English. This paper illustrates methods and tools to study the development of research topics in the TEI community across the years. For this purpose, automatic terminology extraction technologies were exploited.
Questo contributo nasce dall’intento di studiare con metodi di distant reading jTEI: il Journal of the Text Encoding Initiative (https: //journals.openedition.org/jtei), perche´ e` una rivista che rappresenta un ponte interessante fra la comunita` delle Digital Humanities e la comunita` della Linguistica Computazionale.
Come indicato da
Un tassello del settore delle Digital Humanities
viene rilevato in questo studio attraverso l’analisi
diacronica di termini estratti dagli articoli
pubblicati in jTEI dal 2011 al 2019. Lo scopo e` quello
1Copyri
Questo contributo prosegue sulla linea degli
studi dedicati a riviste e comunita` con interessi
interdisciplinari di informatica e discipline
linguistiche, storico-filologiche o letterarie. In particolare,
per lo studio dell’evoluzione terminologica nelle
Scienze Umane e Sociali si veda
Le soluzioni sin ad oggi messe a punto
nell’ambito dell’estrazione automatica di terminologia da
corpora di dominio sono molteplici e di diversa
natura. Sebbene differiscano rispetto alle metriche
utilizzate, alcuni obiettivi sono condivisi e
riguardano principalmente due aspetti legati alla
difficolta` di definire strategie per: i) risolvere il
problema legato al fatto che il confine tra
terminologia di dominio e lingua comune non sempre e` cos`ı
netto
Gli articoli della rivista sono reperibili online sia in .pdf che in .xhtml e, per i numeri piu` recenti, anche in .xml (TEI-XML). Il corpus su cui si basa la nostra indagine parte dall’estrazione del plain text dall’XHTML, una volta escluso il contenuto metatestuale e paratestuale. La Tabella 1 mostra la composizione del corpus. 3.2
Per studiare la variazione terminologica avvenuta nel corso degli anni di pubblicazione della rivista abbiamo adottato due metodi complementari: il primo basato sull’indicizzazione del corpus tramite la terminologia estratta in modo non supervi
Lungh. media 4,198 parole 3,308 parole 5,475 parole 3,678 parole 3,560 parole 3,613 parole 5,305 parole 4,376 parole 3,982 parole 5,332 parole Tabella 1: Composizione del corpus e lunghezza media degli articoli. sionato e il secondo basato sull’indicizzazione dello stesso corpus tramite parole chiave fornite dagli autori come metadati degli articoli.
Il processo di estrazione terminologica non
supervisionata e` stato realizzato grazie a
Text-toKnowledge (T2K)
Allo scopo pertanto di individuare ed estrarre
elementi informativi nuovi rispetto a quelli
presenti nel repertorio delle parole chiave a
disposizione, il corpus e` stato linguisticamente
annotato a diversi livelli di analisi. A partire dal
testo annotato a livello morfosintattico grazie al
Parts-Of-Speech tagger descritto in Dell’Orletta
(2009), sono state individuate le unita`
terminologiche candidate all’estrazione. La metodologia,
descritta in Bonin et al. (2010), consente di
individuare potenziali unita` monorematiche e
polirematiche impiegando una combinazione di
filtri linguistici e statistici configurabili rispetto agli
2http://www.italianlp.it/demo/t2k-text-to-knowledge/
obiettivi di ricerca. Allo scopo della nostra
indagine, i filtri linguistici sono stati configurati
in modo da individuare all’interno del corpus di
acquisizione: i) le potenziali unita`
monorematiche, sulla base della categoria morfo-sintattica
assegnata (tipicamente ‘sostantivo’); ii) le
potenziali unita` polirematiche, sulla base di una serie
di sequenze di categorie morfo-sintattiche
rappresentative di diversi tipi di modificazione
nominale. Ad esempio, da una sequenza come
‘aggettivo+sostantivo’ sono individuate polirematiche
quali critical edition, lexical entry, cultural
heritage; da una sequenza ‘sostantivo+sostantivo’ sono
individuati potenziali termini quali TEI standard,
