Search

Presenteremo i tre grandi corpora sviluppati dal nostro gruppo di ricerca e liberamente consultabili sul Web. Il progetto più rilevante ha riguardato la creazione di CORIS, un corpus generale rappresentativo dell’italiano contemporaneo; è disponibile online dal 2001 e costantemente aggiornato, ogni tre anni, per cogliere le variazioni nel lessico e nei rapporti di frequenza. CODIS, la sua controparte dinamica, consente allo studioso di combinare liberamente insiemi predefiniti di testi per costruire il corpus ideale per studi specifici o per studi interlinguistici. BoLC è un corpus bilingue (italiano/inglese) di linguaggio giuridico contenente una sezione parallela e una sezione comparabile. Consente lo studio e il confronto della terminologia adottata nei due sistemi giuridici ed è disponibile online dal 2011. DiaCORIS, online dal 2006, riproduce la struttura in macro-varietà testuali di CORIS in una prospettiva diacronica. Contiene testi dall’Unità d’Italia agli anni 2000 adeguatamente annotati con i principali metadati.

This paper presents the preliminary results of the OPLON project, co-funded by the Ministry of Education as part of the contract “Smart Cities and Communities and Social Innovation”. It aimed at identifying early linguistic symptoms of cognitive decline in the elderly. This pilot study was conducted on a corpus composed of spontaneous speech sample collected from 20 subjects, who underwent a neuropsychological screening for visuo-spatial abilities, memory, language, executive functions and attention. A rich set of linguistic features was extracted from the digitalized utterances (at phonetic, suprasegmental, lexical, morphological and syntactic levels) and the statistical significance in pinpointing the pathological process was measured. Our results, far from being complete, show remarkable trends for what concerns both the linguistic traits selection and the automatic classifiers building.

The level of Information Structure (IS) most related to acoustic features is the one often referred to as "Topic-Focus" (T-F), for which we adopt the definitions proposed by Cresti [1] and Lombardi Vallauri [3], based on which part of the utterance may be regarded as conveying its illocutionary force (the F) and which not (the T).Utterances from two corpora of spoken Italian have been labeled as T or F following essentially two criteria:(i) Subjective evaluation, based on the perception of acoustic patterns and on negation tests.(ii) The evaluation of the preceding context, aimed at establishing which information may be considered as Given at the utterance time, and consequently less likely to be in F, or New and consequently more likely to be in F.We tried to investigate the correlation between focused items and phonetic features by considering the concept of prosodic prominence as a complex and rich set of acoustic features combined in a sophisticate way. Following a definition of prominence (P) currently accepted, we can say that prosodic P is a perceptual phenomenon, continuous in its nature, emphasizing segmental units with respect to their surrounding context, and supported by a complex interaction of prosodic and phonetic/acoustic parameters.We will primarily refer to [2] for a description of the interactions between the different prosodic features that determine the perception of P. In this view, there are two main ‘actors’ playing a relevant role in supporting sentence P. The first, pitch accent (PA), concerns specific movements in F0 profile. The second, force accent (FA), is independent from intonation and is connected with intensity, segmental durations and possibly other parameters. The technical details of the automatic prominence detection algorithm are described in [4].We performed two experiments, aimed at searching invariances in position and level of the main prominence (MP) compared to the IS assigned to the utterances by an expert annotator. The first experiment is a pilot study on a limited corpus of spoken Roman Italian. The second was aimed to verify the results for the same kind of Italian variety on a different corpus, and to extend the analysis to two further varieties, namely Florentine and Neapolitan Italian. We considered only utterances of three classes on the basis of IS: (a) TOPIC|FOCUS; (b) BROAD FOCUS; (c) NARROW FOCUS|APPENDIX. The results of both experiments show relevant regularities in the distribution of the prominent syllables, especially considering the position of the main prominence (MP), in relation to the kind of IS. Comparison between perceptual evidence and automatic measurement made by means of the algorithm lead to the following provisional conclusions:1. In our corpus of spoken Italian (and in wide accordance with the literature), the MP steadily marks constituents located to the left of the utterance, namely the T and the Left/NF. More precisely, the prominence marks the right end of such constituents. Right/BF occasionally but not necessarily receives the MP. 2. This can be interpreted as for the main prominence to have primarily a demarcative function, i.e. that of marking the boundary between two information units within the utterance. When this function is not required, as with a BF, acoustic marking is possible but not required.3. Culminative function, effected by qualitatively different prominences, may be at work to distinguish between a T and a Left F. 4. The marking of the boundary between T and F is not always neatly effected, showing that the opposition between T-F and BF utterances is not a matter of black & white, rather one of a gray scale; utterances can remain ambiguous between the two constructions, or even actually present intermediate status.This approach may explain why Ts are marked more strongly and more constantly than Fs. If the function of the MP were that of culminating relevant categories of IS, then Fs should be marked by prominences at least as...

