PDF (Online Text) - EURAC

2.4 Annotazione
Come detto, il SDC si propone come un corpus annotato. Al XCESDoc faranno
quindi riferimento, tramite Xpointer, le annotazioni ai vari livelli. Il più diffuso
tipo di annotazione è quello per parti del discorso. Nel caso del sardo un corpus
annotato per parti del discorso potrebbe rivelarsi particolarmente utile per la ricerca
linguistica, soprattutto nella creazione di una grammatica descrittiva corpus-based.
L’annotazione per parti del discorso sarà logicamente la prima in ordine di tempo, ma,
dato il carattere aperto del corpus, potranno in seguito essere aggiunte annotazioni
su altri livelli.
2.5 Il tagset
Nel caso del sardo è necessario creare un apposito tagset, che può essere in parte
mutuato dai tagset per l’italiano e lo spagnolo creati all’interno del progetto MULTEXT
secondo le raccomandazioni EAGLES. Le diverse varietà del sardo non differiscono
particolarmente dal punto di vista morfosintattico: questo significa che è possibile
definire un unico tagset per tutte le varietà. Gli esempi in questo articolo sono in
campidanese, ma le etichette si potranno applicare praticamente senza variazioni
anche alle altre varietà del sardo.
L’annotazione grammaticale del nostro corpus, compatibile con la CesAna DTD,
consisterà di tre livelli:
• la forma base ();
• una descrizione morfosintattica secondo le linee guida EAGLES ();
• un corpus tag ().
In accordo con quanto proposto da EAGLES, abbiamo una descrizione a due livelli:
• la prima, a grana più fine, contiene la descrizione quanto più accurata
possibile del token (descrizione lessicale );
• la seconda invece, “a grana più grossa”, è una versione sottodeterminata
della prima descrizione (corpus tag ).
La distinzione a due livelli si mostra particolarmente utile quando si voglia utilizzare
un sistema di etichettatura automatica. Alcune categorie sono infatti piuttosto difficili
da disambiguare automaticamente ed è pertanto opportuno avere un sistema di
etichettatura a grana più grossa. Nel caso del sardo, la creazione o l’implementazione
di tagger automatici può essere un passo successivo, ma mi sembra utile, sin d’ora,
definire un sistema di etichettatura adatto anche per un futuro utilizzo automatico.
• Il tag si compone di una stringa di caratteri strutturata nel modo
seguente: in posizione 0 il simbolo che codifica la parte del discorso;
53