Corpus e Lessico di Frequenza dell'Italiano Scritto ( CoLFIS )
Pier Marco Bertinetto°, Cristina Burani*, Alessandro Laudanna^*, Lucia Marconi+, Daniela Ratti+, Claudia Rolando+, e Anna Maria Thornton§
° Scuola Normale Superiore, Pisa * Istituto di Scienze e Tecnologie della Cognizione, CNR, Roma ^ Università di Salerno + Istituto di Linguistica Computazionale, Unità Staccata di Genova, CNR, Genova § Università de L'Aquila
Il corpus di riferimento è costituito da testi tratti da quotidiani del periodo 1992 - 1994 ('La Repubblica', 'La Stampa', 'Il Corriere della Sera'), periodici e libri, considerando tra i libri quelli letti per motivi scolastici o professionali. Consta di 3.798.275 ricorrenze lessicali, così ripartite:
quotidiani 1.836.119
periodici 1.306.653
libri 655.503
Nel campionare i testi, gli autori hanno ponderato i dati dell' ISTAT relativi alle letture preferite dagli italiani, per ottenere un corpus che fosse il più possibile rappresentativo di ciò che gli italiani effettivamente leggono.
Quest'opera è stata realizzata col finanziamento del CNR (Comitati Nazionali "Scienze e Tecnologie dell'Informazione" e "Scienze Storiche, Filosofiche e Filologiche". Finanziamento: Banca dati lessicale dell'Italiano scritto contemporaneo), che per molto tempo ha svolto una meritoria opera di sostegno alla ricerca italiana. Gli autori contano sulla collaborazione degli utenti per allargare e migliorare il servizio offerto, aumentandone le funzioni e la fruibilità.
Corpus e Lessico di Frequenza dell'Italiano Scritto ( CoLFIS )
Pier Marco Bertinetto°, Cristina Burani*, Alessandro Laudanna^*, Lucia Marconi+, Daniela Ratti+, Claudia Rolando+, e Anna Maria Thornton§
° Scuola Normale Superiore, Pisa * Istituto di Scienze e Tecnologie della Cognizione, CNR, Roma ^ Università di Salerno + Istituto di Linguistica Computazionale, Unità Staccata di Genova, CNR, Genova § Università de L'Aquila
Il corpus di riferimento è costituito da testi tratti da quotidiani del periodo 1992 - 1994 ('La Repubblica', 'La Stampa', 'Il Corriere della Sera'), periodici e libri, considerando tra i libri quelli letti per motivi scolastici o professionali. Consta di 3.798.275 ricorrenze lessicali, così ripartite:
quotidiani 1.836.119
periodici 1.306.653
libri 655.503
Nel campionare i testi, gli autori hanno ponderato i dati dell' ISTAT relativi alle letture preferite dagli italiani, per ottenere un corpus che fosse il più possibile rappresentativo di ciò che gli italiani effettivamente leggono.
Quest'opera è stata realizzata col finanziamento del CNR (Comitati Nazionali "Scienze e Tecnologie dell'Informazione" e "Scienze Storiche, Filosofiche e Filologiche". Finanziamento: Banca dati lessicale dell'Italiano scritto contemporaneo), che per molto tempo ha svolto una meritoria opera di sostegno alla ricerca italiana. Gli autori contano sulla collaborazione degli utenti per allargare e migliorare il servizio offerto, aumentandone le funzioni e la fruibilità.
Dal progetto speciale, “Banca Dati Lessicali dell’Italiano Scritto Contemporaneo” del CNR, sviluppato in collaborazione con la Scuola Normale Superiore di Pisa e l’Istituto di Scienze e Tecnologie della Cognizione del CNR di Roma, è stato realizzato il “Corpus e Archivio Lessicale dell’Italiano Scritto contemporaneo” (CoLFIS), di 3.798.275 occorrenze suddiviso in tre settori contenente, in maniera opportunamente bilanciata, testi appartenenti a vari generi di scrittura. I sottoinsiemi, o settori, individuati in CoLFIS sono: la “stampa quotidiana” con 1.836.119 occorrenze suddivisa in tre testate giornalistiche: “Il Corriere Della Sera”, “La Repubblica”, “La Stampa”, a loro volta in ogni testata le occorrenze sono poi suddivise in sette sottoinsiemi; le “Pubblicazioni Periodiche” con 1.306.653 occorrenze sono ulteriormente suddivise in 12 sottosettori; i “libri” con 655.503 occorrenze sono suddivisi in 13 generi letterari. Il corpus rappresenta soprattutto l’italiano effettivamente letto piuttosto che tutto l’italiano scritto dal momento che, nel definire gli insiemi di testi da includere, non si sono tenuti presenti tutti i possibili usi scritti dell’italiano, tutti i tipi di testi teoricamente producibili ed effettivamente prodotti, ma piuttosto i tipi di testi che, da una indagine sociologica e statistica, sono risultati essere i più letti. Tale scelta si giustifica in quanto si è voluto costruire un corpus e un lessico di frequenza che si avvicinassero il più possibile al lessico mentale di un parlante di media cultura e non un a dizionario esaustivo della lingua italiana. Il corpus di CoLFIS è stato totalmente lemmatizzato e sono stati sviluppati algoritmi software di analisi statistica per estrarre i lessici di frequenza nel corpus totale e nei diversi settori costituenti il corpus lemmatizzato, per ogni lemma e per le relative forme. CoLFIS ha dato luogo a diversi prodotti disponibili in formato digitale tra cui un formario, i lessici di frequenza per i diversi settori e un lessico di frequenza totale dotati di appropriati indici di frequenza. Il corpus esiste in versione testuale e in versione lemmatizzata. Si tratta dell’unico corpus di riferimento creato su base statistica e interamente lemmatizzato della lingua italiana.