The aim of this paper is to give an ‘a-theoretical’ definition of the main parts of speech, extracting the set of categories from the actual distribution of data, or, in other words, from the contexts of occurrence of words. The definitions of the parts of speech obtained in this way depend uniquely on contextual information and on the analysis of distributional similarities among words, and are not conditioned by any theoretical framework. The research hypothesis is that two words which are formally and semantically similar and which share the same syntactic behavior will occur in similar contexts. As a consequence, if we classify words according to their contexts of occurrence, we should expect that formally and semantically similar words will turn up in the same class. So, if we investigate a huge, representative corpus of a language, we should be able to automatically extract all the parts of speech by means of a survey of the contexts of occurrences. In this article we will test this approach on Italian, basing our analysis on CORIS, a representative corpus of written Italian.

This study is part of a broader research project on temporal and spatial deixis in the Proto-Indo-European language. Specifically, the aim of this paper is to investigate the basic motion verbs go and come in Vedic. The deictic component of PATH has often been considered as inherent to the lexical semantics of these verbs cross-linguistically. However, I will show that Vedic i “go”, gā “go; come; step” and gam “go; come” express a deictically-neutral meaning of ‘moving along a path’, which is not characterized with regard to both MANNER and PATH. Data suggest that these verbs can take on a deictic interpretation by cooccurring with specific particles, adverbs, demonstratives, and personal pronouns. Syntactic and discourse analysis of the Rigveda shows that motion verbs occurring in the same syntactic context are selected depending on their inherent lexical aspect (Aktionsart). Telic verbs gā and gam turn out to be intrinsically compatible with the entailment of arrival of the FIGURE to the GROUND, whereas the atelic verb i is used when the prominent information is PATH rather than GOAL of movement.

Nello spettro eterogeneo di sintomi correlati alle fasi iniziali del deterioramento cognitivo associato a patologie neurodegenerative a carattere progressivo si evidenzia spesso un declino subliminale delle facoltà linguistiche (Caramelli, 1998; Taler & Phillips, 2008). Di solito tali deficit non hanno ripercussioni evidenti sulla correttezza formale delle produzioni, e non intaccano le capacità linguistico-comunicative di base come la comprensione in un contesto ecologico, la partecipazione a conversazioni di routine, le funzioni strumentali di lettura e scrittura. Tali cambiamenti, presenti già diversi anni prima della fase clinica della malattia, ma difficilmente identificabili mediante i test neuropsicologici tradizionali, rappresentano una delle manifestazioni prodromiche del processo patologico in corso e possono, in quanto tali, essere utilizzati come indici per lo screening e la diagnosi precoce. Nella letteratura specifica degli ultimi anni si segnalano diversi lavori che si occupano dell’identificazione automatica dei vari stadi e tipi di demenze a partire dall’analisi statistica della produzione linguistica spontanea dei pazienti (Chapman et al., 2002; Jarrold et al., 2010; Lehr, 2012; Roark et al., 2011; Satt et al., 2013). Tali prospettive di analisi computazionale si sono dimostrate in grado di rilevare pattern latenti e regolarità nel linguaggio di queste popolazioni di pazienti, potenzialmente utili all’identificazione precoce, classificazione e descrizione del decadimento cognitivo (Elvevåg & Garrard, 2014). Il progetto OPLON (“OPportunities for active and healthy LONgevity”, Smart Cities and Communities – DD 391/RIC) si pone l’obiettivo di sviluppare strumenti di diagnosi precoce della fragilità finalizzati alla prevenzione del declino e alla promozione della salute dei soggetti anziani. Entro tale linea generale di azione si propone, in particolare, di elaborare tecniche semplici e facilmente somministrabili di raccolta e analisi di campioni di linguaggio spontaneo per lo screening sistematico della popolazione potenzialmente a rischio, grazie all’integrazione delle competenze di neurologi, psicologi, linguisti ed esperti informatici. A medio termine, questo studio si propone di dimostrarne la fattibilità in ambiente controllato, visto che in letteratura non risultano al momento studi simili sulla lingua italiana.

