INFORMATICA UMANISTICA D: LESSICOGRAFIA E COMPUTER La compilazione di un dizionario La compilazione di un dizionario Tre fasi: Progettazione (30%) Scrittura (60%) Produzione (10%) Tempistica / costi Zgusta: “of the lexicographic projects I know, not a single one was finished in the time and for the money originally planned” Problemi: Oxford English Dictionary: 7 anni 90 Tempo richiesto per scrivere le voci Cambiamenti di staff Tempo per scrivere il software Misura di tempo: “editor week” Uso di corpora e strumenti informatici Corpora per la scelta di parole Conto numero di caratteri Database per la redattura delle voci Controllo stilistico Produzione Progettazione A chi si rivolge il dizionario? Quante parole? Macro & micro structure Progettazione del database che verra’ usato per mantenere i dati SAMUEL JOHNSON’s PLAN FOR A DICTIONARY OF THE ENGLISH LANGUAGE (1747) Il Dizionario dev’essere UTILE Macro structure: criteri di SELEZIONE Micro structure: ORTOGRAFIA e PRONUNCIA ETIMOLOGIA ANALOGY (inflessione) e SYNTAX INTERPRETATION (= definizione) CITAZIONI con AUTORE Tipi di pubblico Bambini Studenti Apprendimento lingua straniera Esperti di un’area Dimensioni Concise Desk-size 60,000-90,000 lemmi Due volte tanto College dictionary: quante piu’ possibile Dizionari tecnici: piu’ aggiornamento che numero CRITERI DI SELEZIONE: Dr JOHNSON “The peculiar words of every profession” “Words still considered to be foreign” CRITERI DI SELEZIONE Tecnico: tutte le parole del dominio Apprendimento lingua straniera: solo parole fondamentali Generale: anche parole tecniche Altre scelte: Espressioni dialettali? Nomi di persona e localita’? CED4: 18000 Macro structure Ordine alfabetico Nomi? Parole derivate? Micro structure Che informazioni? Pronuncia? Che sistema di trascrizione? Accenti? Uso? Etimologia? Fonti di dati Dizionari esistenti Citazioni Per esempio, Bailey per Johnson, Johnson per Webster In-house Compilate da volontari Corpora CRITERI DI SCELTA DI CITAZIONI NELL’OED Make a quotation for EVERY word that strikes you as rare, obsolete, oldfashioned, new, peculiar, or used in a peculiar way. Take a special note of passages which show or imply that a word is either new or tentative, or needing explanation as obsolete or archaic, and which thus help fix the date of its introduction or disuse. Make AS MANY quotations as convenient to you for ordinary words, when these are used significantly, and help by the context to explain their meaning, or show their use. James Murray Corpora Using a computer is even more humbling than working from citations, because one is constantly confronted with abundant evidence of usages that are common but one would never have thought of Landau, p. 355 Inizi della linguistica dei corpus Primi corpora: anni ’30 (The Teacher Word’s Book, 5M; A Basic Writing Vocabulary) Fino agli anni ’60 costi memoria troppo alti Anni ’60: Brown Corpus (Francis & Kucera), Lancaster / Oslo / Bergen (Leech), Survey of English Usage (Quirk) Primi usi di corpora in lessicografia Anni ’70: concordanza elettronica di Old English a Toronto ’80: COBUILD (Collins / Birmingham University, Sinclair) Ma: costi ancora elevati Resistenza da parte delle tipografie Primo dizionario: ESL, Collins Cobuild ELD (all’epoca: 20 millioni di parole) Longman Lancaster English Language Corpus (Leech) Primo dizionario: LDOCE (all’epoca: 80 M parole) 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 FORMATO (SGML) <div1 complete=y org=seq> <head> <s n=00040> <w NN2>TROUSERS <w VVB>SUIT </head> <caption> <s n=00041> <w EX0>There <w VBZ>is <w PNI>nothing <w AJ0>masculine <w PRP>about <w DT0>these <w AJ0>new <w NN1>trouser <w NN2-VVZ>suits <w PRP>in <w NN1>summer<w POS>'s <w AJ0>soft <w NN2>pastels<c PUN>. <s n=00042> <w NP0>Smart <w CJC>and <w AJ0>acceptable <w PRP>for <w NN1>city <w NN1VVB>wear <w CJC>but <w AJ0>soft <w AV0>enough <w PRP>for <w AJ0>relaxed <w NN2>days </caption> Uso di corpora in lessicografia Frequenze (per milione di parole) aiutano la scelta delle parole da includere Ma: “kick the bucket” non appare mai Problema: troppi esempi (di solito 200500, migliaia per parole comuni) Usare solo esempi da corpora (COBUILD?) od anche esempi inventati? Esempio: SURGERY Sia British che American English: chirurgia Solo British: clinica Prima dell’uso di corpora: dovrebbe apparire al plurale solo in BE Non vero Esempio: SIGNIFICANTLY Definizione tradizionale: “importantly” Corpus evidence: “by a large amount” Our prison population has significantly increased in the last ten years Esempio: CRAZY Nel corpus usato da Landau: solo plurale The crazies are out in force Scelta delle parole Da fare PRIMA di cominciare a compilare il dizionario Problema del bilanciamento Assicurarsi che tutte le parole usate nella definizione siano nel dizionario Puo’ richiedere fino a 20% del tempo per un nuovo dizionario Da corpora Bilanciamento In Inglese: il numero di parole che cominciano con ‘c’ e’ piu’ di due volte il numero di parole che cominciano con ‘g’ Thorndyke: 105 ‘blocchi’ di dimensioni uguali C: 10 blocchi G: 4 blocchi Blocchi di Thorndyke c-caq car-cel cem-chim chin-cled clee-col com-conf cong-coo cop-cq cra-culs cult-cz g-geq ger-gord gore-grouo group-gz Parole e lemmi La decisione di quali parole trattare come lemmi e quali some voci subordinate sempre difficile “listed building” (CED) “Riemannian geometry” In dizionario medico, tutti i tipi di “agenesis” (= assenza di organo alla nascita)? Uso di strumenti informatici per la scelta di parole Dr Johnson, OED: lista di parole = una scheda per ogni voce Oggi: formato elettronico Ordinamento alfabetico Bilanciare il dizionario contando il numero di caratteri di ogni sezione Definizioni “first of all, a good definer must be able to write well and easily” (Landau, p. 354) Tipi di definizioni Definizioni per dizionari di lingua straniera: Molti esempi Usi idiomatici Manuale di stile Ogni dizionario ha un manuale di regole da seguire per compilare le definizioni: Stile Tipi di definizioni Abbreviazioni Uso delle maiuscole Che tipo di informazioni grammaticali fornire Uso delle parentesi Check automatico dello stile Molti tentativi di scrivere del software che permetta di fare controlli automatici dello stile (aldila’ dei controlli grammaticali tipo Word) Metodo principale: “controlled language” Obiettivo ancora molto lontano Database delle definizioni Progettato inizialmente Una delle decisioni chiave (Landau) Funzioni base: Ricerca di voci Cross indexing (= controllare che le parole della definizione siano tutte nel dizionario) Generazione automatica delle pagine (PRODUZIONE) Tipi di database Tradizionalmente: relazionali Oggigiorno: XML Facilita l’aspetto produzione ODE IN XML <se> <cn>815750</cn> <hg> <hw>stock</hw> </hg> <s1> <ps>noun</ps> <s2 num="1"> <df>the goods or merchandise kept on the premises of a shop or warehouse and available for sale or distribution:</df> <ex>the store has a very low turnover of stock</ex> - - | </S2> <S2 num=“2”> …… </S2> </S1> <s1> <ps>adjective</ps> ….. ELDIT EDITING TOOL (EURAC) TALES (IRST) Uso dei computer in fase di produzione Uno dei contributi piu’ importanti dell’informatica alla lessicografia Generazione automatica di impaginazioni diverse Calcolo automatico del numero di colonne richieste dato il numero di voci e la larghezza delle colonne Produzione 150 000 voci, 2 linee x voce = 300 000 linee = 1875 pagine (= 80 linee per colonna, 2 colonne per pagina) 1.7 linee x voce: 1600 pagine Gli strumenti informatici non risolvono tutti i problemi Le definizioni devono sempre essere scritte Landau: ora che e’ diventato cosi’ facile creare un nuovo dizionario, si presta sempre meno attenzione alla qualita’ Letture Jackson, cap. 13 Landau – Dictionaries: The Art and Craft of Lexicography – ch. 7