Linguistica dei corpora e linguistica tedesca

Front matter

Carolina Flinz Una nuova prospettiva teorico-metodologica per lo studio di morfologia e sintassi in ambito DaF Carolina Flinz La linguistica dei corpora, la linguistica tedesca e la didattica del tedesco come lingua straniera (Deutsch als Fremdsprache – DaF) sono discipline strettamente collegate (cfr. Fandrych/ Tschirner 2007). Nonostante questo, la loro sinergia per fini descrittivi, applicativi e didattici è ancora poco diffusa. Nella teoria e prassi didattica universitaria le connessioni sono infatti soprattutto di tipo binario, tra linguistica dei corpora e linguistica tedesca, tra linguistica tedesca e DaF e tra linguistica dei corpora e DaF. Obiettivo del presente volume è quello invece di far emergere le interconnessioni tra tutte e tre le discipline; svolgerà un ruolo centrale l’introduzione ad approcci di tipo empirico volti a favorire lo sviluppo della consapevolezza linguistica e crosslinguistica. Il focus del volume è su morfologia e sintassi, due ambiti linguistici tradizionalmente considerati centrali per la grammatica e che si prestano particolarmente a essere compresi e analizzati mediante la linguistica dei corpora. La loro analisi potrà servire da modello per altri livelli linguistici.

Carolina Flinz Linguistica dei corpora Una nuova prospettiva teorico-metodologica per lo studio di morfologia e sintassi in ambito DaF ISBN 979-12-55101-11-6 (print) ISBN 979-12-55101-13-0 (PDF) ISBN 979-12-55101-15-4 (EPUB) DOI 10.54103/milanoup.165

Carolina Flinz LINGUISTICA DEI CORPORA Una nuova prospettiva teorico-metodologica per lo studio di morfologia e sintassi in ambito DaF

Capitolo 1

Caratteristiche di un corpus In questo capitolo, dopo un breve accenno alla linguistica dei corpora 1 (Korpuslinguistik) e ai suoi esordi, si definisce cosa è un ‘corpus’ (paragrafo 1.1). Dalla definizione vengono estrapolati poi gli elementi chiave necessari per una corretta comprensione del termine: i dati primari (Primärdaten ), i metadati (Metadaten) e le annotazioni (Annotationen ) (paragrafo 1.2). Infine, il capitolo si conclude con una riflessione sui possibili approcci di analisi (paragrafo 1.3). 1.1 Corpus: definizione La linguistica dei corpora ( Korpuslinguistik), definita come lo studio della lingua basata su esempi di un uso linguistico reale 2 raccolti in un corpus (cfr. Stefanowitsch 2020: 22), ha una lunga tradizione, radicata nello strutturalismo e nell’empirismo (cfr. Rossini Favretti 2001: 368). I suoi esordi sono da collocare soprattutto nel mondo anglosassone, dove la lingua inglese è stata oggetto di numerose indagini3.

Contrapponendosi in modo netto all’introspezione del generativismo (cfr. Chomsky 1957), la linguistica dei corpora ha dato avvio a nuove prospettive di analisi (cfr. Firth 1957; McEnery/Wilson 1996/2001; Sinclair 1991), con applicazioni soprattutto in ambito lessicografico, grammaticale e didattico4. Il Brown University Standard Corpus of Present-Day American English , noto oggi soprattutto come Brown Corpus, pubblicato nel 1964 (cfr. Francis/Kučera 1964), è stato considerato per molto tempo uno standard da prendere come modello5. Composto 1 Alcuni termini centrali verranno accompagnati dal corrispettivo tedesco, tra parentesi. Salvo diversa indicazione tutte le traduzioni sono dell’autrice. 2 Cfr. “the study of language based on examples of ‘real life’ language use” (McEnery/Wilson 2001: 1). 3 Inizialmente gli studi hanno interessato la lingua scritta (corpora di lingua scritta), successi - vamente quella parlata (corpora di lingua parlata). Solo in una fase successiva gli interessi si sono concentrati su altri aspetti, come l’acquisizione del linguaggio da parte di bambini in varie parti del mondo (progetto CHILDES), la variazione della lingua da un punto di vista diacronico (Helsinki Corpus of English Texts: Diachronic Part). Si veda Spina (2001: 61). 4 Cfr. il progetto COBUILD (cfr. Sinclair 1987) che per la pubblicazione del Collins COBUILD English Dictionary si è avvalso di un grande corpus dell’inglese contemporaneo. In una fase successiva il progetto si è evoluto in una nuova iniziativa, The Bank of English, che negli anni è stata incrementata con l’aggiunta di nuovi testi. 5 Corpora che hanno seguito i medesimi criteri per la loro formazione sono, tra gli altri, il Lancaster-Oslo/Bergen Corpus (LOB), il British English, il Wellington Corpus of Written New Zealand English, che sono stati definiti ‘corpora di prima generazione’, avendo dimensione ridotta rispetto ai corpora moderni; inoltre, si concentrano solo sulla variante scritta (cfr. Spina 2001:

da un milione di parole e formato da 500 campioni di 2.000 parole ciascuno, intendeva rappresentare, tramite vari tipi di testi (giornalistici e letterari), la varietà scritta dell’inglese d’America (cfr. Spina 2001: 58).

