Informatica

Deriva dal termine francese informatique, information automatique, ovvero la disciplina tecnico
scientifica che progetta e costruisce macchine per elaborare le informazioni. I tre tipi di informatica
sono la computer science, information technology e information and communication technology.
Dato: insieme di simboli che rappresentano la proprietà di un oggetto senza contenere nessun
riferimento alla proprietà.
Codifica e rappresentazione informazioni
Informazione: il dato messo in relazione alla proprietà a cui si riferisce.
Conoscenza: informazioni per trarre vantaggio quando si hanno delle regole.
Lingue storico naturali create dall’uomo per comunicare dotate di Polisemia, necessità di
disambiguare. I linguaggi formali per comunicare con un calcolatore in campi come informatica,
matematica, logica, per evitare ambiguità. Questo linguaggio prevede un alfabeto, una grammatica
formale, ovvero come combinare questi simboli dell’alfabeto.
Informazione: rappresentata da Dati sotto forma di simboli e la stessa info può essere data da diversi
simboli come l’alfabeto bit ridotto, binario, utilizzato per simboli semplici.
Un byte è la sequenza di 8 bite e un Gigabyte è più di 8 miliardi di bit.
I supporti fisici dei calcolatori per trattamento di questi dati sono dispositivi bistabili, rappresentano
sequenze di bit.
La rappresentazione dell’informazione può essere: decimale posizionale, posizionale, posizionale in
base non decimale e la codifica binaria.
Codifica analogica e codifica digitale
rappresentazione di tipo quantitativo:
codifica analogica, individua una grandezza analoga, detta grandezza continua perché ad un
incremento o decremento della prima grandezza corrisponde lo stesso della seconda.
Codifica digitale, richiede un alfabeto di simboli e insieme di regole di codifica, detta grandezza
discreta.
Trattamento dell’informazione
l’elaborazione è qualsiasi attività sull’informazione tramite creazione, modifica, eliminazione,
confronto, conservazione e trasmissione.
Qualsiasi attività segue uno schema: la codifica dell’informazione in forma di dati che sono su un
supporto fisico, supporto che subisce una trasformazione fisica che generano altri dati che saranno
decodificati e creeranno una nuova informazione.
Gli algoritmi sono delle istruzioni per risolvere un problema e i linguaggi di programmazione
descrivono gli algoritmi.
Nascita del calcolatore
anni della seconda GM, grande merito ad Alan Turing.
Composizione della sua macchina:
alfabeto; nastro diviso in celle, ognuna contiene un simbolo dell’alfabeto; testina posizionata su una
cella del nastro; insieme di stati; registro di stato; tabella delle azioni o transizione.
La macchina di Turing
è un sistema automatico per l’elaborazione dell’informazione, quindi esegue algoritmi:
il nastro è il supporto fisico con cui si codifica la info con simboli alfabetici; la testina si muove
lungo il nastro e legge e codifica il contenuto, ovvero esegue la trasformazione fisica che porta alla
formazione dell’output; il registro degli stati è la memoria interna che tiene traccia dei dati.
La macchina ha dimostrato che alcuni problemi non ammettono nessuna soluzione generale
calcolabile.
C’erano dei limiti precisi, alcune questioni non possono essere risolte dalla MdT.
John von Neumann scopre che ci sono dei problemi da considerare tra cui la trattabilità, basta che
un problema sia intrattabile per non poter essere calcolato.
Nonostante questi limiti si ha un successo della tecnologia.
Neumann nel 1944 entra nel progetto ENIAC e del EDVAC in cui stende una bozza del progetto di
un nuovo calcolatore.
Architettura di Neumann: obiettivo calcolatore universale; presenza di un dispositivo di
memorizzazione; utilizzo aritmetica binaria; separazione tra i due dispositivi di memorizzazione e
elaborazione.
Il calcolatore ha sottosistemi: il processore (CPU), legge le istruzioni della memoria e trasforma i
dati; la memoria, insieme di celle; interfaccia, sia in input che in output che gestisce le interazioni
con l’esterno; il Bus, canale di comunicazione tra sottosistemi.
