English. Modern learner corpora are now routinely PoS tagged, whereas syntactic parsing is much less frequent. This paper proposes a first attempt of parsing applied to a subcorpus of VALICO, in an effort to identify key elements to be further used to parse corpora of Italian as a foreign language in a proper way. Italiano. I moderni corpora di apprendenti sono ormai abitualmente annotati per PoS. Meno frequente è invece il parsing sintattico delle varietà di apprendimento. Questo contributo propone un primo tentativo di parsing applicato a un sottocorpus di VALICO, nel tentativo di individuare elementi chiave che possano servire a tracciare una rotta per l'etichettatura sintattica di corpora di italiano come lingua straniera/seconda (LS).
È ormai prassi lemmatizzare e annotare i corpora di apprendenti per Parts of Speech (PoS) e molti sono gli esempi di etichettatura degli errori; non altrettanto diffuse sono invece le esperienze di parsing e annotazioni sintattiche di learner corpora.
Le ragioni sono molteplici, ma certamente riconducibili all’estrema imprevedibilità e marcatezza che caratterizza l’interlingua degli apprendenti. Nonostante la complessità dell’operazione, che richiede necessariamente una buona dose di intervento manuale, il parsing di un learner corpus può avere ricadute positive in più di un ambito: oltre al contributo per i contesti che si occupano in modo precipuo di linguistica computazionale, esso diventa estremamente utile per le ricerche su acquisizione e apprendimento, perché permette di individuare più facilmente errori, deviazioni dalla norma e distribuzione di categorie e strutture sintattiche altrimenti difficili da far emergere interrogando un corpus etichettato unicamente per parti del discorso.
Applicare processi di parsing alle varietà di
apprendimento non è certo una novità: il
trattamento sintattico delle interlingue degli
apprendenti è da tempo il focus di sistemi di Computer
Assisted Language Learning (CALL) e
Intelligent Language Tutoring Systems (ILTS)
La distanza da strutture canoniche e non
marcate va tuttavia definita a partire da uno
standard al quale le varietà di apprendimento
vengono ricondotte. Ecco perché il parser del
learner corpus deve essere preliminarmente
applicato ad un corpus di nativi – possibilmente
comparabile a quello degli apprendenti. Una prassi
1 Il contributo è il risultato della collaborazione dei due autori; tuttavia a Elisa Corino vanno attribuiti i
§§ 1, 2, 4 e 5; a Claudio Russo il § 3. Si ringraziano Cristina Bosco e Alessandro Mazzei per il prezioso aiuto e
per aver messo a nostra disposizione gli strumenti elaborati dal loro gruppo di ricerca.
diffusa è poi quella di riportare le occorrenze
errate ad una forma target, un procedimento
manuale in genere usato da quei learner corpora
annotati anche per errori. Alcuni tentativi sono
stati fatti fino ad ora soprattutto per il tedesco
Questo contributo si propone come un primo tentativo di applicare procedure di parsing a un corpus di apprendenti di italiano come lingua straniera, per definirne criticità e vantaggi sia dal punto di vista computazionale, sia rispetto allo studio delle varietà di apprendimento.
In particolare verranno presi in considerazione alcuni dati estratti dal corpus VALICO2, selezionati a partire da sottocorpora definiti in base alla L1 degli apprendenti. Per questo studio pilota si è scelto di comparare i risultati del trattamenti di testi di apprendenti ispanofoni e germanofoni, con l’intento di individuare peculiarità sintattiche delle interlingue di discenti provenienti da lingue tipologicamente diverse: tipicamente romanza – e quindi vicina all’italiano l’una, rappresentativa dell’area germanica l’altra. Sono stati sottoposti al parser 12 testi (quattro per ciascuna delle prime tre annualità di studio di italiano) estratti in modo casuale dal sottocorpus germanofono e 12 testi derivati dal sottocorpus ispanofono, secondo gli stessi criteri di selezione. Per il gruppo tedesco sono state processate in totale 126 frasi, per il gruppo spagnolo 78.
Fine ultimo è stabilire quali deviazioni dalla norma dell’uno e dell’altro gruppo non sono etichettate correttamente, in modo da tracciare un percorso che possa portare alla definizione di regole di etichettatura per allenare il parser e migliorarne le prestazioni su questa varietà di lingua.
VINCA, il corpus di nativi appaiato a VALICO, servirà da corpus di riferimento per il parser a dipendenze sviluppato tra gli strumenti del Turin University Linguistic Environment (TULE). 2
VALICO è un corpus di scritti di apprendenti di
italiano LS liberamente consultabile online
Stoccarda e codificato in CQP
L’architettura del corpus permette di applicare le query a sottosezioni selezionate in base ai metadati contenuti nella Header, inseriti in una base dati (Colombo i.s.), tra questi la L1 degli apprendenti, l’annualità di studio di italiano, il luogo di produzione del testo, le altre LS conosciute.