Sviluppi analoghi si sono verificati successivamente anche in altri paesi, tra cui l’Italia, dove grazie a una linguistica dei corpora ante litteram, ravvisabile nella linea empirica della tradizione lessicografica italiana (cfr. Sabatini in Barbera 2013: 15), sono state concepite opere quali quella di Roberto Busa su Tommaso d’Aquino (cfr. Index Thomisticus in Barbera 2013: 12) o il Dizionario della Crusca. L’interesse principale era qui rivolto al latino e all’italiano letterario delle origini o alla stesura di dizionari di frequenza dell’italiano contemporaneo per finalità didattiche (cfr. Spina 2001: 61)6.

In Germania gli sviluppi sono stati invece più recenti. Le prime introduzioni alla linguistica dei corpora risalgono al 2006 (cfr. Lemnitzer/Zinsmeister 2006; Scherer 2006), mentre l’uso dei metodi propri della disciplina per la linguistica tedesca è ancora successivo (cfr. Fandrych/Tschirner 2007). Nel 2022 è sta - to pubblicato il volume Forschen in der Linguistik (cfr. Beißwenger/Lemnitzer/ Müller-Spitzer 2022), che raccoglie sia capitoli introduttivi relativi a singoli aspetti metodologici, a risorse digitali e a strumenti di analisi, sia casi studio. Per quando riguarda il DaF (Deutsch als Fremdsprache), invece, a ora non è stata ancora pubblicata una introduzione analoga a quella per la didattica dell’inglese realizzata da Joybrato Mukherijee (2002). Per ovviare a questa lacuna, nel 2020 è stata fondata la rivista Korpora Deutsch als Fremdsprache (KorDaF)7, in cui non si pubblicano solo saggi di vario tipo, teorici, empirici, didattici, ma vengono presentati regolarmente anche singoli corpora e sistemi di analisi sotto forma di portraits. Al di là di ogni datazione e percorso di sviluppo, la linguistica dei corpora riveste oggi un ruolo centrale per la linguistica in toto. La definizione di corpus (das Korpus) è ormai consolidata8: Ein Korpus ist eine Sammlung schriftlicher oder gesprochener Äußerungen in einer oder mehreren Sprachen. Die Daten des Korpus sind digitalisiert, d.h. auf Rechnern gespeichert und maschinenlesbar (Lemnitzer/Zinsmeister 2015: 39). 60). Il primo corpus di riferimento della lingua inglese contemporanea, sia scritta sia parlata, è invece il British National Corpus (BNC), che nel 1994 constava di 100 milioni di parole, annotate grammaticalmente. 6 I primi dizionari di questo tipo si basavano su corpora, ma non li mettevano a disposizione. Cfr. https://www.corpusthomisticum.org/it/index.age e https://accademiadellacrusca.it/ it/contenuti/dizionari/6225 [21.10.2022]; 7 Cfr. https://kordaf.tujournals.ulb.tu-darmstadt.de [21.10.2022] 8 Caratteristica non presente in questa definizione, ma in un certo senso presupposta, è l’autenticità dei dati (cfr. Spina 2001: 53), che devono essere esempi d’uso reale e non inventati artificiosamente dal linguista (cfr. Freddi 2019: 11).

Fondamentale per questa definizione è in primis il formato, che deve essere digitale e pronto per essere elaborato da un computer; in caso contrario, non è possibile parlare di corpora, bensì solo di Datensammlungen (raccolte di dati) 9. Il secondo aspetto sono i dati stessi, ossia le porzioni di lingua 10, che possono essere di tipo scritto o parlato in una o più lingue.

Spina (2001: 64) aggiunge nella sua definizione di corpus le caratteristiche di rappresentatività e strutturazione: un corpus è quindi «una raccolta strutturata di testi in formato elettronico che si ritengono rappresentativi di una data lingua o di un suo sottoinsieme, mirata ad analisi di tipo linguistico». Dal momento che non è possibile inserire in un corpus tutte le occorrenze testuali di una lingua in quanto sistema infinito, si deve procedere per campionamento (ossia per scelta e classificazione), seguendo criteri stabiliti in precedenza. Si dovrà cioè selezionare un numero sufficientemente elevato di dati e con una varietà tale da essere rappresentativa della lingua scritta e/o parlata oggi usata. Inoltre, occorre tenere conto della variazione diamesica (asse scritto-parlato), diafasica (genere e registro), diastratica (variazione sociale) e diatopica (variazione geografica), affinché il corpus rappresenti quanto più possibile le molteplici variazioni della lingua in questione. La rappresentazione, inoltre, dovrà esse - re anche bilanciata, per dare una fedele e strutturata raffigurazione della realtà (cfr. Freddi 2019: 11-13). Il criterio della rappresentatività viene soddisfatto in modo piuttosto significativo dai corpora di riferimento delle varie lingue, come Das Deutsche Referenzkorpus (DeReKo) per il tedesco 11, il British National Corpus (BNC) per l’inglese britannico12, il Corpus di Italiano Scritto (CORIS/CODIS) per la lingua italiana13. Per le lingue europee è in fase di progettazione l’Europäisches Referenzkorpus (EuReCo) (cfr. Čermáková et al. 2021; Trawiński/Kupietz 2021).