Vanndevar Bush
1936 invenzione analizzatore differenziale
1940 capo dell’Osrd per sostegno scientifico in guerra
1950 uno dei fondatori della National Science Foundation negli USA.
Sviluppo scientifico nel dopoguerra MEMEX: macchina che supportava lo sforzo umano per
gestione info più dinamica ed efficiente. Dinamicità è necessità di aggiornamento, accessibilità e
conservazione dati con cambio del paradigma.
Idea di simulare una strategia associativa come quella della memoria umana.
L’idea era una macchina da tavolo progettata per tutti i lavoratori, interfaccia conteneva elementi
analogici come i meccanismi umani, evoluzione tecnologica basata sulla aggiore comprensione di
come usarli.
Norbert wiener
studio della cibernetica che realizza macchine che compiono azioni umane e che aiutano, però, a
studiare funzioni fisiologiche e dell’intelligenza.
Importanza comunicazione e ricerche sui linguaggi e tecnologie hanno reso possibile l’interazione
tra uomo e macchina, la cibernetica aveva come scopo l’interazione proficua.
Grande contributo di Wiener nella comprensione delle conseguenze storiche etiche e sociali della
tecnologia.
Rischi cibernetica: macchine per controllo comunicazione avrebbero potuto sostituire anche la
mente dell’uomo e quindi portare alla disoccupazione intellettuale, inoltre la segretezza delle
scoperte avrebbe portato alla questione della proprietà intellettuale, meccanismi antidemocratici.
Soluzioni: creazione generazione di scienziati consapevoli che prendano decisioni in qualità di
esperti che favoriscono la crescita della consapevolezza di tutta la popolazione.
Joseph Carl Robnett Licklider
idea del computer in cui si fondono i compiti di calcolo e gestione dati con quelli di
immagazzinamento e ricerca informazioni.
Novità è il ruolo dell’utente nell’elaborazione dei processi: nella MdT l’operatore era la tavola di
istruzioni, mentre qui la macchina partecipa ed è complice delle attività dell’operatore nelle
componenti automatiche senza sostituirlo.
Invenzioni del human-machine interaction come il mouse e le icone interfaccia.
Licklider credeva che l’uso del computer avrebbe avuto a che fare con tutti i processi creativi, anche
umanistici che avrebbe contribuito all’information processing. L’ostacolo era la differenza di
velocità tra macchina e uomo ovviata dalla proposta del time-sharing, il linguaggio da utilizzare,
dispositivi di input-output. Lui sosteneva la creazione di display da tavolo per mostrare risultati e
attività computer e uno da muro per il lavoro di gruppo o di display per visualizzare una stessa info.
La rete intergalattica
1963 licklider scrive ai suoi scienziati per fare il punto della situazione sui progetti tra sui sorge
l’intergalactic network, un progetto per la costruzione di una rete di computer interconnessi,
intercomunicanti, discussione su che tipo di linguaggio utilizzare. Si arriva al user-centered design.
Il computer è un elemento di un complesso sistema di comunicazione; il progetto di rete venne
guidato da Robert Taylor che creò l’ARPANET. Nel 1968 viene pubblicato The computer as a
communication device di Licklider e Taylor. L’idea è un dispositivo per ‘interazione e non solo per
trasferire info, la comunità arpanet comprendeva tutti coloro capaci di utilizzare gli strumenti, si
sarebbero create comunità di persone da diversi paesi con interessi comuni, si ipotizza l’uso del
computer per ogni transazione informativa per eliminare i costi di connessione e velocizzare la
comunicazione. Rischio possibile: Digital Divide.
Nascita di Arpanet
1966 Taylor ottiene finanziamento dal direttore dell’Arpa, 1967 individuati i primi nodi da
connettere, 1969 invio primo messaggio.
Douglas Engelbart fu uno dei progettisti della rete e di una serie di strumenti per pc, inventò il
mouse, le finestre, applicazioni per lavori di gruppo, tutto orientato all’utente.
