{"id":1996,"date":"2022-02-26T08:46:23","date_gmt":"2022-02-26T07:46:23","guid":{"rendered":"https:\/\/www.diculther.it\/rivista\/?page_id=1996"},"modified":"2022-02-26T08:46:28","modified_gmt":"2022-02-26T07:46:28","slug":"il-latino-sbarca-nel-semantic-web-la-knowledge-base-lila","status":"publish","type":"page","link":"https:\/\/www.diculther.it\/rivista\/il-latino-sbarca-nel-semantic-web-la-knowledge-base-lila\/","title":{"rendered":"Il latino sbarca nel Semantic Web. La Knowledge Base LiLa"},"content":{"rendered":"\n

di Marco Passarotti* <\/em><\/strong><\/p>\n\n\n\n

Abstract<\/strong><\/p>\n\n\n\n

Questo articolo presenta LiLa, una Knowledge Base fondata sui principii del paradigma Linked Data (adottato nel Semantic Web) il cui obiettivo \u00e8 rendere interoperabili in Rete risorse linguistiche, sia lessicali che testuali, della lingua latina. Dopo un\u2019introduzione dedicata alle diverse fasi metodologiche attraversate lungo la storia della Linguistica Computazionale, l\u2019articolo fornisce una breve panoramica delle risorse linguistiche disponibili per il latino, per poi concentrarsi sull\u2019applicazione dei principii Linked Data ai (meta)dati di tipo linguistico. Viene quindi descritta l\u2019architettura della Knowledge Base LiLa che \u00e8 mostrata attraverso alcuni esempi specifici del suo uso.<\/p>\n\n\n\n

Abstract<\/strong> <\/p>\n\n\n\n

This paper introduces the LiLa Knowledge Base, a collection of both lexical and textual resources for Latin made interoperable on the Web by applying the principles of the Linked Data paradigm (widely adopted in the Semantic Web). After discussing the different methodological phases through which Computational Linguistics has passed across its history, the paper presents a brief overview of the currently available linguistic resources for Latin, to focus then on the use of the Linked Data principles for the description of linguistic (meta)data. The architecture of the LiLa Knowledge Base is shown through a number of examples of its use.<\/p>\n\n\n\n

Parole chiave<\/strong><\/p>\n\n\n\n

Linguistica Computazionale, Risorse Linguistiche, Latino, Linguistic Linked Open Data, Ontologie<\/p>\n\n\n\n

Introduzione<\/strong><\/p>\n\n\n\n

Quando nel 1949 il gesuita trentaseienne Roberto Busa si sedette nello studio del grande capo dell\u2019IBM Thomas Watson Sr. a New York aveva ben chiaro cosa avrebbe voluto realizzare. Si era convinto che i computer, allora enormi macchine rumorose che occupavano intere stanze, avrebbero potuto portare una svolta metodologica nello studio dei testi: la computazione, innanzitutto quantitativa, del dato linguistico avrebbe fornito la documentazione empirica essenziale e oggettiva su cui fondare ogni considerazione di tipo qualitativo.<\/p>\n\n\n\n

Busa incontrava Watson con la solidit\u00e0 di chi sente di avere in mano un\u2019intuizione alla base di una rivoluzione inevitabile e assoluta: \u201cse l\u2019idea non fosse venuta a me, sarebbe venuta certamente a qualcun altro\u201d, era solito ripetere padre Busa.<\/p>\n\n\n\n

Fu l\u2019inizio di una storia trentennale, che port\u00f2 alla pubblicazione tra il 1974 e il 1980 dell\u2019Index Thomisticus (Busa, 1974-1980), le concordanze e il corpus lemmatizzato dell\u2019opera omnia di Tommaso d\u2019Aquino: un totale di circa undici milioni di parole.<\/p>\n\n\n\n

Nel frattempo, gli studi computazionali sul linguaggio si era andati diffondendo in tutto il mondo. Dopo la presa di coscienza dei limiti della ricerca sulla traduzione automatica, messi nero su bianco dal rapporto ALPAC del 1966 (National Research Council & ALPAC, 1966), la Linguistica Computazionale, che la storia vuole nominata tale proprio dai membri di ALPAC, si era concentrata sullo sviluppo di strumenti di analisi linguistica automatica fondamentale, quali sono la lemmatizzazione (ovvero, la riduzione delle parole di un testo alla loro forma di citazione convenzionale sui dizionari), l\u2019attribuzione delle parti del discorso (come Nome, Verbo e Aggettivo) e dei tratti morfologici (genere, numero, modo, tempo etc.). Insomma, si lavorava affinch\u00e9 i computer potessero realizzare da soli l\u2019analisi grammaticale di un testo.<\/p>\n\n\n\n

