In questa tesi è stato discusso lo status dei ruoli tematici, con l'obiettivo di fornire evidenze relativamente a una questione complessa, ancora oggi oggetto di dibattito. In primo luogo, sono stati esaminati approcci in cui i ruoli sono considerati primitivi semantici, non ulteriormente scomponibili né analizzabili (vedi par. 1.1); sono state analizzate le caratteristiche delle liste, create per identificare un numero limitato di ruoli, validi universalmente, che possano esplicitare la relazione semantica che sussiste fra tutti gli argomenti di tutti i verbi (vedi par. 1.1.1).
È emerso che ci sono molti limiti legati inscindibilmente alla definizione del numero di ruoli, al problema della loro frammentazione e all'identificazione del tipo di legame che sussiste con il verbo.
Jackendoff considera i ruoli come etichette che permettono di far riferimento a configurazioni della struttura concettuale (vedi par. 1.2.1, par. 1.2.2); Dowty ritiene che non siano discreti e siano formati da insiemi di proprietà che le entità partecipanti acquistano in virtù del loro ruolo nell'evento (vedi par. 1.2.2, par. 1.2.2.1).
A partire dalla definizione degli individual thematic role, egli conclude che il massimo livello di astrazione linguisticamente rilevante sia costituito dalla sola opposizione fra
PROTO-AGENTE e PROTO-PAZIENTE. Questi ultimi sono prototipi, costituiti da gruppi di
proprietà indipendenti che co-occorrono; in conseguenza di ciò, sono ammessi diversi gradi di appartenenza a una categoria: maggiore è il numero delle implicazioni comuni a un argomento e al PROTO-PAZIENTE, per esempio, maggiore sono il suo grado di
patienthood e di rappresentatività per quella classe.
In Role and Reference Grammar, i ruoli tematici sono considerati etichette mnemoniche che non hanno alcun significato autonomo, ma permettono di fare riferimento a specifiche posizioni che gli argomenti di verbi di tipo STATE e ACTIVITY occupano a livello di struttura logica. Pur riconoscendo lo status delle relazioni tematiche classiche, vengono definiti due macro-ruoli, ACTOR e UNDERGOER, che ne sono la
generalizzazione: l'ACTOR infatti include ruoli come AGENTE, ESPERIENTE, STRUMENTO,
In questo caso viene ammessa una visione prototipica dei ruoli, in quanto l'AGENTE è
l'elemento maggiormente rappresentativo del macro-ruolo ACTOR, mentre il PAZIENTE lo
è dell'UNDERGOER.
La natura dei ruoli è stata indagata anche dal punto di vista psicolinguistico: nella prospettiva della Generalized Event Knowledge, i ruoli sono verbo-specifici e costituiti da insiemi di proprietà che rispecchiano le conoscenze che i parlanti possiedono a proposito degli eventi e delle entità che vi prendono parte. Questo bagaglio di conoscenze deriva sia da esperienze extralinguistiche, sia dalle descrizioni linguistiche degli eventi e dei partecipanti (vedi par. 1.4). Le ricerche di McRae e Lebani, cui questo lavoro di tesi si ispira, partono da questi presupposti (vedi par. 1.4.1, par. 1.4.1.1, par. 1.4.1.2); i risultati degli esperimenti di priming descritti hanno confermato che la conoscenza riguardante i partecipanti agli eventi viene recuperata velocemente durante l'interpretazione (vedi par. 1.4.2).
Sono stati poi presentati i dettagli dell'esperimento in cui ai soggetti è stato chiesto di descrivere le proprietà che l'AGENTE e il PAZIENTE verbo-specifici possiedono prima,
durante e dopo che gli eventi denotati dai verbi hanno avuto luogo (vedi par. 2.2, par. 2.2.1).
Dopo le fasi di normalizzazione (vedi par. 2.2.3), è stata effettuata l'analisi dei dati e i risultati hanno mostrato che l'AGENTE è stato descritto in maniera più ricca rispetto al PAZIENTE, mentre non ci sono differenze significative relativamente alla dimensione
“fase temporale” (vedi par. 2.2.5.2, par. 2.2.5.3).
Alle analisi dei dati comportamentali sono seguite quelle relative ai dati distribuzionali estratti dal British National Corpus: nella prospettiva della co-occurrence hypothesis e delle distributional hypothesis (vedi par. 3.1), sono state analizzate le frequenze con cui le proprietà elencate dai soggetti dell’esperimento co-occorrono con i verbi di cui sono descrizione.
