PDF (Online Text) - EURAC

2.4 I corpora elettronici
Nell’ambito del progetto TALES sul trattamento automatico della lingua ladina
sono state create delle raccolte organiche di testi ladini, sia nel ladino standard che
nei singoli idiomi. I corpora raccolti (fassano, gardenese, badiotto e ampezzano)
contengono complessivamente circa 6.500.000 parole. I testi selezionati coprono
un periodo che va dal XIX secolo fino ai giorni nostri, con preponderanza di testi
appartenenti alla seconda metà del XX secolo. Per garantire un certo equilibrio fra i
vari generi, sono stati inseriti sia testi letterari (prosa, poesia, teatro, memorialistica,
testi sul folclore e le tradizioni, libri di preghiere), sia testi non letterari (testi giuridici
e amministrativi, modulistica, testi di informazione giornalistica e pragmatici, testi
di divulgazione scientifica e culturale, testi scolastici). Attualmente il corpus fassano
è quello nella fase più avanzata di elaborazione. La sua strutturazione, che fornisce
per ogni testo informazioni rilevanti (data, luogo di provenienza, tipologia testuale,
autore), permette di affinare la ricerca secondo una serie di criteri predeterminati.
I corpora sono consultabili tramite il concordancer, uno strumento elaborato ad
hoc e rivolto anzitutto al linguista e allo studioso del ladino: esso permette l’analisi
dei testi attraverso la ricerca di concordanze, collocazioni e frequenze secondo la
modalità KWIC (Keyword In Context), ossia un sistema che permette di visualizzare la
parola oggetto della ricerca con il suo contesto a corredo.
Una sezione del concordancer è dedicata ai corpora amministrativi bi- e trilingui
allineati: questa raccolta è di particolare utilità nel lavoro di realizzazione di glossari
settoriali.
Il lavoro preliminare per lo sviluppo dello strumento di analisi di corpora è
consistito nella creazione di corpora testuali: i testi selezionati sono stati acquisiti
elettronicamente oppure manualmente e sono stati elaborati rispettando precisi
criteri di archiviazione. In seguito sono stati classificati in base alla loro appartenenza
diatopica (individuazione della variante in cui sono scritti) e diacronica (dalle prime
testimonianze scritte in ladino sino ai testi contemporanei) e alla tipologia testuale
(testi letterari e non letterari con individuazione del genere specifico). Per ogni testo
è stato creato un frontespizio elettronico che riassume tutte queste informazioni:
periodo, autore, genere, nome del file, titolo originale, numero di parole, variante.
Il frontespizio è stato linkato al testo corrispondente, cosicché le informazioni in esso
contenute possano essere utilizzate per circoscrivere la ricerca.
I corpora consultabili attraverso il concordancer si rivelano una risorsa di
fondamentale importanza per diversi campi di applicazione: per lo studio del lessico,
della sintassi e della morfologia, per l’elaborazione di strumenti normativi e didattici,
289