World Wide Web
proposto nel 1989, internet come infrastruttura, concetto ipertestualità per memorizzare più versioni
di uno scritto, 1993 il CERN pubblica la disponibilità del WWW gratuita, 1993 nascita di Mosaic,
primo browser, 1994 nascita del consorzio del WWW per favorire lo sviluppo di tutte le sue
potenzialità.
Dizionari, corpora, biblioteche e archivi digitali, strumenti per la ricerca
La Lessicografia: scienza e tecnica di raccolta e definizione dei vocaboli di una lingua o un dialetto
o gruppi di questi due, l’oggetto che ha è la redazione di dizionari. È anche un complesso di opere
lessicografiche di una lingua o ambito linguistico di un momento storico.
Tipi di dizionario: dell’uso, storico, etimologico, monolingue, bilingue, specialistico, dei sinonimi e
contrari.
Dizionario e vocabolario spesso sinonimi, il dizionario che ha trattazioni in ordine alfabetico ma
non lessicali può essere un dizionario biografico, ma non vocabolario.
Fine ‘900 distinzione tra dizionario come opera lessicografica e vocabolario come complesso di
vocaboli e locuzioni di una varietà linguistica.
Il Lessico: insieme di parole e locuzioni di una lingua.
Il termine si oppone a vocabolario: il primo rappresenta la Langue, le unità lessicali virtuali, il
vocabolario la Parole, i lessemi attualizzati nel discorso.
Parola, lemma e termine
parola: unità difficile da definire scientificamente ma più semplice se contrapposta a lemma e
termine. Il primo è un’unità grafica voce di dizionario o enciclopedia, la seconda è un elemento
lessicale proprio di un determinato settore che ha un unico significato.
La prospettiva della lessicografia digitale e l’uso dei dati empirici
Il fatto linguistico e il dato empirico: in lessicografia si ha una mediazione tra normatività e
approccio descrittivo per la ricerca linguistica dovuta all’utilizzo di modelli linguistici di un utente.
Il valore del giudicio dei parlanti è nato con i corpora negli anni ‘80 e con la lessicografia
collaborativa online.
Ruolo giocato dal modello linguistico fondamentale coincidente con una varietà e legato a fattore
sociale culturale o politico.
Normatività presente in lessicografia fin dal vocabolario della Crusca, anche se ultimamente non si
hanno censure o forme di purismo, la normatività è sempre un’esigenza per includere o no varianti
lessicali e la gerarchia delle forme diverse di un lemma.
Il compito lessicografico è una mediazione tra descrizione empirica e interpretazione o giudizio.
Studi sugli usi degli utenti di un dizionario, tramite test esperimenti e analisi dei dati dei dizionari
online.
Nuovo modo di utilizzo con l’utente al centro.
Un lessicografo ottiene dati con la propria competenza linguistica, quella di un gruppo di parlanti,
l’uso del dizionario, l’analisi di questionari sull’uso del diz, uso di grammatiche pubblicazioni ecc,
analisi di esempi d’uso sia selezionati da testi che estratti da corpora.
Lessicografia digitale: raccoglie prodotti differenti come dizionari informatizzati, elettronici,
collaborativi, e strumenti di lessicografia computazionale ovvero database lessicali, e infine
aggregatori di fonti lessicografiche.
La lessicografia ha affinato l’uso dell’attestazione grazie ai corpora di riferimento, soprattutto per la
distinzione tra uno concreto parlato e scritto.
I corpora hanno scatenato la riflessione sulla selezione dei lemmi, ha permesso di notare come
moltissimi lemmi nei dizionari non sono presenti nei corpora quindi per portare alle scelte razionate
dei lemmi.