manuscript material, knowledge representation;
per arrivare a sequenze piu` complesse come
‘sostantivo+preposizione+sostantivo’ sulla base
della quale sono stati individuati termini quali string
of text, editions of letters o sequenze
‘sostantivo+preposizione+aggettivo+sostantivo’ che
permette di rintracciare un termine come DTABf for
printed texts, evaluation of digital scholarship
o ‘aggettivo+aggettivo+sostantivo’ realizzazione
linguistica di un termine come historical
financial records. I filtri statistici, applicati alla lista di
termini candidati all’estrazione, consentono di
ordinare tali termini sulla base della loro rilevanza
all’interno del corpus di acquisizione,
attribuendo loro un valore di significativita` stabilita
sulla base del C-NC Value
In linea con gli obiettivi di ricerca del nostro studio, i termini cos`ı estratti sono stati impiegati dal modulo di indicizzazione di T2K per rintracciare all’interno dell’intera collezione di articoli del jTEI i singoli contesti nei quali i termini compaiono. Grazie a questo processo e` stato possibile condurre l’indagine sulla variazione diacronica dei termini nelle diverse annate della rivista, consentendo di studiare l’evoluzione di tendenze di ricerca e tematiche di studio. 3.3
Sono state prese in considerazione le parole chiave che gli autori stessi hanno indicato fra i metadati. Sul totale degli articoli raccolti le parole chiave distinte sono 259. 3.4
Per esplorare le variazioni significative d’impiego dei termini e delle parole chiave nell’intervallo temporale osservato, e` stato scelto il Mann-Kendall trend test, disponibile nel pacchetto trend di R (https://bit.ly/30bWRkd). Considerando il numero esiguo di dati disponibili per ciascun termine (o parola chiave) si e` scelta quindi una statistica non parametrica sufficientemente affidabile anche con un numero di misurazioni inferiori a dieci. Per motivi di omogeneita` dei dati, sono stati presi in considerazione soltanto i sette numeri della rivista riguardanti atti di convegni presi in successione cronologica, come si puo` vedere nelle Figure 3 e 4. I dati su cui si e` applicato l’MK Test sono stati preparati in formato tabellare sia per i termini estratti automaticamente, sia per le parole chiave indicate dagli autori, disponendo su ciascuna riga un termine (o una parola chiave), su ciascuna colonna un numero della rivista e in ciascuna cella la relativa frequenza percentuale. L’MK Test fornisce un valore positivo per trend crescenti e un valore negativo per trend decrescenti. Per lo studio dei risultati sono stati presi in considerazione soltanto gli esiti con p-value<0.05. 4 4.1
Dall’analisi dei trend terminologici i numeri della rivista non dedicati ad atti dei convegni TEI (3, 5 e 7) sono stati esclusi anche perche´ i profili degli autori stessi hanno carattere di eccezione. Per il monitoraggio, gli autori sono stati classificati in base alla loro presenza o meno in riviste o atti di convegno di Linguistica Computazionale (con contributi o con menzioni in bibliografia). Come si puo` vedere in Fig. 1, il numero dedicato a TEI e linguistica (3) e il numero aperto (7) hanno attratto un numero elevato di linguisti computazionali. Sorprendentemente invece il numero dedicato alle infrastrutture TEI (5) non ha avuto la stessa attrattiva. 4.2
I risultati discussi in quanto segue fanno riferimento ai primi 500 termini circa mono- e polirematici estratti, con una frequenza di occorrenza 3. La Tabella 2 riporta un estratto della lista dei primi 25 termini estratti dall’intero corpus, ordinati per rilevanza statistica e accompagnati dalla frequenza assoluta nel corpus. Per ogni termine, T2K permette di estrarre il lemma e la forma prototipica, cioe` la variante linguistica piu` frequente del Figura 1: Autori che non hanno pubblicazioni in ambito di linguistica computazionale (no lc) e autori che ne hanno (lc) lemma all’interno della collezione documentale di partenza.