Sono state perciò definite tre finestre, corrispondenti a una, tre e cinque frasi: le analisi hanno evidenziato che, il numero di verbo-proprietà che co-occorrono, aumenta all'aumentare dell'ampiezza della finestra (vedi par. 3.3.3.1); ciò si verifica sia per le coppie delle norme espanse tramite WordNet (vedi par. 3.3.3.2), sia per le norme
random, che costituiscono una baseline di riferimento per la valutazione delle co-
occorrenze (vedi par. 3.3.3.3). Queste ultime, infatti, mostrano una frequenza di co- occorrenza significativamente inferiore rispetto alle coppie verbo-proprietà delle norme dell'esperimento, che sono costituite da elementi fra i quali sussiste una relazione semantica. I dati così ottenuti sono in linea con la co-occurrence hypothesis, in quanto la co-occorrenza testuale sembra riflettere relazioni di tipo semantico.
Valutando complessivamente la distribuzione delle proprietà del PAZIENTE e
dell’AGENTE, emerge che è possibile recuperare un numero maggiore di proprietà di
quest’ultimo (vedi par. 3.3.3.4); tuttavia, nel momento in cui vengono paragonate le frequenze di co-occorrenza non solo per i due ruoli, ma anche per ciascun verbo, sono estratte un numero significativamente maggiore di proprietà dell’AGENTE solo per la
finestra uguale a tre frasi e per la soglia di frequenza minima uguale a dieci (vedi par. 3.3.3.5.1).
Analizzando separatamente le finestre sinistra, centrale e destra, e ipotizzando che questa divisione rifletta quella relativa alle fasi temporali precedente, contemporanea e successiva agli eventi, sono state calcolate le frequenze di co-occorrenza verbo- proprietà. I dati ottenuti sono stati comparati a quelli delle norme semantiche secondo vari criteri e i risultati hanno mostrato che dal corpus è possibile estrarre molte triple verbo-fase-proprietà corrispondenti a quelle delle norme; inoltre, nel momento in cui vengono imposte soglie di frequenza restrittive, tutte le triple recuperate automaticamente dal corpus coincidono con quelle delle norme (vedi par. 3.3.4).
Dalle frequenze di co-occorrenza, è stata calcolata la forza di associazione che misura il grado di attrazione reciproca fra due parole. Ordinando i risultati per valori decrescenti di PPMI, è emerso che, all'aumentare della finestra, aumenta il numero di proprietà delle norme che sono fra le prime cinque e dieci parole più associate ai verbi; tuttavia, questi valori diminuiscono se si analizzano le prime quindici, venti e venticinque parole più associate a ciascun verbo: questo andamento può essere spiegato considerando gli effetti congiunti dell'ampliamento della finestra e del campione di parole candidate (vedi par. 3.3.5).
In definitiva, le analisi dei dati contenuti nelle norme semantiche mostrano che i soggetti sono in grado di caratterizzare AGENTE e PAZIENTE verbo-specifici e sanno
descriverne le proprietà per fasi temporali; le analisi dei dati estratti automaticamente dal corpus di riferimento evidenziano come i verbi e le proprietà a essi associate tendano a distribuirsi reciprocamente in contesto, e vengono valutati anche gli effetti che l’ampliamento della finestra ha sia nel calcolo delle frequenze di co-occorrenza, sia in quello della forza di associazione.
I risultati delle analisi condotte confermano la validità della co-occurrence hypothesis, poiché mostrano come l’associazione semantica si rifletta nella co-occorrenza testuale (vedi par. 3.1); nel complesso, dai risultati delle analisi dei dati comportamentali e dei dati distribuzionali emerge che la Generalized Event Knowledge trova corrispondenza nella descrizione linguistica degli eventi: è evidente che nelle risorse testuali sono contenute molte delle informazioni presenti nelle norme, perciò, nel momento in cui si assume la validità dell'ipotesi distribuzionale forte, è possibile affermare come la conoscenza relativa alle proprietà degli eventi e dei partecipanti derivi in parte da input linguistici.
I risultati descritti non devono essere considerati definitivi, poiché, in primo luogo, si potrebbero compiere esperimenti di laboratorio, sia per collezionare nuovi dati, sia per paragonarli a quelli ottenuti utilizzando metodi di crowdsourcing.