Concordanze della Lingua Poetica Italiana delle Origini (CLPIO)
le concordanze sono volumi che registrano il lessico di un’opera. È un progetto proseguito
dall’accademia della crusca con prima pubblicazione nel 1992. primo obiettivo di costruire ex novo
il corpus dei testi oggetto d’indagine raggiunti, il corpus raggiunge quindi una completezza delle
testimonianze, il rispetto della verità testuale dei manoscritti, il rigore nell’impostazione grafica
anche per il trattamento informatico.
L’Accademia della Crusca ha pubblicato la Lessicografia della Crusca in Rete con 5 edizioni del
vocabolario degli accademici. Lavoro di informatizzazione permette di fare ricerca in modo rapido
e sistematico e confrontare anche le diverse edizioni.
È possibile seguire l’evoluzione del lavoro lessicografico degli accademici nei secoli.
Il TLIO e i corpora dell’OVI
il TLIO è il vocabolario storico delle varietà di italiano antico con limite cronologico 1375 con la
morte di Boccaccio. Include con meno completezza le attestazioni di fine 14 o inizio 15o secolo.
Il corpus OVI viene usato come integrazione dai lessici di altre fonti. La finalità è fornire uno
spoglio di significati di ogni lemma del corpus TLIO completo della cronologia della prima
attestazione di ogni significato.
È organizzato per voci. Il corpus TLIO è la banca dati di riferimento informatizzata e affiancata
dall’italiano antico del Corpus OVI non lemmatizzato.
In pratica all’interno del TLIO si hanno tutti i testi precedenti al 1375 compresi quelli giudicati
insoddisfacenti, appartenenti a varietà linguistiche diverse del sistema italiano.
Per il vocabolario questo è il corpus principale sul quale si basa la redazione ed è lemmatizzato.
Il corpus OVI dell’italiano antico comprende il TLIO per il vocabolario e lo estende includendo
testi fino alla fine del 14o secolo non rientrati per il vocabolario TLIO, l’intero corpus OVI è senza
lemmatizzazione.
I corpora OVI sono montati in GATTO su piattaforma locale mediante gattoweb. I testi contenuti
nel corpus sono schedati in Bibliografia dei Testi Volgari (btv) informatizzata tramite sistema Pluto.
Scheda di ogni testo consultabile online.
Linguistica dei corpora (corpus linguistics)
Dal latino corpus significa corpo come porzione limitata di materia e corpus come raccolta ordinata
di opere o di autori.
Dizionario di linguistica: corpus come raccolta di dati linguistici che possono costituire la nase
empirica per l’analisi della lingua naturale.
Ampiezza e caratteri del corpus dipendono da teorie e metodologie assunte.
Per avere fondamento empirico l’analisi deve essere rappresentativa, in grado di illustrare
caratteristiche fondamentali.
Tipi di corpus:
chiuso: insieme finito di dati linguistici
aperto: continuamente estendibili
analisi delle lingue morte: ristrette a corpora chiusi
i confini del corpus sono definibili in rapporto ai parametri di diacronia, diafasia, diamesia
strutturalismo vs. grammatica generativa
i corpora sono collezioni di grandi dimensioni di testi orali o scritti prodotti in testi comunicativi
reali molto importanti per la lessicografia contemporanea e sono utilizzati per selezionare lemmi in
base alla frequenza d’uso. Importante strumento dello sviluppo di tecnologie linguistiche come la
traduzione automatica o riconoscimento del parlato.
Utilizzato nell’insegnamento delle lingue sussidio per costruzione materiali didattici.
Corpus accezione tecnica è il dato linguistico con archiviazione informatica.
Raccolta di dati gestibili e interrogabili informaticamente che costituiscono un’entità materiale e
rappresenta un certo dominio d’uso linguistico e dev’essere passabile di verifica sperimentale.
Rappresentatività: applicata a diversi tipi di corpus è la rappresentazione di una realtà linguistica
oggettiva con le sue caratteristiche.
Linguistica dei corpora: scelta di campo ovvero fondare la ricerca su principi scientifici di tipo
empirico. Costituzione di un corpus è una condizione fondamentale della ricerca linguistica e deve
offrire un’identificazione controllata e verificabile del proprio dominio.