Gli stimoli iconici dai quali è stato elicitato
VALICO sono le stesse vignette somministrate
agli autori di VINCA 3 ; i due corpora sono
quindi appaiati e comparabili per lessico,
strutture sintattiche, organizzazione testuale
VINCA si presta quindi a fungere da corpus di controllo e modello per il parsing di VALICO.
In questa prima fase esplorativa delle
modalità di etichettatura sintattica del corpus, è stato
deciso di non ricorrere a ipotesi esplicite sul
target delle produzioni degli apprendenti, così
come avviene invece per altri learner corpora
Già le forme segnalate dal TreeTagger come unknnown erano state corrette manualmente e ricondotte a PoS e lemma appropriato in relazione anche al co-testo nel quale esse occorrevano. Infatti è possibile interrogare VALICO, nella sua attuale forma, per lemmi e ottenere anche quelle occorrenze che morfologicamente 3 www.valico.org/vignette non rispondono alla norma linguistica standard (ad es. cercando il lemma minacciare otteniamo sì forme quali minacciano, minacciato, minaccia, ma anche minaccava e minaciò). 3
Il lavoro di disambiguazione e correzione degli unknown rilevati dal TreeTagger è tutt’ora in corso, anche se buona parte di essi sono già stati corretti e ad oggi tokenizzazione, PoS tagging e lemmatizzazione del corpus sono piuttosto affidabili.
Per questo primo tentativo di parsing del corpus si è tuttavia deciso di affidarsi – anche per la fase di PoS tagging - agli strumenti del TULE: un analizzatore morfologico, un tokenizzatore e un parser a dipendenze: tale scelta è giustificata dalla natura dei moduli del TULE, che, in quanto costituiti da regole di disambiguazione, non si avvalgono di addestramneti stocastici; in tale cornice, la preferenza del POS-tagger di TULE all'etichettatura già presente in VALICO ha permesso al paser di lavorare in condizioni ottimali, massimizzandone la precisione. Un’indagine a campione ha fatto emergere errori simili per entrambi gli strumenti, si veda ad esempio l’etichettatura della forma dona nella frase è andato in freta ha ragiungere la sua dona è poi a preso questo uomo le ha fato male (= donna, NOME), impropriamente riconosciuta come imperativo verbale da entrambi
dona (DONARE VERB TRANS 3 SING) dona/VER:impe/donare è/VER:pres/essere TreeTagger MAIN IND PRES
TULE
L’integrazione dei materiali già elaborati per il corpus e gli strumenti di parsing sarà necessariamente il prossimo passo nello sviluppo di questa ricerca ed eviterà di dover intervenire anche su forme che già sono state corrette nel processamento del corpus con il TreeTagger, si veda ad esempio
fidansato (FIDANSATO / NOUN COMMON M SING) VALICO TULE fidansato (/NOM/fidanzato) VALICO 2016 Eliminerà inoltre a priori alcuni errori di annotazione sintattica e impedirà la generazione di errori dovuti al mancato riconoscimento delle forme “unknown” che bloccano la sequenza di processamento dei dati.
Ai fini del presente studio, è interessante sottolineare poi che il tokenizzatore qui utilizzato si basa su un automa deterministico a stati finiti che risulta robusto su sequenze di caratteri appartenenti a diverse lingue (tra cui rientrano inglese, spagnolo, hindi e italiano). Tale strumento compie una prima distinzione fra parole in generale (qui intese come sequenze di caratteri alfabetici), nomi propri, abbreviazioni/sigle, numeri in cifre, date in formati standard, segni di interpunzione, numerazioni di capitoli e paragrafi, anni (nelle forme contratte come '05 per 2005). Nella fase successiva di trattamento, il parsing si basa su una gerarchia precompilata di classi trasformate per generare gli alberi sintattici4. 3.1
Le peculiarità dei dati linguistici sottoposti al parser hanno, come previsto, originato una serie di errori che hanno bloccato la sequenza di processamento in più momenti. I problemi non nascono soltanto in relazione alla flessione verbale o nominale, ma emergono anche laddove occorre un accumulo di clitici unitamente a forme ortografiche che deviano dalla norma. Si veda ad esempio la frase (2) […], ma la ragazza bella è stata averecela.
Il verbo avere cliticizzato ha reso impossibile la disambiguazione e il tagging, anche a seguito della normalizzazione ortografica e di alcune progressive semplificazioni. È stato quindi necessario sostituire il token direttamente con il suo lemma, per permettere al TULE di procedere con il PoS tagging e, successivamente, con il parsing sintattico.
Fortunatamente, nei sottocorpora di
VALICO qui considerati, tali errori si sono rivelati
in quantità limitata: oltre al caso di avercela,
sono state normalizzate in È tutte le istanze di
E' e una istanza di glielo è stata normalizzata in
lui5, in un atto di correzione purtroppo invasivo
e in futuro auspicabilmente evitabile.
