INFORMATICA UMANISTICA D: LESSICOGRAFIA E COMPUTER Cosa si intende per ‘parola’? Informazioni lessicali: parti del discorso Informazioni lessicali: morfologia LESSICOGRAFIA E COMPUTER: ARGOMENTI DEL CORSO I dizionari e la loro storia Conoscenza lessicale: parole morfologia collocazioni semantica Lessicografia Dizionari elettronici Lessici elettronici: WordNet LESSICO E DIZIONARIO LESSICO: insieme di parole di una lingua e delle informazioni lessicali su queste parole DIZIONARIO: una descrizione di questo lessico (Differenza simile a quella tra struttura di una lingua e grammatica) INFORMAZIONI LESSICALI Proprieta’ foniche / grafiche Informazioni sintattiche (parti del discorso) Informazioni morfologiche Significato QUALI SONO LE ‘PAROLE’ DI UNA LINGUA? = quante parole ha una lingua? = che lemmi ci devono essere in un dizionario? QUALI SONO LE PAROLE DI UNA LINGUA? 25 lemmi dal Concise Oxford Dictionary: wannabe, want, wanting, wanton, wapentake, wapiti, War., war, waratah, war baby, warble1, warble2, warble fly, warbler, warby, war chest, war crime, war cry, ward, -ward JACKSON: TRE SENSI DI ‘WORD’ (‘PAROLA’) ORTHOGRAPHIC WORD: una sequenza di lettere circondata da spazi PHONEMIC WORD: una sequenza di suoni (fonemi) LEXEME: una unita’ del lessico, a cui puo’ corrispondere una voce distinta in un dizionario DEFINIZIONE TRADIZIONALE DI PAROLA La parola e’ “cio che si trova tra due spazi bianchi” QUALI SONO LE PAROLE DI UNA LINGUA? 25 lemmi dal Concise Oxford Dictionary: wannabe, want, wanting, wanton, wapentake, wapiti, War., war, waratah, war baby, warble1, warble2, warble fly, warbler, warby, war chest, war crime, war cry, ward, -ward PAROLE E FORME DI PAROLA want (ma non wanted) sings, sang, sung sing Italiano: mangerò, mangeresti, mangerai mangiare nero, nera, neri, nere nero = 7 forme di parola, 2 parole FORME DI CITAZIONE Un dizionario riporta le FORME DI CITAZIONE (= LEMMI) delle parole Convenzioni diverse a seconda della lingua: Italiano: infinito (AMARE) Inglese: TO LOVE Latino: prima persona presente singolare (AMO) OMONIMI warble1, warble2 : due PAROLE, stessa FORMA (OMONIMI) Italiano: diligenza, tara, (botte, pesca …) PRIMO CRITERIO DI IDENTIFICAZIONE : Si hanno parole distinte quando si abbiano CONCETTI diversi Vedi sotto, morfemi PAROLE: FORME FONEMICHE E GRAFICHE La definizione di parola “cio’ che si trova tra due spazi bianchi” e’ puramente ORTOGRAFICA Ogni parola ha DUE forme: i SUONI (FONEMI) che la compongono e il modo in cui viene rappresentata graficamente (GRAFIA) PAROLE E LA LORO GRAFIA La nostra `immagine’ delle parole (e la loro posizione in un dizionario, cartaceo od elettronico) spesso dipende dalla grafia usata La grafia pero’ cambia di continuo: lengaio linguaggio, dinaro denaro Occorre anche ricordare che lo scritto segue il parlato, e che non sempre la corrispondenza e’ perfetta INGLESE: HOMOGRAPHS read, read, read tear / tear bow, refuse, wind HOMOPHONES: bare / bear, pale / pail, stake / steak Mary / merry / marry (alcuni dialetti Americani) ITALIANO La grafia delle parole Italiane non e’ cambiata molto dagli inizi del Cinquecento (prime edizioni a stampa, e.g., edizione del Petrarca curata da Bembo e stampata da Manuzio nel 1515) Ma per secoli l’ortografia non corrispondeva alla pronuncia DUE ESEMPI DI CAMBIAMENTO DI GRAFIA V=U Vocabolario della Crusca, 1612: VATICINARE VBBIA VDITORE (Crusca 1738: V U, ordine invariato) H Vocabolario della Crusca, 1612: HUMILE GRAFEMI E FONEMI mela m'me:la bello 'bɛ:llo bene ieri 'bɛ:ne 'jɛ:ri In Italiano ci sono 21 grafemi (+ 5) ma 30 fonemi QUALI SONO LE PAROLE DI UNA LINGUA? 