Disponendo oggi di informazioni chiare ed esaurienti sui tipi di corpora esistenti e potendo realizzare facilmente corpora ad hoc , grazie allo sviluppo di software per la creazione, l’annotazione e l’analisi automatica, la rappresentatività è diventato un criterio non necessario per un corpus (si veda anche Lemnitzer 2022: 411). 9 Per la linguistica dei corpora lo scopo primario della costruzione di un corpus è l’analisi linguistica (cfr. Lemnitzer/Zinsmeister 2015: 40-41). Non si può fare a meno di evidenziare che anche corpora o archivi originariamente creati per altri scopi, oggi si prestano benissimo per analisi di tipo linguistico (cfr. tra gli altri il progetto Gutenberg, Deutsches Textarchiv, Deutsche Wortwarte ecc.). Anche il World Wide Web, previe riflessioni di tipo organizzativo e metodologico, può essere utilizzato per analisi linguistiche (cfr. Kilgarriff/Grefenstette 2003, Baroni/ Bernardini 2006; Hundt et al. 2007). 10 Possono costituire un corpus sia porzioni di testo e di espressioni orali, sia testi ed espressioni orali nella loro interezza. Soprattutto in caso di problemi di copyright, è prassi comune usare frasi ordinate in maniera casuale (cfr. Lemnitzer/Zinsmeister 2015: 40). 11 Cfr. https://www.ids-mannheim.de/digspra/kl/projekte/korpora/ [22.10.22]. 12 Cfr. www.natcorp.ox.ac.uk [22.10.22]. 13 Cfr. https://corpora.ficlit.unibo.it/coris_ita.html [22.10.22]. 191. Caratteristiche di un corpus

1.2 Elementi di un corpus Oltre ai suoi dati primari (Primärdaten), cioè i testi scritti e le espressioni orali che lo costituiscono, un corpus può contenere anche altri dati, come i me - tadati (Metadaten), vale a dire le informazioni sui dati stessi, e le annotazioni (Annotationen), ossia l’abbinamento dei dati con la loro descrizione: Die Bestandteile des Korpus, die Texte oder Äußerungsfolgen, bestehen aus den Daten selber sowie möglicherweise aus Metadaten, die diese Daten beschreiben, und aus linguistischen Annotationen, die diesen Daten zugeordnet sind. (Lem - nitzer/Zinsmeister 2015: 39) I dati primari ( Primärdaten) sono quindi i testi scritti e le espressioni orali, o loro porzioni, che compongono il corpus. Per la loro analisi, occorre tenere presente che alcune informazioni possono essere andate perdute nel passaggio dal testo originario al testo digitale (si pensi anche alla trasformazione di un testo tramite un software OCR)14, come per esempio la suddivisione in sillabe quando si va a capo, la distinzione tra testo centrale ( Kerntext) e paratesto (Paratext), la suddivisione in paragrafi, l’evidenziazione grafica (grassetto, corsivo ecc.), le pause e le esitazioni, se si tratta di uno spezzone di lingua parlata ecc. Con questa codifica di primo grado molte delle caratteristiche individualizzanti vengono eliminate ai fini di una maggiore uniformità nella codifica dei dati 15 (cfr. Spina 2001: 74). Con la codifica di secondo grado ci sarà poi una normalizzazione dei testi, ossia la cosiddetta ‘ripulitura’ (correzione ortografica, eliminazione di righe vuote e spazi bianchi non necessari ecc.), fondamentale per la manipola - zione e l’analisi dei dati.