Inoltre, potrebbe essere interessante sia annotare le proprietà contenute nelle norme semantiche, in modo da classificarle, così come in Lebani e colleghi (2015), in “permanenti” e “non permanenti”, sia verificare se sussistano differenze fra i due ruoli relativamente alla distribuzione di questi tipi di proprietà.
Le analisi dei dati distribuzionali potrebbero essere integrate estraendo informazioni da un maggiore numero di corpora, utilizzando metodi più sofisticati per l’estrazione delle proprietà (ad esempio, pattern sintattici) e tenendo in considerazione, per esempio, le proprietà aspettuali dei verbi; inoltre, nelle risorse testuali, sfruttando sistemi di
semantic role labeling, potrebbero essere esplicitati automaticamente i ruoli che gli
argomenti giocano negli eventi denotati dai verbi. Infine, sfruttando sistemi di
coreference resolution, potrebbero essere estratte le proprietà delle entità coinvolte negli
eventi e potrebbe esserne investigata la distribuzione all'interno di porzioni di testo più ampie.
Bibliografia
Albright E., e Hatton J., WeSay: A Tool for Engaging Native Speakers in Dictionary Building, in: Documenting and Revitalizing Austronesian Languages, Honolulu: University of Hawaii Press, 2007, 189-201.
Almuhareb A., e Poesio M, Concept learning and categorization from the web, in:
Proceedings of CogSci, 2005.
Almuhareb A., e Poesio M., Attribute-based and value-based clustering: An evaluation, in: Proceedings of EMNLP 2004, Association for Computational Linguistics, 2004, 158–165.
Altmann G. T., e Kamide, Y. The real-time mediation of visual attention by language and world knowledge: Linking anticipatory (and other) eye movements to linguistic processing, in: Journal of Memory and Language, 57(4), 2007, 502-518.
Altmann G. T., e Kamide Y., Incremental interpretation at verbs: restricting the domain of subsequent reference, in: Cognition, 73 (3), 1999, 247-264.
Altmann G. T. M., Ambiguity in sentence porcessing, in: Trends in Cognitive Sciences, 2, 1998, 146-152.
Andrews M., e altri, Integrating experiential and distributional data to learn semantic representations, in: Psychological Review, 116 (3), 2009.
Baker C. F., e altri, The Berkeley FrameNet Project, in: Proceedings of the 17th
international conference on Computational linguistics, 1, 1998, 86-90.
Proceedings of the ESSLLI Workshop on Distributional Lexical Semantics, 2008, 9-16.
Baroni M., e altri, Strudel: A distributional semantic model based on properties and types, in: Cognitive Science, 34 (2), 2010, 222–254.
Baroni M., e altri, ESSLLI 2008 Workshop on Distributional Lexical Semantics, 2008
Baroni M., e Lenci, A., Concepts and properties in word spaces, in: Italian Journal of
Linguistics, 20 (1), 2008, 55–88.
Bloomfield L., Language, University of Chicago Press, 1993.
Bullinaria, J. A., e Levy J. P., Extracting semantic representations from word co- occurrence statistics: stop-lists, stemming, and SVD, in: Behavior Research Methods, 2012.
Bullinaria J. A., Semantic categorization using simple word co-occurrence statistics, in:
Proceedings of the ESSLLI Workshop on Distributional Lexical Semantics, 1-8.
Hamburg, Germany, 2008.
Bullinaria J. A., e Levy J. P., Extracting Semantic Representations from Word Co- occurrence Statistics: A Computational Study, in: Behavior Research Methods, 39: 510- 526, 2007.
Callison-Burch C., e Dredze M., Creating speech and language data with Amazon's Mechanical Turk, in: Proceedings of the NAACL HLT 2010 Workshop on Creating
Speech and Language Data with Amazon's Mechanical Turk, Association for
Computational Linguistics, 2010.
Chomsky N., Lectures on Government and Binding, Foris, Dordrecht, 1981.
Church K. W., e Hanks P., Word association norms, mutual information, and lexicography in: Proceedings of the 27th Annual Conference of the Association of
Computational Linguistics, Vancouver, British Columbia, 1989, 76-83.
Cree G. S., e McRae K., Analyzing the factors underlying the structure and computation of the meaning of chipmunk, cherry, chisel, cheese, and cello (and many other such concrete nouns), in: Journal of Experimental Psychology: General, 132, 2003, 163-201.
Croft W., Syntactic Categories and Grammatical Relations: The Cognitive
Organization of Information. University of Chicago Press, Chicago, 1991.