Parallelamente, la disponibilit\u00e0 di strumenti di analisi linguistica automatica favoriva lo sviluppo di corpora arricchiti con siffatte analisi, ovvero raccolte di testi a cui sono associati diversi livelli di \u2018annotazione metalinguistica\u2019: ciascuna parola dei testi \u00e8 accompagnata dalla sua parte del discorso, dal lemma e, a volte, anche dai tratti morfologici. Strumenti e (meta)dati, dunque: il pane quotidiano di cui si nutre e che produce chi fa Linguistica Computazionale.<\/p>\n\n\n\n

A partire dagli anni Novanta del secolo scorso si fa strada il termine \u201crisorse linguistiche\u201d, introdotto dal compianto prof. Antonio Zampolli, fondatore dell\u2019Istituto di Linguistica Computazionale del CNR di Pisa e, giovane, collaboratore di Busa all\u2019Index Thomisticus.<\/p>\n\n\n\n

Le \u201crisorse linguistiche\u201d sono raccolte di dati linguistici, macroscopicamente categorizzabili in due tipi: risorse testuali (i corpora, appunto) e risorse lessicali (come i lessici, o i dizionari). Proprio con gli anni Novanta, la crescita progressiva di disponibilit\u00e0 di evidenza empirica di tipo linguistico raccolta in forma di risorse \u00e8 stata il vol\u00e0no che, in una sorta di circolo virtuoso, ha portato a una svolta empirista nel trattamento automatico del linguaggio: vengono sviluppati strumenti di tipo probabilistico che fanno machine-learning, ovvero \u2018imparano\u2019 regolarit\u00e0 a partire da un insieme di dati di addestramento che consistono, appunto, in corpora testuali (pi\u00f9, o meno annotati). Il circolo \u00e8 virtuoso in quanto risorse pi\u00f9 grandi consentono addestramenti migliori e, quindi, strumenti che forniscono prestazioni pi\u00f9 accurate, che, a propria volta, favoriscono lo sviluppo di ulteriori corpora annotati.<\/p>\n\n\n\n

La svolta empirista oggi \u00e8 scoppiata anche alla luce del fatto che viviamo il tempo dei cosiddetti \u2018big data\u2019. Siamo circondati dai dati. Quotidianamente vengono prodotti e resi a diverso titolo accessibili in Rete milioni di testi scritti, video e audio, cos\u00ec come d\u2019immagini; una ricerca condotta dalla piattaforma di Business Intelligence Domo nel 2017 ha calcolato che ogni giorno vengono condivise su Snapchat pi\u00f9 di 500.000 fotografie, vengono inviate pi\u00f9 di 100.000 e-mail di spam, sono pubblicate circa 600 nuove pagine di Wikipedia, Google conduce quasi 4 milioni di ricerche, pi\u00f9 di 15 milioni di testi vengono inviati e circa mezzo milione di tweet sono prodotti su Twitter (https:\/\/www.domo.com\/learn\/data-never-sleeps-5?aid=ogsm072517_1&sf100871281=1<\/a>).<\/p>\n\n\n\n

Molti dei dati digitali che sono parte della nostra vita sono di tipo linguistico, comprese queste parole pubblicate su una rivista online. \u00c8 il paradiso del paradigma empirista, che oggi pu\u00f2 facilmente avere a disposizione miliardi di occorrenze di parole sulla cui base addestrare strumenti di trattamento automatico del linguaggio in modalit\u00e0 non supervisionata, ovvero senza neppure il bisogno di arricchire i dati con annotazione metalinguistica (si veda ad esempio la tecnica di machine-learning implementata nel sistema BERT di Google (Tenney at alii, 2019)).<\/p>\n\n\n\n