I metadati (Metadaten), invece, sono le informazioni sui dati primari che descrivono alcuni degli aspetti principali, come per esempio il contenuto, l’autore, la casa editrice, l’arco temporale e/o il luogo in cui sono stati prodotti/ raccolti, nonché altre informazioni bibliografiche. Per esempio, per il corpus Emigrantendeutsch in Israel nella Datenbank für Gesprochenes Deutsch sono presenti i seguenti metadati: 14 OCR sta per Optical Character Recognition. Con questi software è possibile rilevare i caratteri contenuti in un documento e convertirli in formati come ASCII (Standard Code for Information Interchange) o Unicode. Il risultato può essere poi modificato con un normale editor di testo. Cfr. https://it.wikipedia.org/wiki/Riconoscimento_ottico_dei_caratteri [21.11.22]. 15 I file vengono salvati in formato solo testo. Uno dei primi sistemi di codifica è quello dei caratteri dello Standard Code for Information Interchange (ASCII) (cfr. Spina 2001: 75). Questo sistema, che si basa sull’alfabeto latino, ha mostrato i suoi limiti per altri tipi di alfabeti e per la lingua parlata, codificata con l’alfabeto della International Phonetics Association (IPA), che utilizza simboli e caratteri non ASCII. Nel corso degli anni sono stati sviluppati sistemi di codifica alternativi per il parlato (cfr. lo Speech Assessment Methods Phonetic Alphabet, ossia SAMPA), ma oggi il codice maggiormente in uso è il sistema Unicode.

– metadati che riguardano l’intervista ( Ereignis = E): DGD-Kennung, Sonstige Bezeichnung, in DGD seit Version, Aufnahmeort (Land), Aufnahmeort (Ortsname), Datum, Forscherin; – metadati che riguardano le persone intervistate ( Sprecher/Sprecherin = S): DGD-Kennung, Name, Früherer Name, Geschlecht, Geburtsdatum ( Jahr), Geburtsort (Land ), Geburtsort (Region), Geburtsort (Kreis) ecc. I metadati sono molto importanti per la documentazione e sono necessari per filtrare i dati primari in base a determinate informazioni, così come per la creazione di sottocorpora. Per la stesura di metadati esistono standard a cui riferirsi, come per esempio la Dublin Core Metadata Initiative , ampliata dalla Open Language Archives Community (OLAC) con informazioni specifiche per lingua 16, il Corpus Encoding Standard (CES), che fa uso delle convenzioni usate per la Text Encoding Initiative (TEI), e la Component Metadata Infrastructure (CMDI), che permette anche la connessione tra metadati di varie risorse 17. L’annotazione (Annotation) è la procedura con la quale i dati primari, che si trovano ancora in uno stato grezzo (ossia non annotato), vengono etichettati in maniera sistematica con speciali etichette, per mettere in evidenza determinate informazioni. Si tratta, in sostanza, di una descrizione e interpretazione del testo, ovvero di «una sorta di metacodifica dei testi costituita da un insieme di simboli per etichettarne le diverse parti e di regole per riutilizzarli» (Spina 2001: 79).

L’annotazione può essere di vario tipo. Anche se annotazione e marcatura vengono spesso utilizzati come sinonimi (per esempio in Spina 2001), nor - malmente si preferisce differenziare tra mark-up (marcatura) e annotazione in senso stretto (cfr. Freddi 2019: 18-19).

Nel primo caso, nella marcatura, si codificano le informazioni oggettive relative ai dati, come per esempio le informazioni riguardanti la struttura del testo. Nell’esempio (1) si mostra una frase codificata nella Standard Generalized Markup Language (SGML)18 dove le etichette s (s = inizio frase) e /s (/s = fine frase) sono racchiuse dai simboli <> (1) <s>Die Annotationen werden auf mehreren Ebenen möglich sein, z. B. Verfasser, Übersetzer, Herausgeber, sodass Vergleiche vorgenommen werden können.</s> (German Web 2020) Nel linguaggio SGML, per descrivere una porzione di testo si inserisce una marca, specificando sempre l’inizio e la fine (indicata con il simbolo /). I tag, 16 Cfr. http://www.language-archives.org [03.12.23]. 17 Per un approfondimento si vedano Lemnitzer/Zinsmeister (2015: 46-47). 18 La sua evoluzione è la Extensible Markup Language (EML), nata per permettere la distribuzione dei testi annotati tramite Internet. 211. Caratteristiche di un corpus ossia le etichette, possono essere attribuite a una parola singola, a una sequenza di parole o a una relazione (cfr. Lemnitzer/Zinsmeister 2015: 61). Ogni marca può poi contenere ulteriori specificazioni attraverso l’uso di attributi: se, per esempio, si vuole mettere in evidenza che la frase nell’esempio (2) è una citazione in lingua italiana, può essere usata la marca q (q = citazione), specificata dall’attributo lang, che sta per “lingua”, e dal suo contenuto it, che sta per “italiano”: (2) <q lang=‘it’>una raccolta strutturata di testi in formato elettronico che si assumono rappresentativi di una data lingua o di un suo sottoinsieme, mirata ad analisi di tipo linguistico </q> Nel corso degli anni sono stati elaborati linguaggi di marcatura da vari enti (università, enti di ricerca, società commerciali), sviluppati anche insieme a software per il loro utilizzo.

