPI DI CORPORA GENERALI (Brown, BNC) o SPECIFICI (Childes, ICONOCLAST, EuroParl) SCRITTO (BNC) o PARLATO (LIP) od ambedue SINCRONICO (Brown) o DIACRONICO (Italnet, Repubblica) MONOLINGUA, MULTILINGUE (Parole), o PARALLELI (Hansard, EuroParl)
ALCUNI CORPORA PER L’INGLESE Corpus # Tokens Comments Brown 1 000 000 Tagged, balanced British National Corpus (BNC) 100 000 000 POS tagged Penn Treebank 2 000 000 Parsed MapTask 150 000 Spoken dialogue, parsed, dialogue acts Bank Of English 450 000 000 Aperto
IL BROWN CORPUS Il primo corpus in formato elettronico moderno (Francis and Kucera, 1961) 500 testi, ognuno 2 000 parole Analisi SINCRONICA dell’Inglese Americano: testi di 15 generi (fantascienza, romanzi, articoli scientifici, reportage a stampa) Annotata la parte del discorso di tutte le parole (87 classi) Interesting because (i) balanced (ii) simple example of annotation
CORPORA MODERNI Includono scritto, parlato, & nuove forme (web, email, blogs) Tipicamente testi interi Sopra i 100 milioni di parole Marcatura standardizzata (tipicamente XML)
IL British National Corpus (BNC) Creato tra il 1991 ed il 1994 da un consorzio diretto da Oxford University Press Circa 100 milioni di parole Classificazione grammaticale automatica usando il classificatore CLAWS (parti corrette a mano successivamente) http://www.hcu.ox.ac.uk/BNC
FORMATO (SGML) <div1 complete=y org=seq> <head> <s n=00040> <w NN2>TROUSERS <w VVB>SUIT </head> <caption> <s n=00041> <w EX0>There <w VBZ>is <w PNI>nothing <w AJ0>masculine <w PRP>about <w DT0>these <w AJ0>new <w NN1>trouser <w NN2-VVZ>suits <w PRP>in <w NN1>summer<w POS>'s <w AJ0>soft <w NN2>pastels<c PUN>. <s n=00042> <w NP0>Smart <w CJC>and <w AJ0>acceptable <w PRP>for <w NN1>city <w NN1-VVB>wear <w CJC>but <w AJ0>soft <w AV0>enough <w PRP>for <w AJ0>relaxed <w NN2>days </caption>
REINTERPRETAZIONE XML <head> <s id=“n00040”> <w C=“NN2”>TROUSERS </w> <w C=“VVB”>SUIT </w> </head> <caption> <s id=“n00041”> <w C=“EX0”>There </w> <w C=“VBZ”>is </w> <w C=“PNI”>nothing </w> <w C=“AJ0”>masculine </w> …. </s> <s n=00042> … </s> ……. </caption>
BNC: INTERFACCIA Query tool: SARA Interfaccia WEB: http://sara.natcorp.ox.ac.uk/lookup.html
CORPORA PER L’ITALIANO Il termine ‘corpus’ usato perche’ il primo corpus elettronico e’ la raccolta dei testi di S. Tommaso d’Aquino creata da padre Busa negli anni ’50 Alcuni corpora: ITALNET (1849 testi anteriori a Boccaccio) LIP (de Mauro et al, 1993) REPUBBLICA
UN ESEMPIO: IL CORPUS DI REPUBBLICA Creato da SSMIT all’Universita’ di Bologna (Forli’) Annate di Repubblica dal 1985 al 2000 380 milioni di parole tokenizzate, classificate grammaticalmente, e lemmatizzate Codifica XML secondo lo standard TEI Disponibile a: http://sslmitdev-online.sslmit.unibo.it/corpora/corpus.php?path=&name=Repubblica (Occorre registrarsi)
CORPORA PER LA LESSICOGRAFIA Esempio del tipo di scelte che si devono fare Tipicamente includono sia parlato che scritto Diacronici
ANALISI LESSICOGRAFICA DI TESTI Identificazione dei LEMMI (e delle loro parti del discorso) Calcolo delle loro frequenze Costruzione di CONCORDANZE liste ordinate di parole che si trovano in un testo con il contesto Identificazione di COLLOCAZIONI “broken twig”
INFORMAZIONI CHE SI POSSONO ESTRARRE DA CORPORA Nuovi lemmi Nuovi usi di lemmi Frequenze Concordanze (= rimpiazzano le citazioni)
L’IDENTIFICAZIONE DEI LEMMI IN UN TESTO TOKENIZZAZIONE LEMMATIZZAZIONE CLASSIFICAZIONE GRAMMATICALE
TOKENIZZAZIONE C’ERA UNA VOLTA UN PEZZO DI LEGNO.