Partendo da una problematizzazione del concetto di 'classico' riferito alle opere dei grammatici greci e latini ci si sofferma dapprima sul contesto scolastico della loro produzione, quindi sulla tipologia e la fortuna di questo tipo di testi. Da ultimo si individuano, tra i tratti di continuità di metodo e dottrina tra grammatici antichi e linguistica moderna, l'impostazione analitica, l'attenzione per la terminologia tecnica, il concetto di 'regola', taluni parallelismi con l'odierna sociolinguistica.

In questa breve premessa vengono presentati i contributi che compongono il volume e le tematiche trasversali che costituscono possibili chiavi di lettura dello stesso. Il termine 'classico' ricorre diffusamente in letteratura, per indicare concetti assai diversi: lingue, grammatiche, autori, ecc. Esso ha un reale fondamento linguistico? Esistono, cioè, criteri linguistici per giustificare l'uso di questa etichetta in riferimento a oggetti linguistici? Il saggio introduttivo presenta i problemi legati all'uso di classico affrontati nei saggi che lo completano.

Le tematiche relative all'analisi della lingua parlata in una situazione comunicativa autentica costituiscono un punto cruciale sia nell'ambito dell'analisi linguistica sia nell'ambito di quelle discipline che si occupano della progettazione e della costruzione di strumenti tecnologici che trattano tali informazioni. L'integrazione di questi differenti aspetti d'indagine ha ricevuto un interesse preminente negli ultimi anni e sembra essere un punto di vista privilegiato per l'analisi dei fenomeni che coinvolgono i vari aspetti della lingua parlata. Lo studio del parlato ha storicamente intessuto rapporti molto stretti con le tecnologie, da un punto di vista sia metodologico sia applicativo, per la natura stessa delle analisi compiute sugli oggetti dello studio e per la complessità dei fenomeni che sono coinvolti in analisi linguistiche di questo tipo. Il presente contributo si inserisce in questa prospettiva di indagine, sia linguistica che modellistico-tecnologica, e presenterà uno studio che si inserisce nel filone delle indagini nell'ambito dei fenomeni prosodici e della loro identificazione con metodi automatici, proponendosi di esplorare le complesse relazioni che intercorrono, a diversi livelli, tra il fenomeno percettivo della prominenza prosodica e i fenomeni di tipo acustico che possono essere desunti dalla componente fonetico/acustica degli enunciati. La prominenza risulta essere uno dei fenomeni prosodici maggiormente interessanti e anche uno di quelli più studiati, proprio per l'importanza che riveste nell'ambito dei processi comunicativi umani. Nonostante la notevole quantità di studi nel settore, il problema di un’accurata identificazione del fenomeno con metodi automatici risulta ancora di notevole interesse a causa della complessità dei fenomeni coinvolti e della mancanza di adeguati strumenti di indagine che consentano un'elaborazione il più possibile automatica di queste informazioni. Nonostante i grandi sviluppi tecnologici ai quali abbiamo assistito in questi anni restano ancora numerosi problemi da affrontare di rilevanza cruciale, sia scientifica che tecnologica, per gestire correttamente i fatti prosodici della lingua parlata. Questo lavoro, fortemente basato su informazioni di tipo fonetico/acustico, tenta di costruire, visti anche i lavori sviluppati finora in questa direzione, un modello che consenta l'identificazione della prominenza, permettendo la creazione di sistemi automatici di etichettatura del fenomeno. Si è ritenuto opportuno che tale indagine utilizzasse come uniche informazioni i parametri derivabili direttamente, anche se in modo estremamente articolato, dall'espressione sonora dell'enunciato. Il modello proposto e l'algoritmo che implementerà il riconoscimento della prominenza non si basano quindi su fonti di informazioni alternative, quali trascrizioni degli enunciati, sia ortografiche che fonetiche, risorse linguistiche etichettate dal punto di vista fonetico, fonologico, prosodico, e nemmeno risorse che contengono informazioni di tipo segmentale sugli enunciati. L'unica informazione fornita all'algoritmo di annotazione è la digitalizzazione dell'enunciato (waveform). Numerosi studi indicano che il fenomeno percettivo della prominenza frasale è supportato, dal punto di vista prosodico, da due fenomeni: il pitch accent e lo stress. Dal punto di vista fonetico/acustico i pitch accent risultano essere connessi con movimenti nel profilo della frequenza fondamentale (F0) e con l’energia globale all’interno del nucleo sillabico, mentre lo stress, inteso come l’indebolimento o il rinforzo degli stress lessicali a livello di frase, presenta una forte correlazione con la durata temporale del nucleo sillabico e la quantità di energia in specifiche bande di frequenza (spectral emphasis). Con questo lavoro intendiamo mostrare come con un’attenta misurazione di questi parametri e l’identificazione di opportune relazioni tra essi e i fenomeni p...