Deerwester S. C., e altri, Indexing by latent semantic analysis, in: Journal of the
American Society for Information Science , 41 (6), 1990, 391-407.
Devereux B., e altri, Towards unrestricted, large-scale acquisition of feature-based conceptual representations from corpus data, in: Research on Language & Computation, 2009, 1–34.
Dowty D., Thematic Proto-Roles and Argument Selection Language, in: Language, 67 (3), 1991, 547-619.
Dowty D., On the semantic content of the notion ‘thematic role’, in: G. Chierchia, B. Partee & R.Turner (eds), Property theory, type theory and natural language semantics, D. Reidel, Dordrecht, 1989.
Evert S., Corpora and collocations (extended manuscript), in: Corpus Linguistics. An
International Handbook, A. Lüdeling and M. Kytö (eds.), Mouton de Gruyter, Berlin,
Fagarasan L., e altri, From distributional semantics to feature norms: grounding semantic models in human perceptual data, in: Proceedings of the 11th International
Conference on Computational Semantics (IWCS 2015), London, UK, 2015.
Falk Y. N., Subjects and Universal Grammar, An Explanatory Theory, Cambridge studies in Linguistics, 2006
Fellbaum C., WordNet: An Electronic Lexical Database, Cambridge, MIT Press, 1998.
Ferretti T. R., e altri, Verb Aspect and the Activation of Event Knowledge, in: Journal of Experimental Psychology: Learning, Memory and Cognition, 33, 2007, 182-196.
Ferretti T. R., e altri, Integrating verbs, situation schemas, and thematic role concepts, in: Journal of Memory and Language, 44, 2001, 516-547.
Fillmore C. J., Frame semantics and the nature of language, in: S. R. Harnad, H. D. Steklis, & J. Lancaster (eds), Origins and Evolution of Language and Speech, Annals of the NY Academy of Sciences, 280, 1976, 20-32.
Fillmore C., Frame semantics and the nature of language, Berkeley, 1996.
Fillmore C., Frame semantics, in: Linguistics in the Morning Calm, Seoul, South Korea: Hanshin Publishing Co., 1982, 111-137.
Fillmore C. J., Types of Lexical Information, in: Semantics, D. Steinberg and L. Jakobovits (Ed). Cambridge University Press, Cambridge, 1971, 370–92.
Fillmore C. J., The Case for Case, in: Universals in Linguistic Theory, Bach and Harms (eds), New York, 1968, 1-88.
Firth J. R., Papers in Linguistics, London, Oxford University Press, 1957.
Frassinelli D., e Lenci A., Concepts in context: Evidence from a feature-norming study, in: N. Miyake, D. Peebles, and R. P. Cooper (eds), Proceedings of the 34th Annual
Conference of the Cognitive Science Society, Austin, 2012, 1567-1571.
Futrell R., Predicting gaps: Exploring Distributional Explanations for the Accessibility Hierarchy, term paper, 2010.
Garrard P., e altri, Prototypicality, distinctiveness, and intercorrelation: Analyses of the semantic attributes of living and nonliving concepts, in: Cognitive Neuropsychology, 18, 2001, 125-174.
Gildea D., e Jurafsky D., Automatic Labeling of Semantic Roles, in: Computational
Linguistics 28:3, 2002, 245-288.
Gruber J. S., Studies in lexical relations, MIT, 1965.
Hare M., e altri, Activating event knowledge, in: Cognition, 111, 2009, 151-167.
Harris Z. S., Distributional structure, in: Word, 10 (23), 1954, 146-162.
Jackendoff R.,What is the human language faculty?: Two views, in: Language, 87 (3), 2011.
Jackendoff R., The Architecture of the language faculty, MIT Press, Cambridge, 1997.
Jackendoff R., The Status of Thematic Relations in Linguistic Theory, in: Linguistic
Inquiry, 18, No. 3, The MIT Press, 1987, 369-411.
7, 1976, 89–150.
Jackendoff R., Semantic Interpretation in Generative Grammar, MIT Press, Cambridge, 1972.
Jezek E., Struttura argomentale dei verbi, in: Grammatica dell’Italiano Antico, L. Renzi – G. Salvi (a cura di), Bologna, Il Mulino, 2010, 77-122.
Jezek E., Lessico: classi di parole, strutture, combinazioni, Il Mulino, Bologna, 2005.
Keenan E, e Comrie E., Noun Pharse Accessibility and Universal Grammar, in:
Linguistic Inquiry, 8, 1977, 63-99.