ALCUNI PROBLEMI CON IL PUNTO C’ERA UNA VOLTA UN PEZZO DI LEGNO. IL SIG. ROSSI TELEFONÓ A CASA. U.S.A. 9.45 WWW.GOOGLE.IT
MAIUSCOLE E MINUSCOLE Rossi / rossi Ciliegia / ciliegia
TOKEN COMPLESSI Los Angeles, La Spezia Di rado, fuori servizio Ad hoc Tagliare la corda GU L 161 del 26.6.1999
LEMMATIZZAZIONE DARGLIELO
LEMMATIZZAZIONE NEL LIP In Italiano, una volta nota la categoria grammaticale di una forma il lemma e’ solitamente univocamente determinato Eccezioni: 1.4% (CONTI: pl. di CONTO o CONTE) Processo in tre passi
LEMMATIZZAZIONE ANCORA LA DERIVA: ANCORA (N, V, CON) LA (ART, PRO) DERIVA N, V) ANCORA (V) LA (ART) DERIVA (N) ANCORA (V ANCORARE) LA (ART IL) DERIVA (N DERIVA)
LEMMATIZZAZIONE CON XELDA
XELDA: DEMO ONLINE Analisi morfologica in 14 lingue
CLASSIFICAZIONE GRAMMATICALE In molti dei corpora piu’ recenti (a partire dal Brown corpus), e particolarmente in quelli usati per la lessicografia, i lemmi vengono classificati con la loro parte di discorso Brown corpus: fatto a mano BNC, LIP: fatto automaticamente
CLASSIFICAZIONE GRAMMATICALE Molte forme di parola possono essere associate con parti del discorso diverse: STATO sia sostantivo (LO STATO ITALIANO) che verbo (NON SONO STATO IO)
CLASSIFICAZIONE GRAMMATICALE: BROWN CORPUS Television/NN has/HVZ yet/RB to/TO work/VB out/RP a/AT living/RBG arrangement/NN with/IN jazz/NN ,/, which/VDT comes/VBZ to/IN the/AT medium/NN more/QL as/CS an/AT uneasy/JJ guest/NN than/CS as/CS a/AT relaxed/VBN member/NN of/IN the/AT family/NN ./. One of the most basic levels of linguistic analysis A simple example of TAGGING (the most basic type of annotation)
AMBIGUITA’ NELLA CLASSIFICAZIONE GRAMMATICALE The AT man NN VB still NN VB RB saw NN VBD her PPO PP$
STATISTICHE SULL’AMBIGUITA’ NEL B.C. Unambiguous (1tag) 35,340 Ambiguous (2-7 tags) 4,100 2 tags 3,760 3 tags 264 4 tags 61 5 tags 12 6 tags 2 7 tags 1 (“still”)
METODI PER LA CLASSIFICAZIONE GRAMMATICALE Prevalentemente STATISTICI Combinano: Informazioni sulla FREQUENZA di una parola Con informazioni sul CONTESTO (specialmente parole precedenti) E sulla sua MORFOLOGIA (specialmente per parole sconosciute) POBILARE
CONCORDANZE Jackson, 168 ff Lenci et al, 7.2
CONCORDANZE In Pinocchio, la forma BUONO occorre 11 volte. Domande che si pone un lessicografo: Quali parti del discorso? Quali sensi? Usati in quali contesti? Soluzione: le CONCORDANZE
CONCORDANZE CONCORDANZA = forma + contesto 1 1, 1 | uomini, sono stati e sono o repubbliche o principati. È principati 2 2, 1 | indrieto el ragionare delle repubbliche, perché altra volta ne ragionai 3 5, 2 | assicurarsi di loro. Ma nelle repubbliche è maggiore vita, maggiore 4 8, 1 | dove si trattassi delle repubbliche. Questi sono quando, o per 5 12, 3 | vede a' principi soli e repubbliche armate fare progressi grandissimi, 6 13, 6 | Alessandro Magno, e come molte repubbliche e principi si sono armati 7 15, 1 | molti si sono immaginati repubbliche e principati che non si