In questo breve saggio, tenterò di delineare e caratterizzare i confini, peraltro molto sfumati, di una disciplina che, nata attorno alla metà del secolo scorso, affronta problemi estremamente attuali, specialmente in questi anni nei quali il trattamento dell’informazione è divenuto uno degli aspetti centrali della nostra vita quotidiana. Per far questo mi avvarrò di numerosi e preziosi contributi di studiosi che, negli anni, hanno analizzato e descritto attentamente l’evoluzione della disciplina [Key, 2003; Lee, 2001; Mitkov, 2003; Spärck Jones, 2007]. Gli ovvi limiti di spazio mi costringeranno a tratteggiare brevemente argomenti che meriterebbero, e hanno meritato in passato, ben più ampie discussioni, e di questo mi scuso anticipatamente. La Linguistica Computazionale (o Natural Language Processing – Trattamento Automatico delle Lingue) – d’ora in poi LC – è un settore fortemente interdisciplinare, e si occupa dell’elaborazione delle lingue, in ogni possibile aspetto, mediante l’uso di calcolatori. Dalla sua nascita alla fine degli anni ’50, e dalla sua configurazione come disciplina autonoma, ha subito una crescita esponenziale in diverse direzioni arrivando ad attingere contributi da ambiti quali la linguistica, che produce i modelli teorici del linguaggio, la psicologia, che fornisce un’analisi dei processi cognitivi, la teoria dell’informazione, che analizza le modalità comunicative, la matematica e la statistica, che forniscono gli strumenti per esprimere tali modelli in modo computazionalmente trattabile e naturalmente l’informatica per quanto riguarda lo sviluppo degli algoritmi atti ad implementare i modelli teorici dei fenomeni linguistici. Nelle aspettative comuni questa disciplina dovrebbe riuscire, in un futuro auspicabilmente prossimo, ma tuttavia non ben definibile, a produrre macchine in grado di interagire con gli esseri umani utilizzando il linguaggio naturale. Nella letteratura e cinematografia fantascientifica gli esempi di tali visioni sono numerosi (si pensi ad esempio all’elaboratore HAL9000 del film 2001 odissea nello spazio o al robot C-3PO della saga di Guerre stellari). Tuttavia queste “macchine” sono ancora lontane, e gli esempi più sofisticati a nostra disposizione sono ben lungi dal poter soddisfare queste aspettative. E’ lecito quindi chiedersi: perché dopo più di cinquant’anni di intensa ricerca non si è ancora riusciti a centrare il bersaglio “imbrigliando” il linguaggio umano in opportuni modelli atti ad essere formalizzati e implementati con programmi per calcolatori? Dopo tutto un bambino si appropria di una lingua in pochi anni e senza seguire alcun corso sulla struttura e le caratteristiche della lingua stessa. Molto del successo del linguaggio umano nei processi comunicativi deriva dall’innata abilità degli esseri umani nel gestire imprecisioni e ambiguità in modo efficiente, evincendo da un insieme estremamente ampio di stimoli e informazioni relative al contesto, testuale, situazionale ed emotivo, la corretta interpretazione e il senso del messaggio, un contesto ben più esteso delle poche parole utilizzate tradizionalmente nei sistemi di analisi testuale. La stessa forzata suddivisione dei task classici della LC (analisi morfologica, PoS-tagging, parsing, ecc…) mantenendo la divisione nei tradizionali livelli d’analisi a causa della mancanza di adeguate risorse modellistico-computazionali, introduce, spesso artificiosamente, un numero enorme di ambiguità, e quindi di problemi da risolvere computazionalmente, rendendo ogni task estremamente complesso da trattare con metodi automatici. Questo ha generato negli anni situazioni estremamente frustranti e di tensione tra i linguisti computazionali, che in certi casi, hanno acquisito la reputazione di non essere in grado di far fronte alle sfide tecnologiche costruendo adeguati modelli teorici in grado di supportare la costruzione di sistemi performanti ed efficienti. Molti di questi problemi sono tuttavia dovuti al fallimento,...