Solo negli anni Ottanta del ventesimo secolo è stato creato uno standard per la codifica informatizzata dei dati testuali: la Text Encoding Initiative (TEI) (cfr. Spina 2001: 80). La versione integrale della TEI comprende oltre 400 marche diverse, che permettono di descrivere ogni tipo di testo in formato elettronico. Esiste una versione ridotta chiamata TEI Lite, che contiene solo gli elementi basilari ed essenziali per descrivere un testo: le sue caratteristiche fisiche (parti evidenziate con il corsivo, grassetto ecc.; le interruzioni di pagina ecc.), strutturali (intestazioni, corpo del testo, titoli ecc.), logiche (citazioni, liste ecc.) e linguistiche (nomi propri, parole straniere, termini tecnici ecc.) (cfr. Spina 2001: 84s.). Nel secondo caso, l’annotazione in senso stretto (chiamata anche etichet - tatura o taggatura), si concentra invece solo su informazioni di tipo linguisti - co-interpretativo, in un certo senso più soggettivo (cfr. Freddi 2019: 19). Non si tratta di una procedura obbligatoria in un corpus, soprattutto se l’obiettivo è quello di lavorare con la totalità dei dati puri, ossia senza che essi siano corredati da informazioni di tipo linguistico (cfr. il contestualismo). Può però essere utile nel caso in cui si vogliano ricercare fenomeni specifici o per disambiguare forme omografe. L’annotazione ha innumerevoli potenzialità, soprattutto per la redazione di grammatiche di riferimento 19. Inoltre, questa procedura permette non solo la verifica dei risultati dell’analisi, ma anche la loro riproducibilità (cfr. Lemnitzer/Zinsmeister 2015: 58-60).

L’annotazione linguistica può essere fatta a livelli linguistici diversi (si veda la Tabella 1.1): 19 Un esempio è la Longman Grammar of Spoken and Written English (Biber et al. 1999). Cfr. Freddi (2019: 20).

Livello linguistico Annotazione morfologico forma base (Lemma), forma flessa morfosintattico parti del discorso (Wortart) sintattico costituenti sintattici, relazioni di dipendenza, campi topologici semantico nomi propri, campi semantici, metafore, frames pragmatico coreferenze, strutture informative, relazioni discorsive, connotazione (sentiment) altri struttura del testo, ortografia, errori, aspetti fonetici e prosodici, pause, elementi paraverbali (gestualità, mimica), analisi del discorso Tabella 1.1: Annotazione per livello linguistico Il procedimento dell’annotazione presuppone una segmentazione del testo, detta anche tokenizzazione ( Tokenisierung) in parole o token, che permette di distinguere ogni occorrenza di ciascuna forma.

La tokenizzazione viene fatta in maniera automatica dalla macchina, per la quale le parole sono sequenze ininterrotte di caratteri precedute e seguite da uno spazio bianco o da un segno di interpunzione (cfr. Freddi 2019: 20). Non sempre però la parola a livello informatico coincide con la parola a livello linguistico. Casi problematici sono, tra gli altri: – le forme contratte costituite da preposizione + articolo determinativo, come am (forma contratta di an + dem), ins (forma contratta di in + das), aufs (forma contratta di auf + das) ecc.; – le forme come denkense (= denken Sie ), le espressioni multiparola (Mehrwortlexemen) come Rote Bete o Gelbe Karte dove le due unità divise dallo spazio bianco formano un’unità dal punto di vista del significato; – le frasi idiomatiche come Tomaten auf den Augen haben (in italiano ‘avere gli occhi foderati di prosciutto’) ecc.

Anche i segni di interpunzione stessi possono essere ambigui: per esem - pio il punto in tedesco può avere anche altre funzioni, come si evince dai se - guenti esempi: Prof. come abbreviazione di Professor e 2. April (cfr. Lemnitzer/ Zinsmeister 2015: 62). Al momento dell’etichettatura dovranno essere quindi effettuate delle scelte da esplicitare agli utenti.

Il primo tipo di annotazione (cfr. Tabella 1.1) è quella morfologica ( morphologische Annotation), basata su un processo di codifica chiamato lemmatizzazione (Lemmatisierung) (cfr. Freddi 2019: 21). Con questo procedimento le varianti morfologiche di una parola vengono associate alla sua forma base, il lemma (Lemma), come accade di consueto nella prassi lessicografica. Per esempio, le forme della flessione verbale gehe, gehst, geht, gehen sono da ricondursi alla forma base gehen. L’annotazione morfosintattica (morphosyntaktische Annotation), chiamata comunemente etichettatura grammaticale (in inglese Grammatical Tagging, Part-of-speech tagging, POS tagging), invece è quella più utilizzata. La lista di tutti i tag utilizzati 231. Caratteristiche di un corpus in un corpus si chiama tagset, e di norma contiene tra i 50 e 150 tag20, descritti usualmente nelle Indicazioni per l’Annotazione 21 (Annotationsrichtlinien) (cfr. Lemnitzer/Zinsmeister 2015: 63). Con l’annotazione morfosintattica, a ogni parola nel corpus può essere attribuita una parte del discorso: nome (Nomen), verbo (Verb), aggettivo (Adjektiv), avverbio (Adverb) ecc. La parte del discorso viene indicata nel tag che la delimita: per esempio, ADJ.* sta per aggettivo (cfr. Freddi 2019: 21). Si possono però annotare anche altre informazioni, come: – la distribuzione, ossia la posizione (preposizione vs. postposizione); – la funzione sintattica (attributiva vs. predicativa); – le caratteristiche morfologiche (verbo finito vs. verbo non finito); – le caratteristiche semantiche (nome comune vs. nome proprio). Per alcune parti del discorso vi sono diverse possibilità di annotazione: per esempio, la funzione attributiva e predicativa dell’aggettivo non sono solo collegate alla sua posizione all’interno della frase, ma si distinguono anche per aspetti morfologici (funzione attributiva = aggettivo flesso; funzione predicativa = aggettivo non flesso).