RICERCHE E CONCORDANZE NEL CORPUS DI REPUBBLICA L’interfaccia Web al corpus puo’ essere usata per Query di vario tipo (ritrovano concordanze) Calcolare frequenze di parole
TOOLS PER L’ANALISI LESSICOGRAFICA Esistono oggi moltissimi tools che permettono di eseguire il tipo di analisi appena visto automaticamente Esempi: WORDSMITH distribuito da ICAME (a pagamento) TextSTAT (gratis) WORDSKETCH (a pagamento)
TextSTAT Sviluppato dal Dipartimento di Linguistica Olandese della Freie Universitaet Berlin Permette di estrarre FREQUENZE e CONCORDANZE da ‘CORPORA’ che includono testi in ASCII, HTML, e WORD Si puo’ scaricare da: http://www.niederlandistik.fu-berlin.de/textstat/software-en.html
TextSTAT
TEXTSTAT Visita al sito Creazione di nuovo corpus Aggiunta di file a corpus
CONCORDANZE: FORME DIVERSE DI CONTESTO e le colonne e i simulacri e l’ERME ch’abbella agli occhi tuoi quest’ERMO lido, Bruto per l’atra notte in ERMA sede, ERMA terrena sede! Oh quanto affanno Sempre caro mi fu quest’ERMO colle, l’ERMA terra contemplo, e di fanciulla de’ tuoi steli abbellir l’ERME contrade ERME Torri, I 2 ERMO lido, IV 4 ERMA sede, VI 11 ERMA terrena sede, VIII 36 ERMO colle, XII 1 L’ERMA terra contemplo, XVI 63 ERME contrade, XXXIV 8
TEXTSTRACT e CONCORDANZE Cambiamento contesto
COLLOCAZIONI Marello, 6.6.2 Lenci et al. 7.4 p. 196
COLLOCAZIONI NOTTE FONDA, LUNA PIENA, ALTA STAGIONE COLLOCAZIONE: sequenza di due o piu’ parole caratterizzate da un forte legame di associazione
TIPI DI COLLOCAZIONI TERMINI TECNICI: sistema operativo, corte d’Assise VERBO SUPPORTO: fare attenzione, prendersi un caffe’, dar manforte COSTRUZIONI IDIOMATICHE: tagliar la corda, tirare le cuoia
RICERCA DI COLLOCAZIONI Usando metodi statistici Intuizione: cercare di scoprire coppie la cui probabilita’ di occorrere in sequenza e’ molto maggiore di quel che ci si aspetterebbe date le relative probabilita’ di occorrenza
DAI LEMMI IN UN CORPUS AI LEMMI IN UN DIZIONARIO Durante la progettazione di un dizionario, si determinano Le DIMENSIONI del dizionario (numero di lemmi) Il bilanciamento tra le lettere dell’alfabeto La lunghezza delle definizioni L’uso dei dati estratti automaticamente per la compilazione richiede un passo non-automatico