Linguaggio umano se considerato nell’aspetto d’uso può essere studiato e conosciuto con contributo
fondamentale tecnologie.
Costituzione di un corpus ha scelte teoriche di diverso livello.
Ambiti di ricerca linguistica non possono essere condotti in maniera adeguata senza dei corpora
rappresentativi di lingua antica, spontanea e lessicografia.
Fare ricerca su un corpus vuol dire condurla su un impianto empirico.
Corpora antichità: raccolte testi giuridici , testi religiosi o tradizione mitologica e fiabesca, tutti
prima orali poi scritti.
Importanza corpus per dizionari e grammatiche
impiego corpora linguistici ha costituito il fondamento per nascita vocabolari scientifici e
grammatiche moderne.
Primo vocabolario è della Crusca con l’uso di un grande corpus di dati linguistici.
Corpus elettronico: analisi quantitativa e qualitativa.
Non tutti gli archivi testuali considerabili corpora quindi i tratti che li definiscono sono: corpora
specialistici o di riferimento quindi la generalità, il mezzo di trasmissione linguistica o scritto o
parlato, la cronologia quindi sincronici o diacronici o dinamici, lingue monolingui o multilingui.
Corpus design: parametri dimensionali.
Tipi di web
WEB 2.0 Partecipativo.
WEB 3.0 semantico: computer e utenti lavorano in cooperazione per migliorare e personalizzare la
ricercata.
WEB 4.0 realtà aumentata Big Data.
Digital library
ci sono grandi portali per patrimonio culturale come Europeana grazie ai METADATI si possono
interrogare archivi diversi.
Nuova idea biblioteca digitale con interdisciplinarietà, il meta-archivio di dati culturali con
connessioni degli utenti, contributo di un accesso globale alla conoscenza.
Ricerca info in biblioteca e internet
consultazione letteratura di riferimento è necessario sapere come e dove trovare le info.
I documenti sono supporti per informazioni, possono essere registrati su cartaceo o su file i quali
possono essere su supporti locali come CD o DVD o supporti remoti come i server.
Documenti possono ospitare contenuti testuali o non testuali come immagini, suoni, mappe.
Se nasce un’esigenza informativa ci si può riferire ad un esperto, interrogare un catalogo, consultare
un documento o consultarlo per ricavare indicazioni bibliografiche.
Biblioteca come information retrieval: funzioni tradizionali biblioteca, evoluzione con formati
digitali, cambio utenza con information and technology literacy, necessità di confronto con nuove
realtà di gestione e circolazione conoscenze.
Open Science e biblioteca
Open Science è un movimento culturale per condivisione delle fasi del processo scientifico con il
digitale, crisi dei periodici scientifici.
Open access e licenze creative commons: il titolare dei diritti concede a generalità di soggetti
l’autorizzazione per uso opera.
Tipo di open access: green open access e gold open access per riviste scientifiche e libri l’autore
pubblica i risultati del lavoro su un journal che li rende accessibili a tutti. Diamond open access.
Uso strumenti digitali nei processi educativi
processi di apprendimento formali, non formali e informali.
Risorse informatiche e didattica: ruolo fondamentale per la evidence based education: prospettiva
di ricerca che mira alla produzione, raccolta e diffusione di conoscenze affidabili per efficacia di
differenti operazioni didattiche per insegnanti ed educatori.
Necessità di un progetto didattico.
Formazione a distanza FAD
E-Learning basato su rete
FAD distribuzione sempre via rete di testi e materiali progettati per l’apprendimento con esercizi,
per comunicazione di molti a molti.
La FAD può essere sincrona e asincrona e l’ambiente di erogazione dei corsi può essere strutturato
o destrutturato.
Ruolo del Tutor è quello di facilitatore tecnologico, relazionale e disciplinare.
Tecnologie didattiche digitali sono MOOC, LIM, PODCAST.
Il testo digitale
le tecnologie della parola: trasmissione conoscenze evoluto con momenti rivoluzionari come
l’invenzione della stampa a caratteri mobili.