Di seguito (Tabella 1.2) alcuni esempi tratti dallo Stuttgart-Tübingen Tagset (STTS)22: Classe di parola (Wortart) Descrizione (Beschreibung) Esempi (Beispiele) ADJA attributives Adjektiv [das] große [Haus] ADJD adverbiales oder prädikatives Adjektiv [er fährt] schnell, [er ist] schnell ADV Adverb schon, bald, doch APPR Präposition; Zirkumposition links in [der Stadt], ohne [mich] APPO Postposition [ihm] zufolge, [der Sache] wegen APZR Zirkumposition rechts [von jetzt] an ART bestimmter oder unbestimmter Artikel der, die, das, ein, eine Tabella 1.2: Esemplificazione di alcuni tag del STTS con relativa descrizione ed esempi Con l’annotazione morfosintattica è possibile disambiguare forme omogra - fe (come per esempio natürlich, che può fungere sia da aggettivo sia da avver - bio), ma non sempre la scelta del tag è univoca. Per ovviare a ciò, alcuni dei tag considerati “problematici” non sono presenti nei tagset più comuni; è il caso, 20 In Germania si è affermato lo Stuttgart-Tübingen Tagset (STTS). Questo piccolo tagset comprende 54 tag. 21 Nelle Indicazioni per l’Annotazione vi sono definizioni, esempi nonché soluzioni di possibili casi problematici (cfr. Lemnitzer/Zinsmeister 2015: 61). 22 Cfr. https://www.ims.uni-stuttgart.de/forschung/ressourcen/lexika/germantagsets/ [20.10.22].

per esempio, del tag usato per la distinzione tra l’aggettivo usato in funzione predicativa e l’aggettivo usato in funzione avverbiale, per il quale l’annotazione automatica potrebbe dare risultati inesatti, essendo necessaria l’analisi di tutta la frase per la disambiguazione. Le categorie della morfologia flessiva abitualmente presenti nella maggior parte dei set sono caso (Kasus), genere (Genus), numero (Numerus), persona ( Person), tempo ( Tempus) e modo ( Modus) (cfr. Lemnitzer/ Zinsmeister 2015: 68).

Un altro tipo di annotazione è quella sintattica (parsing). Per mettere in evidenza le relazioni tra le parti del discorso, l’annotazione sintattica può fare ricorso a strutture ad albero (Baumbanken) o a parentesi con etichette ( Klammerstrukturen) (cfr. Freddi 2019: 21-22). Con l’annotazione sintattica si possono annotare sia i costituenti sintattici (per esempio il sintagma nominale, verbale ecc.) e le loro funzioni grammaticali (per esempio soggetto, oggetto diretto, oggetto indiretto) – in questo caso si parla di Konstituentenstruktur23 – sia le relazioni di dipendenza gerarchica tra il verbo (predicato) e i suoi argomenti ( Dependenzstruktur)24. Uno sviluppo più recente di questo tipo di annotazione è il Chunking (Partial Parsing), in cui si analizzano porzioni di frase25.