4 Si rimanda Lesmo
Una prima verifica sull’etichettatura dei testi fa emergere due ordini ricorrenti di problemi che paiono essere indipendenti dalla L1 degli apprendenti: il primo è legato ad un uso peculiare del gerundio, assimilabile alle funzioni attributive delle participiali inglesi (fonte di interferenza per gli ispanofoni) e tedesche; l’altro dipende dalla presenza di preposizioni in posizione postverbale laddove invece il target richiede l’oggetto diretto.
L’uso anomalo del gerundio, come esemplificato da (2) e (3), pare ricalcato sulla struttura attributiva tipicamente inglese (participiale con la forma in -ing), ma possibile anche in tedesco, dove il participio specifica la condizione dell’antecedente dal quale dipende.
(2) Ieri al parco mio fratello stava leggendo il giornale quando ha visto un uomo portando una donna sopra i suoi ombrelli [L1 Spagnolo] (3) Ieri al parco Giacomo è stato seduto sopra un banco nel parco e ha letto il giornale dello sport quando ha visto un uomo portando una donna che ha gridato molto forte. [L1 Tedesco] 6 Le rappresentazioni degli alberi sintattici sono state generate dal software viewerTULE, implementato da L. Robaldo.
Come si osserva nelle Figg. 2-36, in entrambi casi il gerundio fa parte di una proposizione circostanziale (RMOD) al quale è attribuito un soggetto non espresso dalla struttura superficiale. Etichettare una serie di istanze verbali ravvicinate come entità circostanziali è un risultato che certo non sorprende; in casi come questi, tuttavia, il gerundio è il risultato di un’interferenza molto frequente nel corpus e non codifica la struttura rilevata dal parser.
La forma che meglio rispecchia in italiano la sfumatura attributiva dell’originale che ha causato il transfer è la frase relativa, pur considerando anche l’infinitiva come un’opzione possibile.
In VINCA effettivamente troviamo numerose occorrenze che descrivono la stessa situazione (si veda ad es. (4)), codificata in una relativa, e che come tali sono correttamente segnalate (VERBO-RMOD+RELCL, Fig. 3) (4) Ieri al parco stavo leggendo il giornale, seduto su una panchina quando vedo passare davanti a me un energumeno che trascina a forza una donna sulle spalle. [VINCA]
Una seconda importante causa di errore di etichettatura sintattica è la sovraestensione dell’uso delle preposizioni anche a quei casi in cui il verbo richiede l’oggetto diretto. (5) ne è un esempio emblematico:
(5) Per quello, il ragazzo di occhiali ( che stava a un banco del parco) va golpeare al brutto ragazzo per liberare a la ragazza di bricci dil ragazzo che la portava. [L1 Spagnolo]
In casi come va a golpeare al brutto ragazzo, il parser interpreta come VERB-INDCOMPLOC+TO il sintagma preposizionale, che invece dovrebbe essere ricondotto a un complemento diretto
Tuttavia non si tratta di un comportamento consistente, poiché emergono anche casi come (6), in cui invece l’etichettatura è corretta (Fig. 6), nonostante l’agrammaticalità dell’enunciato. (6) Lui stava contentissimo perche pensava che cossì aveva aiutato a la povera donna. [L1 Spagnolo]
L’identificazione corretta della relazione sintattica sembra essere dovuta alla semantica del verbo e alla capacità del TULE di lemmatizzare correttamente la forma. 5
L’esperienza maturata in questa prima fase del percorso di ricerca e implementazione del parsing sul corpus di apprendenti VALICO ha permesso di mettere in luce vantaggi e criticità degli strumenti utilizzati.
Dal punto di vista computazionale è emerso come sia necessario integrare risorse e definire “protocolli di allenamento” del parser orientati al trattamento di quella varietà particolare di lingua che è l’interlingua di apprendenti.
Una valutazione qualitativa ha mostrato che errori causati dall’omissione di elementi sintattici chiave per la definizione delle dipendenze porta a errori nella stessa etichettatura, così come avviene in occasione della sovraestensione di alcune forme a funzioni che esse non rivestono, o ancora della sinergia negativa tra forme morfologicamente complesse ed errori ortografici; altri errori invece sono trattati in modo aproblematico.
Le difficoltà di gestione dei sintagmi preposizionali e fenomeni diffusi di transfer linguistico soprattutto a livello di sistema verbale rivelano come l’individuazione di tendenze e la definizione di alcune indicazioni sul trattamento di tali costruzioni potrebbero incrementare notevolmente la precisione dell’etichettatura automatica.
Rispetto alla definizione di un’architettura che integri il parsing sintattico al PoS tagging, è necessario elaborare una chiara proposta di definizione di regole di etichettatura; inoltre resta da stabilire se sia veramente necessario allinearsi alle scelte operate per altri learner corpora in cui viene definita un’ipotesi target che segna la struttura obiettivo della produzione dell’apprendente e ne mette in luce la distanza dalla versione effettivamente riportata nel corpus.