Le risorse linguistiche per il latino<\/strong><\/p>\n\n\n\n

In questa corsa alla realizzazione di risorse linguistiche per le pi\u00f9 diverse lingue non \u00e8 mancata la partecipazione del latino, all\u2019origine della Linguistica Computazionale grazie proprio al lavoro di Busa sui testi di Tommaso d\u2019Aquino. Chiunque si occupi di lingue antiche, infatti, non pu\u00f2 prescindere dal quotidiano confronto con i dati testuali, uniche voci che ancora fanno risuonare quelle lingue morte, ovvero ormai prive di parlanti nativi. Per questa ragione, i classicisti sono sempre stati tra coloro che massimamente hanno fatto ricorso a grandi raccolte di testi, in quanto supporti essenziali alla ricerca. Risale agli anni Sessanta l\u2019avvio della realizzazione del corpus elettronico lemmatizzato di testi classici prodotto dal laboratorio LASLA a Liegi (http:\/\/web.philo.ulg.ac.be\/lasla\/<\/a>), che, solo per il latino, oggi raccoglie pi\u00f9 di 130 testi per un totale di circa un milione e settecentomila parole. E dagli anni Ottanta il Packard Humanities Institute (https:\/\/packhum.org\/texts.html<\/a>) e la Perseus Digital Library (http:\/\/www.perseus.tufts.edu\/hopper\/<\/a>) hanno prodotto e messo a disposizione sostanziose raccolte di testi greci e latini in formato digitale, sviluppando contestualmente strumenti di ricerca linguistica che consentissero agli utenti di estrarre facilmente informazione dai dati.<\/p>\n\n\n\n

Con gli anni Duemila, la ricerca nel settore si \u00e8 innanzitutto concentrata sull\u2019arricchimento delle raccolte testuali latine disponibili con livelli di annotazione pi\u00f9 \u201calti\u201d rispetto alla lemmatizzazione e alla morfologia, particolarmente sviluppando \u2018treebank\u2019, ovvero corpora annotati a livello sintattico, in cui la sintassi di ogni frase dei testi l\u00ec inclusi \u00e8 rappresentata graficamente in termini di alberi sintattici (\u2018tree\u2019). Risale al 2006 l\u2019avvio delle prime due treebank della lingua latina, ovvero la Latin Dependency Treebank, che raccoglie testi di epoca classica per un totale di circa 55.000 parole (Bamman & Crane, 2007) e la Index Thomisticus Treebank con pi\u00f9 di 500,000 parole (Passarotti, 2019). A queste si sono successivamente aggiunti il corpus PROIEL (Eckhoff et alii, 2018), la Late Latin Charter Treebank (Korkiakangas, 2021) e la raccolta delle opere latine di Dante Alighieri UDante (Cecchini et alii, 2020).<\/p>\n\n\n\n

Contemporaneamente al lavoro dedicato allo sviluppo di corpora sintattici per il latino, sono state realizzate anche numerose nuove risorse lessicali digitali, che vanno ad affiancarsi alla lunga tradizione lessicografica delle lingue classiche. Tra esse, meritevoli di menzione sono Latin WordNet (Minozzi, 2017), il lessico morfologico-derivazionale Word Formation Latin (Litta & Passarotti, 2019) e il lessico di valenza Latin Vallex (Passarotti et alii, 2016).<\/p>\n\n\n\n

Raccogliere e fare interagire le risorse linguistiche<\/strong><\/p>\n\n\n\n

Tutta questa disponibilit\u00e0 di risorse linguistiche ha sollevato il problema della loro reperibilit\u00e0 e compatibilit\u00e0. Infatti, che le risorse siano accessibili in luoghi sparsi e in molteplici modalit\u00e0, oltre che seguano criteri diversi di registrazione dei (meta)dati rappresenta un forte limite al loro utilizzo da parte della comunit\u00e0 scientifica, che incontra numerose difficolt\u00e0 in fase sia di reperimento che di reciproca interazione tra le risorse.<\/p>\n\n\n\n

Ecco, dunque, che, per far fronte a questa difficolt\u00e0, ormai da pi\u00f9 di un decennio \u00e8 stata resa disponibile l\u2019infrastruttura CLARIN (www.clarin.eu<\/a>), che rappresenta un luogo condiviso dove le risorse possono essere pubblicate, indagate e, nella maggior parte dei casi, scaricate, sollevando cos\u00ec gli utenti dalla necessit\u00e0 di cercare i (meta)dati che servono loro nei repository dei diversi sviluppatori e distributori di risorse.<\/p>\n\n\n\n