Altra tipologia di annotazione è quella semantica, utilizzata soprattutto per la descrizione del lessico in caso di realizzazione di tesauri organizzati per campi semantici, per studi sul lessico specialistico o sulle metafore (cfr. Freddi 2019: 23). I singoli significati delle parole (Lesarten) si possono annotare sulle parti del discorso, così che una parola possa essere associata a vari significati, come in una ontologia o in un dizionario 26. L’annotazione di frames27 (cfr. la Frame 23 Corpora con annotazione dei costituenti sono la TIGER-Baumbank ( https://www.ims. uni-stuttgart.de/forschung/ressourcen/korpora/tiger/) e le tre TüBa -Baumbanken (TüBa- D/Z, TüBa-D/DP e TüBa-D/W). Cfr. https://uni-tuebingen.de/fakultaeten/philosophische-fakultaet/fachbereiche/neuphilologie/seminar-fuer-sprachwissenschaft/arbeitsberei - che/allg-sprachwissenschaft-computerlinguistik/ressourcen/corpora/ [20.10.22]. 24 Corpora con annotazione delle relazioni di dipendenza sono la Prague Dependency Treebank (cfr. https://ufal.mff.cuni.cz/pdt2.0) [20.10.22], in cui ogni verbo è analizzato nelle sue relazioni gerarchiche con le altre parole della frase, annotate seguendo la tradizione sintattica della scuola di Praga. Un corpus in ambito germanofono è la Hamburger Dependency Treebank (cfr. Foth et al. 2014). 25 Un corpus con annotazione di chunks è il Tübinger Partiell Geparste Korpus des Deutschen/ Schriftssprache. 26 Un esempio è il corpus OntoNotes, in cui le parti del discorso sono annotate semanticamente in testi inglesi e cinesi con link a WordNet (https://wordnet.princeton.edu) [20.10.22]. 27 Cfr. FrameNet (https://framenet.icsi.berkeley.edu) [20.10.22], un database lessicale, ossia un indice di unità lessicali e dei loro pattern sintattici. Il progetto mira a individuare pattern associativi tra significati e relazioni sintattiche, con lo scopo di compilare un inventario di frames semantici (cfr. Freddi 2019: 39). In ambito germanofono si è sviluppato il German FrameNet, diramatosi in tre gruppi: il progetto SALSA di Saarbrücken ( https://www.coli.uni-saarland. de/projects/salsa/ [20.10.22]), il gruppo di lavoro a Stoccarda intorno a U. Heid con focus su collocazioni e nominalizzazioni e il gruppo di Austin, diretto da H.C. Boas che utilizza i dati di Saarbrücken per creare un database sul modello di FrameNet. 251. Caratteristiche di un corpus

Semantik di Fillmore 1968), invece, va oltre il livello della parola (cfr. Lemnitzer/ Zinsmeister 2015: 81).

L’annotazione pragmatica, con la quale si oltrepassano non solo i confini della parola ma anche della frase, si concentra soprattutto sugli atti linguisti - ci in riferimento agli enunciati (assertivi, direttivi, commissivi ecc.), svolgendo un ruolo importante per l’identificazione di pattern argomentativi (cfr. Freddi 2019: 23). Questo tipo di annotazione riguarda anche le anafore, ossia le relazioni di coreferenza: una anafora, per esempio un pronome o un sintagma nomi - nale, viene messa in relazione con il suo antecedente (Bezugswort, Antezedens). In un corpus possono essere annotate le relazioni di coreferenza 28 per analizzare, per esempio, le catene di referenti ( Referenzketten): quali espressioni vengono usate per identificare persone, oggetti, eventi affinché il testo sia interpretato coerentemente? (cfr. Lemnitzer/Zinsmeister 2015: 83). Un’ulteriore possibilità di annotazione riguarda la struttura informativa, in cui si focalizzano sia il tema della frase o dell’espressione, sia la nuova informazione (cfr. il Potsdam Commentary Corpus)29.

In passato l’annotazione era molto dispendiosa, non solo in termini economici, ma anche in termini di tempo, essendo prevalentemente manuale, ma oggi esistono strumenti automatici e semiautomatici che facilitano questo tipo di procedura. Il controllo manuale30 di annotazioni semiautomatiche può avvenire sia in maniera sincrona (durante l’annotazione, in caso di programmi interattivi), sia in maniera asincrona, in una fase successiva. Vi è anche la possibilità che non via sia alcun tipo di annotazione manuale e che i dati vengano usati direttamente dopo l’annotazione automatica (si veda l’annotazione automatica di software come Sketch Engine31, AntConc32). L’annotazione morfosintattica, per esempio, può raggiungere un grado di accuratezza tra il 95% e il 98% (cfr. Lemnitzer/ Zinsmeister 2015: 68), dato che gli strumenti sono in grado di disambiguare le parti del discorso. Gli altri tipi di annotazione hanno invece una precisione più bassa e richiedono maggior revisione manuale. Più si procede verso analisi maggiormente astratte, più l’annotazione diventa inevitabilmente manuale (cfr. Freddi 2019: 19). 28 Per l’annotazione della coreferenza si veda Poesio (2004). Un corpus in cui è annotata la coferenza è il corpus DIRNDL (cfr. Björkelund et al. 2014), costituito da telegiornali radio letti (sono presenti dati audio e trascrizioni): https://www.ims.uni-stuttgart.de/en/research/ resources/corpora/dirndl/ [03.12.2023]. 29 Cfr. http://angcl.ling.uni-potsdam.de/resources/pcc.html [21.10.2022]. 30 Anche l’annotazione manuale non è priva di errori. Se, per esempio, più annotatori annotano i medesimi dati, non vi è mai una corrispondenza del 100%. Per questo, oltre al dato percentuale, viene dato molto spesso come valore di riferimento (ossia l’Inter-Annotator Agreement) il valore k (“kappa”), che tiene conto del fatto che una parte delle corrispondenze è dovuta a fattori casuali (cfr. Perkuhn/Keibel/Kupietz 2012). 31 Cfr. https://app.sketchengine.eu/ [21.10.2022]. 32 Cfr. https://www.laurenceanthony.net/software/antconc/ [21.10.2022].