Come introdotto nella Sezione 3.2, la fase di indicizzazione ha permesso di calcolare la distribuzione dei termini all’interno dei singoli articoli mettendo in evidenza eventuali differenze nell’uso di uno stesso termine. La Figura 2 mostra ad esempio come, sul totale di occorrenze di parole polirematiche estratte che contengono l’aggettivo digital, ogni volume sia caratterizzato da distribuzioni percentuali diverse. Alcuni termini possono considerarsi poco specifici come digital age, digital form, digital resources, digital tools, digital projects, digital medium. Non pochi termini risultano essere tuttavia puntuali e peculiari del settore, tra questi sono stati estratti nell’arco temporale digital archive, digital critical editions, digital document, digital editions, digital Humanities, digital images, digital library, digital objects, digital scholarship, digital text. Il grafico permette di leggere la modulazione diacronica dei termini introdotti dagli autori e riconoscibili nel settore delle Digital Humanities. Ad esempio, possiamo notare come il termine Digital Humanities e` il termine che ha un significato piu` ampio e accoglie gli altri termini peculiari. Esso e` pertanto sempre presente nei dieci volumi anche se la frequenza di occorrenza risulta essere altalenante. Un momento di prosperita` di questo termine risulta circoscritto al volume 6 del 2013. 4.3
Abbiamo verificato la distribuzione delle parole chiave nel corpo degli articoli e cio` ci ha permesTabella 2: I primi 25 termini estratti dall’intero corpus.
Figura 2: Distribuzione percentuale di termini polirematici estratti che contengono l’aggettivo digital. so di individuare, fra le complessive 259, 32 parole chiave usate esclusivamente come metadati, e quindi che non occorrono mai nel testo, come ad esempio bibliographical standards, collaborative workflow, TEI corpora e 227 impiegate invece anche all’interno del testo (ad esempio forums).
Un’assimetria degna di nota riguarda le sequenze aggettivo+sostantivo critical edition e scholarly edition (entrambe parole chiave) in composizione con digital. Mentre infatti gli autori hanno indicato nei metadati degli articoli digital scholarly edition come parola chiave autonoma, hanno tralasciato invece digital critical edition, benche´ sia termine polirematico estratto da T2K e in alcuni articoli cooccorra digital scholarly edition. Lo studio delle variazioni d’impiego dei termini al fine di identificare delle tendenze significative ha prodotto i seguenti risultati con trend crescente: different types, @corresp attribute, open data, TEI Correspondence SIG, research questions, work in progress, Berlin-Brandenburg Academy of Sciences, bibliographic references, TEI model, TEI Simple, case study, TEI XML; e i seguenti risultati con trend decrescente: author’s note, literary texts, manuscript material, TEI users, humanities research, TEI-encoded documents.
Se si escludono termini isolati oppure legati a tecnologie specifiche o a particolari gruppi di ricerca, i dati sembrano far emergere una tendenza interessante. Come si puo` vedere in Fig. 3, aumenta l’impiego di termini condivisi con le altre scienze con basi sperimentali, fra cui le scienze del linguaggio di cui la Linguistica Computazionale fa parte, come research questions, case study e open data, mentre diminuisce l’impiego di termini specifici delle discipline umanistiche, come literary texts, manuscript material e humanities research.
Infine, lo studio delle variazioni d’impiego
significative delle parole chiave indicate come
metadati dagli autori stessi (Fig. 4) mostra
il crescente interesse verso il web semantico
(sense e` largamente impiegato in contesti
relativi alla codifica di ontologie) e verso
progetti volti a rendere TEI maggiormente
usabile come TEI
Recuperare un campione del trend delle attivita` di ricerca di un particolare settore scientifico, come quelle delle Digital Humanities attraverso il jTEI, puo` essere stimolante per comprendere gli ambiti indagati dai vari autori nell’arco temporale di dieci anni. In particolare la disponibilita` di catturare oggi, articoli open access crea opportunita` per l’analisi di comunita` scientifiche che nel passato non era concepibile. Il lavoro svolto rappresenta una prima esperienza di recupero informativo e di analisi per studiare il trend della comunita` scientifica delle Digital Humanities attraverso una rivista ad essa dedicata, il jTEI. Pensiamo altres`ı che sia fondamentale ampliare le nostre fonti con altre tipologie di riferimento: come blog, forum, atti di conferenze nazionali e internazionali e riviste. Nell’analisi uno sguardo sara` rivolto anche agli autori per comprendere connessioni e estraneita` tra la linguistica computazionale e le Digital Humanities.