Kelly C., Automatic extraction of property norm-like data from large text corpora, Cambridge, 2012.
Khalkhali S., e altri, Integrating words that refer to typical sequences of events, in:
Canadian Journal of Experimental Psychology, 66, 2012, 106-114.
Lebani G. E., e altri, You are what you do. An empirical characterization of the semantic content of the thematic roles for a group of Italian verbs, in: Journal of Cognitive
Science, 16 (4), 2015, 401-430.
Leech G., TGDW11, Proposal for enriched grammatical tagset. BNC working paper, 1992.
Lenci A., e altri, BLIND: a set of semantic feature norms from the congenitally blind, in: Behavior Research Methods, 45(4), 2013, 1218-1233.
Lenci A., e altri, Testo e computer: Elementi di linguistica computazionale, Roma, Carocci, 2010.
Lenci A., Distributional semantics in linguistic and cognitive research, in: Rivista di
Linguistica, vol. 20 (1), 2008, 1-30.
Levin B., e Rappaport Hovav M., Argument Realization, Research Surveys in Linguistics Series, Cambridge University Press, Cambridge, 2005.
Levin, B., English Verb Classes and Alternations: A Preliminary Investigation, University of Chicago Press, Chicago, 1993.
Lowerse M., & Patrick J., Language comprehension is both embodied and symbolic, in: M. de Vega, A. Glenber, & A. Graesser (eds), Symbols and Embodiment: Debates on
meaning and cognition, Oxford University Press, 2008.
Lund K., e Burgess C., Producing high-dimensional semantic spaces from lexical cooccurrence, in: Behavior Research Methods, 28, 1996, 203–208.
MacDonald M. C., The lexical nature of syntactic ambiguity resolution, in:
Psychological Review, 101, 1994, 676-703.
Marotta G., e altri. Parlare senza vedere, Rappresentazioni semantiche nei non vedenti, Edizioni ETS, Pisa, 2013.
Matsuki K., e altri, Event-based plausibility immediately influences on-line language comprehension, in: Journal of Experimental Psychology: Learning, Memory, &
Cognition, 37, 2011, 913-934.
McRae K., e Matsuki K., People use their knowledge of common events to understand language, and do so as quickly as possible, in: Language & Linguistics Compass, 3, 2009, 1417-1429.
McRae K., e altri, Semantic feature production norms for a large set of living and nonliving things, in: Behavior Research Methods, 37, 2005, 547-559.
McRae K., e altri, Thematic roles as verb sepecific concepts, in: Language and
Cognitive Processes: Special Issue on Lexical Representations in Sentence Processing,
12, 1997, 137-176.
Meyer D. E., e Schvaneveldt R. W., Facilitation in recognizing pairs of words: evidence of a dependence between retrieval operations, in: Journal of Experimental Psychology, 90 (2), 1971, 227-234.
Miller G. A., e Charles W. G., Contextual correlates of semantic similarity, in:
Language and Cognitive Processes VI, 1991, 1-28.
Miller G., The organization of lexical memory: Are word associations sufficient?, in: G.A. Talland & N.C. Waugh (eds), The Pathology of Memory, New York, Academic Press, 1969, 223-237.
Moens M, e Steedam M., Temporal ontology and temporal reference, 1988.
Morrow D. G., Prepositions and verb aspect in narrative understanding, in: Journal of
Memory and Language, 24, 1985, 390-404.
Morrow, D. G., Spatial models, prepositions. and verb aspect markers, in: Discourse
Processes. 13 (4), 1990.
Murphy G., The Big Book of Concepts, The MIT Press, 2002.
Murphy M. L., Lexical meaning, Cambridge Textbooks in Linguistics, Cambridge University Press, 2010.
Newmeyer F., Optimality and Functionality: A Critique of Functionally-based Optimality-Theoretic Syntax, in: Natural Language and Linguistic Theory, 20, 2002, 43-80.
Nivre J., Incremental Non-Projective Dependency Parsing, in: Human Language
Technologies 2007: The Conference of the North American Chapter of the Association for Computational Linguistics; Proceedings of the Main Conference, 2007, 396-403.
Niwa Y., e Nitta Y., Co-occurrence vectors from corpora vs. distance vectors from dictionaries, in: Proceedings of the 15th International Conference On Computational
Linguistics, Kyoto, 1994, 304-309.
Padó S., e Lapata M., Dependency-based construction of semantic space models, in:
Computational Linguistics, 33 (2), 2007, 161-199.