1.3 Approcci di analisi di un corpus Nella linguistica dei corpora si possono distinguere diversi tipi di approcci per l’analisi di un corpus. Elena Tognini-Bonelli (2001) opera la nota distinzione tra corpus-based, in cui i dati vengono consultati per verificare ipotesi o cercare esempi, e corpus-driven, dove i dati vengono usati nella loro interezza e le conclusioni sono tratte esclusivamente da essi: The corpus, therefore, is seen as more than a repository of examples to back pre-existing theories or a probabilistic extension to an already well defined sys - tem. The theoretical statements are fully consistent with, and reflect directly, the evidence provided by the corpus. (Tognini-Bonelli 2001: 84) Il termine inglese corpus-based non deve essere però confuso con il termine tedesco korpusbasiert33, che è invece l’equivalente di corpus-driven, ragion per cui Lemnitzer/Zinsmeister (2015: 34) propongono la distinzione tra korpusbasiert quantitativ (1), korpusbasiert quantitativ und qualitativ (2) e korpusgestützt (3): (1) L’approccio korpusbasiert quantitativ utilizza corpora grezzi (ossia non annotati) e opera per mezzo di modelli statistici. I dati vengono estratti, ma non interpretati. Analisi tipiche sono l’identificazione della frequenza assoluta e relativa di unità linguistiche in un corpus, l’estrazione di keywords singole e multiple di un corpus, l’estrazione della distribuzione di unità linguistiche, l’estrazione di n-grams34, l’estrazione di parole simili da un punto di vista semantico in base alla co-occorrenza.

Questo approccio trova applicazione soprattutto nell’information retrieval; (2) L’approccio korpusbasiert quantitativ und qualitativ utilizza corpora grezzi (ossia non annotati) e si concentra anche su aspetti semantici. I dati estratti vengono necessariamente interpretati. Tutte le procedure dell’approccio (1) possono valere anche per l’approccio (2), ma ne segue una interpretazione. Le analisi tipiche si concentrano anche sulla co-occorrenza, sulle collocazioni e sui campi semantici. Questo approccio trova applicazione in lessicografia, nella didattica delle lingue straniere e nelle scienze della traduzione (cfr. il contestualismo); (3) L’approccio korpusgestützt fa uso di corpora annotati o di raccolte di esempi (Belegsammlungen); si concentra prevalentemente su aspetti sintattici e viene utilizzato per verificare o confermare ipotesi, partendo quindi da aspetti teorici. Un’analisi tipica si concentra sulla posizione delle parti del discorso in una frase. Questo approccio trova applicazione soprattutto nella linguistica teorica (cfr. il generativismo). 33 Altro errore molto comune è l’uso della parola tedesca korpusbasiert per tradurre l’italiano ‘basato sui corpora’, il cui equivalente sarebbe in realtà korpusgestützt. 34 Per n-grams si intendono una serie N di parole che si succedono una dopo l’altra nel medesimo ordine, dove N sta per un qualsiasi numero > di 0. Si parla di Bigrams (2-Grams), di Trigrams (3-Grams) eccetera. Cfr. Manning/Schütze (2002). 271. Caratteristiche di un corpus

Capitolo 2

Corpora e analisi linguistica In questo capitolo sono presentati alcuni concetti fondamentali della linguistica dei corpora necessari per affrontare analisi linguistiche sia di tipo corpus based, sia di tipo corpus driven (cfr. paragrafo 1.3). In primo luogo, si procede a una distinzione tra token, type e lemma (paragrafo 2.1); successivamente viene presentato il procedimento di ricerca in un corpus per poi introdurre le espressioni regolari, utili per ricerche più complesse (paragrafo 2.2). Nel paragrafo 2.3 il focus verte sui possibili formati di visualizzazione dei risultati di una ricerca (KWIC e testo) e sulle possibilità di esportazione dei dati. Il paragrafo 2.4 si occupa, invece, dell’estrazione delle liste di frequenza (parole, lemmi ecc.). Il paragrafo 2.5 si concentra sulle liste di parole chiave (keywords singole e multi - ple) e sugli n-grams, mentre il paragrafo 2.6 sul profilo di parola. Il capitolo si conclude con il paragrafo 2.7 in cui si prendono in esame ulteriori possibilità di analisi, come il confronto tra i profili di parola tramite Word Sketch Difference e l’estrazione di liste di parole simili dal punto di vista semantico con Thesaurus. 2.1 Token, type e lemmi Per poter svolgere una ricerca empirica in un corpus è necessario conoscere le unità che lo compongono.