Modifiche meccanismi di circolazione info.
Rivoluzioni tecnologiche sono fenomeni che determinano i proprio effetti su scala temporale ampia:
incapacità di metabolizzare le novità in prima fase.
Prima rivoluzione: passaggio alla scrittura.
Se ci focalizziamo sullo sviluppo del libro la rivoluzione digitale è quarta dopo la scrittura, il
cambio di formato, invenzione di stampa, diffusione mezzi di comunicazione di massa.
Web modifica il modo di pensare.
Luciano Floridi 2014 classifica i cambiamenti di paradigma come la progressiva consapevolezza di
non godere dei privilegi nei confronti dell’ambiente circostante: rivoluzione copernicana,
darwiniana, freudiana e tecnologie dell’informazione.
Evoluzione comunicazione si descrive con cambiamento modalità di interagire dei sensi con la
realtà. Progressivo spostamento orecchio-occhio, progressivo disimpegno della mano a favore
dell’occhio.
Dall’oralità primaria si passa alla secondaria con il periodo chirografico e tipografico, al parlato
trasmesso, all’era digitale che è stato un mutamento radicale che ha investito la natura dei contenuti
e la modalità di trasmissione e fruizione.
La Comunicazione digitale:
si basa su informazioni mediate, decontestualizza il messaggio.
Big data analysis
tecniche di analisi estesa a scale di grandezza elevata per predisporre strategie di marketing e la
pubblicità per gli utenti.
Rapporto tra uomo e tecnologie di comunicazione
un’ipotesi dice che porta a costruire specifici schemi mentali ovvero un modello di pensiero che
organizza le info e le relazioni tra esse.
3 brainframes avvenuti nella storia:
il primo alfabetico poi televisivo e il terzo cibernetico.
Anche le pratiche di lettura sono cambiate.
Elementi di linguistica testuale
come avviene la comunicazione, cos’è un testo, interpretazione messaggio, organizzazione di un
testo come coerenza e coesione, canale scritto orale o trasmesso, intertestualità e competenza
testuale.
I testi nella rete
testualità digitale caratteristiche:
struttura dinamica, con corpo leggero, verticalità di codifica, strutturazione per campi, nuove forme
di dialogicità e deissi, brevità.
Principi costitutivi testo: coerenza, coesione, intenzionalità, accettabilità, informatività,
situazionalità (dipendenza testo dalla situazione), intertestualità.
La dialogicità è l’interattività quindi supera i suoli di lettore e autore, mentre la deissi si riferisce
direttamente a spazio e tempo in cui l’enunciato è emesso.
Il web e la scrittura
interazione comunicativa mediata da internet si esprime in moltissime forme digitali
uso normale ed estensivo della scrittura desacralizza il testo, c’è una relazione più libera tra lo
scrivente e il testo digitale e meno osservante delle cautele della scrittura tradizionale. Sia per i fini
della comunicazione che per la comunicazione sincrona.
I fatti grafici tipici del digitale sono:
errori di scrizione
abbreviazioni
manipolazioni ludiche o espressive del codice grafico
elementi espressivi come emoji
immagini con caratteri ASCII
Lingua e social network
la definizione rete sociale si intende la frequentazione di siti per creare rapporti tra i profili con altri
utenti.
La brevità è essenziale nella linguistica social per creare interesse e manifestare apprezzamenti.
Addare unfriendare sharare taggare eccetera sono termini specifici dei social.
I meme
rielaborazione creativa di un contenuto di cultura di massa per divertimento e contestualizzazione al
vissuto personale o quotidiano. Struttura: testo, immagine che creano situazioni paradossali e per
comprenderli è necessaria la condivisione dell’esperienza.
Termine appare nel 1976 per spiegare come le informazioni si diffondono, 1919 prima apparizione
di una cosa simile agli attuali meme.
Meme approdati sul web con blog e forum.