CORPORA E LESSICOGRAFIA (AGAIN) De Mauro, 1980: VOCABOLARIO DI BASE (VDB) 2000 vocaboli fondamentali (“se usiamo solo … possiamo sperare di essere capiti dal 66% della popolazione Italiana che ha almeno la licenza elementare”) 2937 di alto uso, 1753 di ‘alta disponibilita’’ LIP e VDB: AMICO, CRITICO, ESPRESSO: VDB solo sostantivi, LIP anche verbi Non nel LIP: UNGHIA, BUGIA, PUGNO
CORPORA ALLINEATI E APPRENDIMENTO DELLE LINGUE I corpora allineati (Hansard, EUROPARL) sono una risorsa importante sia per la traduzione che per l’apprendimento Interfaccia a EuroParl (Portoghese / Francese): http://eremita.di.uminho.pt/albin/nat-search.cgi
DIZIONARI INVERSI Per trovare rime Per studi dei suffissi Marello, p. 173
CREAZIONE DI CORPORA Un impegno significativo Essenziale chiarire sin dall’inizio usi che si vogliono fare: Che linguaggio si vuol campionare Che tipi di analisi Decisioni tecniche: Codifica dei testi (ASCII, XML) (modulo C) Tokens, lemmi, etc.
IL LESSICO DI FREQUENZA DELL’ITALIANO PARLATO De Mauro, Mancini, Vedovelli e Voghera: LESSICO DI FREQUENZA DELL’ITALIANO PARLATO, ETAS libri, 1993 500 000 lemmi in totale (57 h di registrazione) Raccolti in ugual numero a Milano, Firenze, Roma e Napoli 100 000 occorrenze per ognuno di cinque ‘tipi di parlato’ (da conversazione a ‘scambio unidirezionale’ = discorsi politici)
CREAZIONE DEL CORPUS Raccolta dei materiali Trascrizione Trattamento automatico
RACCOLTA DEI MATERIALI Gruppo A: conversazioni bidirezionali faccia a faccia in casa / sul lavoro / a scuola / etc Gruppo B: conversazioni bidirezionali NON faccia a faccia (al telefono) Gruppo C: conversazioni bidirezionali faccia a faccia ma “con presa di parola non libera” (esami universitari / assemblee legislative / interviste) Gruppo D: scambio unidirezionale in presenza del destinatario (lezioni, relazioni, comizi, omelie) Gruppo E: scambio unidirezionale a distanza (trasmissioni televisive / radiofoniche)
CREAZIONE DEL CORPUS Raccolta dei materiali Trascrizione A mano Non IPA Vari simboli per pause, tenute vocaliche (ciao_), etc. Trattamento automatico
CREAZIONE DEL CORPUS Raccolta dei materiali Trascrizione Trattamento automatico: Tokenizzazione Lemmatizzazione Classificazione grammaticale Correttezza: tra il 91% ed il 94%
ALCUNE STATISTICHE il (Art) 37076 non (Av) 7752 di (Prep) 16721 in (Prep) 6879 essere (V) 15220 che (Pro) 6705 uno (Art) 12204 io (Pro) 5872 a (Prep) 11671 che (Cong) 5501 e (Cong.) 9858 avere 5396 egli (Pro) 8360 per (Prep) 4956
LA CURVA DI ZIPF
LIP e LIF Non emergono chiare regole Spostamenti di RANGO Mo’: 326 nel LIP, 3296 nel LIF Praticamente: 221 LIP, 3513 LIF Generalmente pero’ bilanciato (fare: 15 LIP, 16 LIF) Dimensioni troppo ridotte
LETTURE Jackson, cap. 13 Lenci et al: cap. 1, cap 4.1, cap. 7 Marello, cap. 5.3, 6.6 De Mauro et al 1993
ACKNOWLEDGMENTS Ringraziamenti a Marco Baroni (UniBo)