25 lemmi dal Concise Oxford Dictionary: wannabe, want, wanting, wanton, wapentake, wapiti, War., war, waratah, war baby, warble1, warble2, warble fly, warbler, warby, war chest, war crime, war cry, ward, -ward UNA FORMA, DUE PAROLE CONTRAZIONI: Wannabe gonna, gimme … CLITICI: COMPRALO SCRIVIMI DUE FORME, UNA PAROLA Parole POLIREMATICHE o COMPLESSE (Inglese: MULTIWORDS) RIFLESSIVI: sedersi (Mario si sedette) PAROLE IDIOMATICHE palla al piede, vuotare il sacco, tavola rotonda ‘WEAK VERBS’ Inglese sit (Mario sat) avere paura COMPOSTI: sci alpinismo, fuori servizio PAROLE POLIREMATICHE IN INGLESE PHRASAL VERBS: break up, calm down, find out, give in, look over, pass out, show up, take off ….. COMPOUNDS: war baby, war chest, war crime, war cry, war dance bell and whistles, rock and roll, bow and scrape, nip and tuck …. IN TEDESCO: Donaudampfschiffahrtgesellschaftkapitänwitwe DA FORME POLIREMATICHE A COMPOSTI salvavita / tritacarne / dopolavoro / benestante PAROLA = LESSEMA Marello: “il termine PAROLA … [indica una] unita’ linguistica a cui sono associati una funzione grammaticale ed un significato, separata graficamente dalle altre da spazi e dotata di coesione interna, per cui non si possono inserire altri elementi al suo interno, ne’ si puo’ mutare l’ordine degli elementi che la costituiscono” RICORDIAMO ALCUNE DEFINIZIONI PAROLA (Inglese WORD): elemento linguistico (= unita’ del ‘lessico mentale’, LESSEMA) FORME DI PAROLA (Inglese WORD-FORM): Ortografica Fonetica LEMMA La FORMA DI CITAZIONE di una parola in un dizionario, associata con una VOCE (Inglese LEXICAL ENTRY) Spesso si usa il termine lemma per indicare la parola (rapporto 1:1) USO DI CORPORA PER L’IDENTIFICAZIONE DELLE PAROLE 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) ANALISI LESSICOGRAFICA DI TESTI Identificazione dei LEMMI Costruzione di CONCORDANZE e delle loro parti del discorso Calcolo delle loro frequenze liste ordinate di parole che si trovano in un testo con il contesto Identificazione di COLLOCAZIONI “broken twig” L’IDENTIFICAZIONE DEI LEMMI NEI TESTI VIA COMPUTER TOKENIZZAZIONE LEMMATIZZAZIONE CLASSIFICAZIONE GRAMMATICALE TOKENIZZAZIONE C’ERA UNA VOLTA UN PEZZO DI LEGNO. C’ERA | UNA | VOLTA | UN | PEZZO | DI | LEGNO. | 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 FORME POLIREMATICHE (= TOKEN COMPLESSI) Vuotare il sacco, tagliare la corda, di rado, fuori servizio, ad hoc War baby Los Angeles, La Spezia GU L 161 del 26.6.1999 LA CLASSIFICAZIONE DELLE PAROLE Jackson, 1.5 Per saperne di piu’: Jezek, capitolo 4 Graffi / Scalise, capitolo 2 RESTRIZIONI SULLE POSIZIONI DELLE PAROLE La ragazza lesse rapidamente il libro *Ragazza la lesse rapidamente il libro *La ragazza lesse il rapidamente libro Inglese: *The Sue quickly read the book Sottocategorie: *La ragazza arrivo’ il libro conigliera, baleniera, teiera, ma: *virtuiera, *pazienzera CATEGORIE LESSICALI (PARTI DEL DISCORSO) NOMI (tavolo, Simona) VERBI (camminare, mangiare, colpire) AGGETTIVI (rosso, rapido) AVVERBI (probabilmente, subito) PRONOMI (io, lui, ci) ARTICOLI (il, la, un) PREPOSIZIONI (di, a, con) CONGIUNZIONI (e, ma, o) [Italiano]: INTERIEZIONI (ahi! ) ALCUNE DISTINZIONI PARTI DEL DISCORSO VARIABILI / INVARIABILI L’uomo cammina / camminava PARTI DEL DISCORSO APERTE / CHIUSE Aperte: nomi, verbi, aggettivi, avverbi Chiuse: articoli, pronomi, preposizioni, congiunzioni CATEGORIE UNIVERSALI? Il nome ed il verbo non mancano in nessuna lingua L’articolo manca in molte lingue (Latino, lingue slave, Cinese) Avverbio? CATEGORIE LESSICALI E DIZIONARI Un dizionario tipicamente identifica tutte le parti del discorso che una certa forma di parola puo’ essere usata per esprimere, e solitamente associa voci diverse con ogni parte warble1, warble2 Italiano: legge, letto, affetto, porto, pianta … ZINGARELLI INTERATTIVO: LEGGE1 1 Norma, espressa dagli organi legislativi dello Stato, che stabilisce diritti e doveri dei cittadini Legge delega, che viene emessa dal potere esecutivo su delega del potere legislativo entro un ambito ben precisato Legge ponte, emessa in attesa di un'altra più organica A norma, a termini di legge, secondo ciò che la legge prescrive. 