Senso di comunità
gap generazionale
meme e marketing
codifica e annotazione
processo di codifica informazione: sistemazione di regole e norme
il testo è una sequenza ordinata di caratteri le scritture alfabetiche hanno grafemi e non due simboli
come l’immagazzinamento di dati del computer (0 e 1)
si ha una codifica di basso livello: associazione a ogni carattere di una sequenza di cifre binarie
e una codifica di alto livello: markup testuale.
La prima è per esempio lo standard ASCII 128, quello esteso 256 simboli e poi c’è l’UNICODE
che codifica più di un milione di caratteri.
La seconda è la linguistica dei corpora con applicazione marcatura tramite annotazioni che
associano una sequenza di caratteri nel testo e un’etichetta che descrive il valore.
Si hanno il presentational markup che è un’annotazione basilare come spaziature o centrature, e il
Procedural markup anch’esso incentrato sulla presentazione del testo e specificano le procedure di
trattamento di esso. Un esempio è l’RTF che è il testo ricco che indica la formattazione applicata al
testo.
Descriptive markup è semantico e applica etichette a frammenti di testo.
Problemi della codifica
molte volte non è visibile, come in Word, ma comunque presente e può ostacolare la visibilità del
testo in altri programmi.
I markup descrittivi hanno simboli ed etichette che suggeriscono al programma la sua struttura
logica e queste rendono i documenti indipendenti dalla piattaforma utilizzata. Uno dei principali
linguaggi di markup è l’ SGML da cui è tratto l’HTML e l’XML.
Il primo descrive la visualizzazione del contenuto web e visualizza i dati, mentre l’XML è un
metalinguaggio per definire i linguaggi di marcatura e trasporta i dati.
1998 versione aggiornata del SGML che definisce i linguaggi da utilizzare per stesura di testi da
archiviare con strumenti informatici. Archivia di dati in modo condivisibile, l’XML supporta lo
scambio di info tra sistemi informatici. È formalmente un file di testo con elementi di marcatura e
prevede che siano racchiusi da <> e può contenere altri elementi.
Prevede una struttura ad albero.
Caratteristiche XML permettono di creare schemi di annotazione ed etichettare i diversi livelli.
Scelta di utilizzare elementi o attributi per codifica di det. caratteristiche dipende da che
etichettatura vogliamo e lo schema di annotazione.
Spesso linguaggio utilizzato per metadati in un testo.
Xml consente l’uso di diversi linguaggi schema tra cui DTD e XMLschema se autori creano
documenti con stesso schema sono validi.
XML e standardizzazione della codifica
1987 nascita TEI ovvero lo standard per la codifica dei testi per contemplazione di tutti i fenomeni
di interesse umanistico fornendo un vocabolario unico tra elementi non ambigui completo ed
esaustivo.
Scopo del consorzio TEI è fornire linee guida per creazione e gestione documenti digitali con
attenzione alle discipline umanistiche. Utilizzo TEI facilità la portabilità dei documenti digitali
favorendo condivisione per ricerca schientifica.
Guidelines della Tei favoriscono la condivisione di un testo per facilitare l’elaborazione da parte di
programmi informatici diversi.
Annotazione e ricerca ambito linguistico
l’annotazione linguistica è l’etichettatura più importante per un Corpus. Ne consente l’analisi
attraverso software specifici, si misurano le caratteristiche di una lingua. L’annotazione è il settore
di contatto tra linguistica dei corpora e linguistica computazionale.
L’etichettatura delle risorse linguistiche si basa sull’uso di programmi per interpretare le strutture
linguistiche in un testo.
L’annotazione linguistica parte da unità di riferimento del testo individuate e dalla parola.
Si individua l’asse sintagmatico, quello paradigmatico, i dati del corpus, la lemmatizzazione e la
tokenizzazione (singoli costituenti di un testo individuati e segmentati). Annotazione delle parti del
discorso come i tag PoS che consentono agli strumenti di elaborazione automatica del testo di
stabilire quale sia la parte del discorso di ogni parola.
Si ha un’annotazione morfosintattica, sintattica e semantica.