Rayner K., Eye movements in Reading and Information Processing: 20 Years of reserach, in: Psychological Bulletin, Vol. 124, 1998, 372-422.
Riemer N., Introducing Semantics, Cambridge University Press, Cambridge, 2010.
Rosch E., e Mervis C. B., Family Resemblances: Studies in the Internal Structure of Categories, in: Cognitive Psychology, 7, 1975, 573-605.
Sahlgren M., The Word-Space Model: Using distributional analysis to represent
syntagmatic and paradigmatic relations between words in high-dimensional vector spaces, 2006.
Saussure, F. de, Corso di linguistica generale, T. de Mauro (a cura di), Laterza, 2009 (traduzione italiana dell'opera postuma Cours de linguistique générale del 1916).
Schmid H., Probabilistic Part-of-Speech Tagging Using Decision Trees, in: Proceedings
of International Conference on New Methods in Language Processing, Manchester, UK,
Schulte im Walde S, e altri, An empirical characterisation of response types in German association norms, in: Research on Language and Computation, 4 (2), 2008, 205-238.
Schulte im Walde S, & Melinger A., An in-depth look into the co-occurrence distribution of semantic associates, in: Italian Journal of Linguistics, 20, 2008.
Sinclair J., Beginning the study of lexis, in: In Memory of J. R. Firth, C. E. Bazell, J. C. Catford, M. A. K. Halliday, R. H. Robins (eds.), Longmans, Londra, 1966, 410–430.
Smith C. A., The parameter of aspect, Kluwer, Dordrecht, 1997.
Spence D.P., e Owens K. C., Lexical co-occurrence and association strength, in:
Journal of Psycholinguistic Research, 19, 1990, 317-330.
Sprouse J., A validation of Amazon Mechanical Turk for the collection of acceptability judgments in linguistic theory, in: Behavior research methods, 43 (1), 155-167, 2011.
Tesnière L., Éléments de syntaxe structurale, Klincksieck, Parigi, 1959.
Traxler M. J., Introduction to psycholinguistics, Wiley-Blackwell, UK, 2011.
Turney P. D., e Pantel P., From Frequency to Meaning: Vector Space Models of Semantics, in: Journal of Artificial Intelligence Research, 37, 2010, 141-188.
Van Valin R. D. e LaPolla R. J., Syntax: Structure, Meaning, and Function, Cambridge University Press, Cambridge, 1997.
Van Valin R. D., Exploring the syntax-semantics interface, Cambridge University Press, Cambridge, 2005.
2001.
Van Valin R. D., Advances in Role and Reference Grammar, John Benjamin, Amsterdam/Philadelphia, 1993.
Vendler Z., Linguistics in Philosophy, Ithaca (NY), Cornell University Press, 1967.
Vinson D. P., e Vigliocco G., Feature norms for a large set of object and event concepts, in: Behavior Research Methods, 40, 2008, 183-190.
Sitografia
Amazon Mechanical Turk:
https://www.mturk.com/mturk/welcome BLIND dataset:
http://sesia.humnet.unipi.it/blind_data/ British National Corpus:
http://www.natcorp.ox.ac.uk/ Brown Corpus:
http://www.hit.uib.no/icame/brown/bcm.html Collins English Dictionary, definizione di “medrese”:
http://www.collinsdictionary.com/dictionary/english/medrese Crowdflower:
http://www.crowdflower.com Crowdflower, Design and build a job:
https://success.crowdflower.com/hc/en-us/categories/200230959-Design-and- Build-a-Job
Crowdflower, User guide:
https://success.crowdflower.com/hc/enus/articles/201855719-Guide-to-Basic- Job-Settings-Page
FrameNet Glossary:
https://framenet.icsi.berkeley.edu/fndrupal/glossary
http://www.maltparser.org/ PropBank: https://verbs.colorado.edu/propbank/ TreeTagger: www.cis.uni-munchen.de/ ~ schmid/tools/TreeTagger VerbNet: https://verbs.colorado.edu/ ~ mpalmer/projects/verbnet.html WordNet: https://wordnet.princeton.edu/
Ringraziamenti
Desidero ringraziare il Prof. Lenci perché con consigli preziosi ha reso migliore questo lavoro; ringrazio altresì la Prof.ssa Marotta, per la disponibilità e l'interesse dimostrati. Ringrazio il Dott. Gianluca Lebani per avermi guidata con pazienza e per avere ascoltato sempre la mia opinione.