2 (est.) Complesso delle norme costituenti l'ordinamento giuridico di uno Stato: la legge è uguale per tutti Essere fuori della legge, non essere garantito dalla legge o non sentirsi a essa soggetto Dettar legge, imporre a tutti la propria volontà. 3 Scienza giuridica: laurea in legge; dottore in legge; facoltà di legge Uomo di legge, specialista nella scienza giuridica. 4 Autorità giudiziaria: ricorrere alla legge In nome della legge, formula con cui i rappresentanti dell'autorità giudiziaria intimano a qc. di obbedire a un comando della stessa: in nome della legge, aprite! 5 (est.) Ogni norma che regola la condotta individuale o sociale degli uomini: le leggi della società. 6 (est.) Regola fondamentale di una tecnica, di un'arte e sim.: le leggi della pittura. 7 Relazione determinata e costante fra le quantità variabili che entrano in un fenomeno: le leggi della matematica, della fisica. ZINGARELLI INTERATTIVO: LEGGE2 leggere v. tr. (pres. io lèggo, tu lèggi; pass. rem. io lèssi, tu leggésti; part. pass. lètto) 1 Riconoscere dai segni della scrittura le parole e comprenderne il significato: imparare, insegnare a leggere; leggere a voce alta (ass.) Fare lettura, dedicarsi alla lettura: trascorro gran parte della giornata leggendo. 2 Interpretare certi segni convenzionali o naturali: i ciechi leggono con le dita; leggere un diagramma (fig.) Leggere la mano, ricavare dati sul carattere e sul destino di qc. basandosi sulle linee della mano. 3 (lett.) Interpretare uno scritto, un passo: i critici dell'Ottocento leggevano erroneamente questa strofa (est.) Interpretare, valutare scritti, eventi e sim. secondo particolari criteri: leggere un film in chiave ironica. 4 (fig.) Intuire i pensieri e le intenzioni di qc.: gli si legge il terrore sul volto. USO DI CORPORA PER LA CLASSIFICAZIONE GRAMMATICALE In molti dei corpora piu’ recenti (a partire dal Brown corpus), e particolarmente in quelli usati per la lessicografia, i token vengono classificati con la loro parte di discorso Brown corpus: fatto a mano BNC, LIP: fatto automaticamente Queste informazioni possono essere usate per associare parti del discorso ai lemmi 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) 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 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 ./. AMBIGUITA’ NELLA 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) AMBIGUITA’ NELLA CLASSIFICAZIONE GRAMMATICALE The man still saw her AT NN NN NN PPO VB VB VBD PP$ RB STATISTICHE SULL’AMBIGUITA’ NEL B.C. Unambiguous (1tag) Ambiguous (2-7 tags) 2 tags 3 tags 4 tags 5 tags 6 tags 7 tags 35,340 4,100 3,760 264 61 12 2 1 (“still”) METODI PER LA CLASSIFICAZIONE GRAMMATICALE AUTOMATICA 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 STRUMENTI INFORMATICI PER LA CLASSIFICAZIONE GRAMMATICALE INGLESE: TEDESCO: LTG Edinburgh (LT-POS) http://www.ltg.ed.ac.uk/software/pos/index.html QTAG Brill Tagger TreeTagger: http://www.ims.unistuttgart.de/projekte/corplex/TreeTagger/DecisionTreeTag ger.html ITALIANO: versione italiana di TreeTagger A PAGAMENTO: Xelda (Italiano, Inglese, Francese, Tedesco, Chinese, Russo, etc) I MORFEMI Le parole non sono necessariamente ‘atomiche’, ma (in Italiano almeno) si possono quasi sempre scomporre in unita’ piu’ piccole: i MORFEMI Un