informatica di base
per le discipline umanistiche
vito pirrelli
Istituto di Linguistica
Computazionale CNR Pisa
Dipartimento di linguistica
Università di Pavia
lezione 8
(continua…)
ottava lezione:
la “dinamica” del testo
vito pirrelli
Istituto di Linguistica
Computazionale CNR Pisa
Dipartimento di linguistica
Università di Pavia
lezione 8
(continua…)
come cresce il vocabolario di un testo?




il lessico di un testo cresce quando introduciamo nel testo una
parola mai usata prima
intuitivamente la crescita di un lessico è rapida all‘inizio, in
quanto ogni parola che usiamo ha la tendenza ad essere
nuova (raramente ci sono ripetizioni nella stessa frase)
aumentando il numero di frasi, tuttavia, aumenta la probabilità
di riusare parole già usate
il ritmo di crescita del lessico di un testo tende quindi a
diminuire all‘aumentare del numero di frasi ...
(per saperne di più clicca sulle parole evidenziate in giallo!)
lezione 8
(continua…)
come cresce il vocabolario di un
testo? (II)



esistono classi di parole che è praticamente impossibile
non ripetere all‘interno di un testo anche molto breve
queste classi sono formate dalle cosiddette parole
“grammaticali” (articoli, preposizioni, ausiliari ecc.), che
costituiscono l’impalcatura morfosintattica di una frase
queste classi sono, tipicamente,


relativamente ristrette (contengono pochi elementi)
e “chiuse”, cioè non sono soggette ad espandersi attraverso
processi produttivi del lessico come la derivazione o la
composizione
(per saperne di più clicca sulle parole evidenziate in giallo!)
lezione 8
(continua…)
come cresce il vocabolario di un
testo? (III)

un altro fattore evidente che ritarda la crescita
esponenziale del vocabolario all’interno dello stesso testo
è la “coerenza lessicale”: la necessità, cioè,di ripetere
concetti che sono legati al dominio o alla situazione
specifica di cui parla il testo
lezione 8
(continua…)
la frequenza media

la frequenza media di una parola nel testo è data dal rapporto tra
la lunghezza del testo e la grandezza del suo lessico: |T| / | V |
_
f (T ) 
f (v1 )  f (v2 )  ...  f (v|V | )
|V |
lezione 8
|T |

|V |
(continua…)
la frequenza media (II)



all‘inizio ogni parola è usata in media poco più di una sola volta
(freq media  1)
non appena ripetiamo una stessa parola, tuttavia, la freq media
cresce (freq media > 1)
in generale freq media tende a crescere per due ragioni:


le parole grammaticali si ripetono, andando ad aggiungersi a T ma
lasciando |V | invariato;
il vocabolario a sua volta, come abbiamo visto, rallenta il suo ritmo di
crescita col passare del testo
(per saperne di più clicca sulle parole evidenziate in giallo!)
lezione 8
(continua…)
come cresce freq media?


il ritmo di crescita di freq media tende a rallentare col passare del
testo
perché?




la frequenza cresce linearmente al crescere del testo
se il “peso” del lessico fosse costante, la crescita di freq media
resterebbe lineare, ma avrebbe un ritmo inferiore (la retta che descrive
questo andamento sarebbe più inclinata verso l’asse delle x)
se il peso del lessico aumentasse in modo lineare, freq media sarebbe
costante
dal momento che il lessico cresce in modo non lineare (con una potenza
di poco inferiore all’unità) solo una crescita di frequenza non lineare (con
esponente di poco inferiore a 2) potrebbe consentire a freq media di
crescere linearmente
(per saperne di più clicca sulle parole evidenziate in giallo!)
lezione 8
(continua…)
cresce tutto in questo modo?

no! la lunghezza media di una parola tende a stabilizzarsi col passare
del testo, cioè tende ad assumere un valore costante dopo una serie
di oscillazioni casuali (legge dei grandi numeri)
lezione 8
(continua…)
campionamento casuale …

analogamente se invece di monitorare lo stesso testo nel tempo, se ne
estraggono tanti campioni casuali, e se ne calcola per ciascuno “lun media”, il
valore più volte attestato tenderà a riprodurre “lun media” di tutto il testo ...
lezione 8
(continua…)
campionamento casuale (II)

... tanto meglio, quanto maggiore è la lunghezza dei
campioni:
lezione 8
(continua…)
campionamento casuale (III)

per il teorema del limite centrale, i valori campionari di lunghezza
media tenderanno a distribuirsi intorno al valore più attestato (valor
medio) secondo una caratteristica forma a campana (curva
gaussiana) e cioè con valori progressivamente decrescenti, disposti
simmetricamente rispetto all‘asse della campana ...
(per saperne di più clicca sulle parole evidenziate in giallo!)
lezione 8
(continua…)
nona lezione
la “dinamica” del testo
fine ottava lezione
(lezione 9)
lezione 8