Costituito un luogo comune dove depositare e trovare le risorse linguistiche, la sfida attuale consiste nel farle interagire tra loro, ovvero creare \u2018interoperabilit\u00e0\u2019 tra risorse distribuite sul web. Ad oggi, in CLARIN tale interoperabilit\u00e0 pu\u00f2 essere realizzata a livello dei metadati descrittivi delle risorse attraverso la cosiddetta Component MetaData Infrastructure (CMDI) (Broeder et alii, 2022), che raccoglie \u2018componenti\u2019, ovvero gruppi di metadati semanticamente coerenti, che vengono connessi a un registro di concetti condiviso (il CLARIN Concept Registry) (Schuurman et alii 2016). Tuttavia, tali concetti non sono (ancora) messi in relazione con quelli di altri schemi\/ontologie e, soprattutto, non arrivano a consentire una rappresentazione dei dati pi\u00f9 granulari, siano essi lessicali (come, ad esempio, le entrate lessicali dei dizionari) o testuali (le singole parole nei testi).<\/p>\n\n\n\n

Una soluzione alla sfida sollevata dall\u2019interoperabilit\u00e0 granulare tra le risorse linguistiche \u00e8 venuta negli ultimi anni dall\u2019applicazione dei principii del paradigma Linked Data a dati linguistici da parte della dinamica comunit\u00e0 scientifica dei cosiddetti Linguistic Linked Open Data (LLOD), che ha realizzato una serie di ontologie specificamente dedicate alla rappresentazione di informazione (meta)linguistica e un cloud di risorse linguistiche interoperabili in quanto pubblicate in modalit\u00e0 Linked Data (LOD Cloud: https:\/\/lod-cloud.net<\/a>).<\/p>\n\n\n\n

Il paradigma Linked Data e la LiLa Knowledge Base<\/strong><\/p>\n\n\n\n

Proprio il latino si trova in una posizione tale da segnare lo stato dell\u2019arte nell\u2019interoperabilit\u00e0 tra le risorse linguistiche in Linked Data. Nel giugno del 2018, infatti, ha preso avvio un progetto finanziato dallo European Research Council (ERC) che ha come obiettivo proprio la realizzazione di una Knowledge Base di risorse latine interoperabili secondo il paradigma Linked Data.<\/p>\n\n\n\n

Il progetto, nominato \u2018LiLa: Linking Latin\u2019 (https:\/\/lila-erc.eu\/), che ho l\u2019onore di guidare come Principal Investigator, \u00e8 attualmente in corso presso il centro di ricerca CIRCSE dell\u2019Universit\u00e0 Cattolica del Sacro Cuore di Milano e durer\u00e0 fino al 2023.<\/p>\n\n\n\n

L\u2019architettura della LiLa Knowledge Base \u00e8 fondata sul ruolo centrale assegnato al lemma, attraverso cui le componenti delle varie risorse linguistiche entrano in reciproca interazione. La Figura 1 la mostra: le risorse lessicali sono costituite da entrate lessicali, che descrivono propriet\u00e0 di parole; le risorse testuali includono occorrenze di parole in testi (\u2018token\u2019); gli strumenti di Trattamento Automatico del Linguaggio (TAL; in inglese Natural Language Processing: NLP) producono in output diversi tipi di analisi linguistiche, tra cui anche token (tokenizzatori), che a propria volta sono input di altri strumenti di TAL (come, ad esempio, un parser sintattico). Tutte queste componenti sono rese interoperabili in LiLa attraverso il loro collegamento (\u2018linking\u2019) a una raccolta di forme di citazione, ovvero lemmi, del latino (chiamata \u2018Lemma Bank\u2019) che rappresenta il cuore stesso della Knowledge Base.<\/p>\n\n\n\n

\"\"<\/figure><\/div>\n\n\n\n

Figura 1. L\u2019architettura fondamentale di LiLa<\/p>\n\n\n\n

Attraverso il linking delle diverse risorse linguistiche a LiLa \u00e8 possibile operare query complesse che fanno uso dei (meta)dati da esse forniti, come cercare in diversi corpora tutte le occorrenze testuali di parole con certe propriet\u00e0 lessicali, quale ad esempio la presenza di un certo affisso derivazionale registrata nel lessico morfologico-derivazionale Word Formation Latin.<\/p>\n\n\n\n

L\u2019interoperabilit\u00e0 tra le risorse sul web in LLOD \u00e8 resa possibile facendo fronte ai principii del paradigma Linked Data (Berners-Lee, 2006), che stabiliscono di:<\/p>\n\n\n\n