MORFEMA e’ “la minima unita’ linguistica dotata di un significato proprio” DUE ESEMPI BOYS BOY `essere umano, non adulto, sesso maschile’ + -S `plurale’ DUE ESEMPI REPURIFICARE RE- `ripetizione’ + PUR- + `privo di contaminanti’ -IFICARE `rendere’ STRUTTURA DELLE PAROLE INGLESE: RADICE + AFFISSI RADICE (boy) AFFISSI (-s in boy+s) ITALIANO: TEMA + AFFISSI RADICE (ragazz-) TEMA (radice + vocale tematica – e.g., ragazzo) AFFISSI (-i in ragazz+i) AFFISSI La modificazione delle parole avviene in due modi principali: `attaccando’ un AFFISSO ad un morfema; o giustapponendo due morfemi Tre tipi di affissi: PREFISSI: RE- + PURIFICARE REPURIFICARE SUFFISSI: PUR- + - IFICARE PURIFICARE INFISSI: CANT- + -ICCH- + IARE CANTICCHIARE TRE TIPI DI MODIFICAZIONE FLESSIONE DERIVAZIONE COMPOSIZIONE FLESSIONE Processo che AGGIUNGE alla radice / tema informazione semantica ‘grammaticalizzata’ (tipicamente via suffissi): GENERE: bello bella NUMERO: bello belli CASO (Latino, Tedesco): rosa rosam TEMPO: ama amava PERSONA: amo / ami / ama DERIVAZIONE Processo che produce NUOVE parole aggiungendo al tema prefissi, suffissi ed infissi PREFISSI: RE- + PURIFICARE REPURIFICARE SUFFISSI: PUR- + - IFICARE PURIFICARE INFISSI: CANT- + -ICCH- + IARE CANTICCHIARE SUFFISSI ALTERATIVI Indicano dimensioni ridotte o segnalano l’informalita’ della situazione casetta cenetta / sposini Tipici dell’italiano CONVERSIONE Il processo di derivazione puo’ produrre parole la cui categoria lessicale (parte del discorso) e’ diversa da quella della parola originale. N V: magnete magnetizzare A V: attivo attivare N A V: centro centrale centralizzare A N V: giusto giustizia giustiziare In Italiano (ma non in Inglese): sostantivazione dell’aggettivo (povero / il povero) COMPOSIZIONE La composizione forma nuove parole a partire da parole esistenti CAPO+STAZIONE CAPOSTAZIONE SALVA+VITA SALVAVITA PAST- + ASCIUTTA PASTASCIUTTA LEMMATIZZAZIONE AUTOMATICA 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: 1. 2. 3. 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 PER RIASSUMERE: NOZIONI DI BASE DI MORFOLOGIA: PARTI DEL DISCORSO MORFEMA FLESSIONE, DERIVAZIONE, COMPOSIZIONE PROCESSI DI FORMAZIONE DELLE PAROLE COMPOSIZIONE DA PAROLE ESISTENTI DERIVAZIONI Remasterizzare ACRONIMI Anche due parole greche (biblioteca, ippodromo) AIDS, CD-ROM, HTML … ‘PRESTITI’ Bonsai, glasnost, golpe, tango, ACRONIMI IN ITALIANO: Dizionario interattivo Zanichelli TN (Trento, Tennessee, etc) T/N – turbonave TND – dinaro tunisino TNT TO TOM - fr. Territoire d'Outre-Mer (territorio d'oltremare) TOREMAR - TOscana REgionale MARittima (società di navigazione) Torr. - Torrente (nelle carte geografiche) TOSAP (Tassa sull'Occupazione di Spazi ed Aree Pubblici) Tosc. (toscano) DA DOVE ARRIVANO LE PAROLE DELL’ITALIANO? Le parole piu’ antiche: Sec IX-X: a, da, bevere, dente, favella 960-963: anno, contenere, ki (qui) 1150-59: genitore, male, pane, prendere Dal bizantino: arcipelago, catasto, duca, iconoclasta, molo, … Dal latino medievale: acquavite, bonificare, commissario, scatola, … Dalle lingue Germaniche: albergo (Gotico), airone (Longobardo) Dall’Arabo: darsena, dogana, ,magazzino, assassino, cotone, facchino, algebra, zenit, alambicco … Dal Francese: bersaglio, conte, dama, freccia, giullare, sire Dallo Spagnolo: acciacco, alfiere, appartamento, disinvoltura, …. STORIA DELLE PAROLE INGLESI Dall’Anglo Sassone ( Old English) Dalle lingue scandinave (they, them, their) Dal Francese ( Middle English) Dal Latino / Greco / Francese durante il Rinascimento fino al 1700 circa LETTURE Jackson, capitoli 1 e 9 Marello, capitolo 1 Per saperne di piu’: Jezek, capitoli 1, 2 e 4 Lenci Montemagni & Pirrelli, capitolo 4